具体实施方式

以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。

图1示意性示出了根据本申请实施例的纺织纱线的质量评级方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种纺织纱线的质量评级方法，包括以下步骤：

步骤101，确定纺织纱线的质量指标；

步骤102，确定纺织纱线的原棉指标；

步骤103，构建工艺参数与原棉指标之间的非线性关系；

步骤104，通过原棉指标对质量指标进行补充；

步骤105，确定每个纺织纱线的纱线用途；

步骤106，针对每个纺织纱线，将补充后的质量指标和纱线用途输入至预测模型；

步骤107，将输出的预测评级作为纺织纱线的质量评级。

首先，可以收集多个检测机构对各个纺织纱线进行评价的纱线质量指标，检测机构可以是乌斯特等机构。其中，质量指标包括纺织纱线的强力值、不匀率、毛羽、条干等单一质量评级以及综合评级数据中的至少一者。综合评级数据可以是5％、25％、50％等。处理器还可以获取到各个纺织纱线的原棉指标，其中，原棉指标可以包括棉纤维的成熟度、棉纤维的长度和含杂率等。获取到各个纺织纱线的工艺参数，可以确定出每个纺织纱线的工艺参数与其对应的原棉指标之间的非线性关系。

在一个实施例中，构建工艺参数与原棉指标之间的非线性关系包括：收集纺织纱线的工艺参数；按照生产过程中的工艺顺序和单个工艺对原棉指标的影响大小顺序，对纺织纱线的工艺参数和原棉指标的组合进行排序，将纺织纱线转换成根据原棉指标和工艺参数构成的矩阵；将矩阵输入至残差网络中，以确定工艺参数与原棉指标之间的非线性关系。具体地，可以收集到各个纺织纱线的工艺参数，然后生产过程中的工艺顺序和单个工艺对原棉指标的影响大小顺序，对全部纺织纱线的工艺参数和原棉指标的组合进行排序，再将每个纺织纱线对应的数据转换成矩阵，如转换成N*(1+M)矩阵，其中，N可以表示为工艺参数，1表示对应的工艺参数，从而矩阵的第一列对应生产工艺的先后顺序，M可以表示为该纺织纱线的原棉指标，矩阵的每一行表示该工艺及其对原棉指标的影响大小顺序。然后，可以对数据进行归一化处理，然后将矩阵输入至残差网络中，则可以根据残差网络确定出工艺参数与原棉指标之间的非线性关系。具体地，可以获取到每个纺织纱线对应的工艺参数、原棉指标。将由工艺参数和原棉指标组成的矩阵输入至残差网络中，残差网络可以输出对应的预测评级。以此方式，通过输入多个矩阵数据，最终可以统计出纺织纱线的工艺参数与原棉指标之间的非线性关系。

进一步地，针对部分纱线缺失部分质量指标的问题，而原棉指标和工艺对棉纱的质量有重要影响。比如棉纤维的成熟度和含杂率对纱线的强力影响较大，而棉纤维长度对纱线条干的影响较大，可以通过专家打分利用层次分析法筛选出影响各质量指标的重要原棉指标，采用ResNet50等残差深度学习网络找到两者间的对应关系，从而可利用原棉指标补全缺失的质量指标。在一个实施例中，方法还包括：通过生成式对抗网络对补充后的质量指标和纱线用途对应的数据进行增强，以提高样本数量。当存在有效数据源较少的情况时，可以利用GAN(生成式对抗网络)对相关的数据进行增强，以提高样本的数量，那么在对各个网络进行训练时，则可以有更多的样本数据对其训练，以提高网络模型的预测准确度和精度等。在一个实施例中，上述方法还包括：根据纱线用途确定质量评级的层级。进一步地，还可以获取到每个纱线的纱线用途。由于同一纱线的不同用途对应的质量指标侧重点不同，最终反映在综合质量评级上，可以通过专家打分对不同用途的评级进行调整。在未知用途的情况下评级不做调整，为避免人为主观的影响，评级调整可以加入一定范围的随机性。因此，针对纱线不同用途，对原有的综合质量评级，参考专家意见进行进一步细分调整，并加入一定的随机性，如25％的纱线评级，细分为10％、15％、20％、30％等评级，增加-5％、0、5％中的某个随机值，作为纱线最终评级用于算法训练，若用途未知则评级保持不变。

在一个实施例中，预测模型包括残差网络和广义回归神经网络；将预测模型输出的预测评级作为纺织纱线的质量评级包括：将补充后的质量指标和纱线用途输入至残差网络；通过残差网络对输入的数据进行多层卷积计算、池化作用后，将残差网络池化层的输出数据输入至广义回归神经网络；获取广义回归神经网络输出的预测评级作为纺织纱线的质量评级。

残差网络可以是ResNet50神经网络模型，广义回归神经网络可以是GRNN回归神经网络。在通过原棉指标对质量指标进行补充后，可以将补充后的质量指标和纱线用途(如罗纹、全棉等)输入至残差网络，经过残差网络的多层卷积、池化，最后可以经过全连接层输出预测值。可以将残差网络的池化层的输出数据作为广义回归神经网络的输入数据，通过广义回归神经网络的模式层和求和层进行计算，然后可以获取到广义回归神经网络输出的预测评级，即可将其作为输入数据对应的纺织纱线的质量评级，如5％、10％、15％等。具体地，如图2所示，残差网络的卷积层可以包括3层，第一层卷积层的输出数据为1*1，64；第二层卷积层的输出数据为3*3，64；第三层卷积层的输出数据为1*1，64。

在一个实施例中，如图3所示，收集纱线质量指标和综合评级数据，然后加入纱线用途，通过专家对综合评级进一步细分调整，用途未知则不调整。通过专家打分可以找出各质量指标和影响该指标的原棉指标和工艺参数。还可以利用GAN技术增加训练样本，利用ResNet-GRNN技术构建原棉指标与质量指标的非线性模型，利用ResNet50-GRNN技术构建质量指标/用途与综合质量评级的非线性模型。再将入纱线的质量指标值和用途输入至模型中，从而可以通过模型预测纱线的综合质量评级。

上述纺织纱线的质量评级方法利用了ResNet50与GRNN相结合的深度学习技术，同时考虑了纱线的不同用途，构建纱线质量指标、用途与综合质量评级的非线性关系。针对部分质量指标值缺失的情况，利用了ResNet50-GRNN技术构建原棉指标、工艺参数与质量指标的关系模型，即可针对性的提前优化工艺参数提高相关质量指标，减少时间和材料的浪费，又可以预测质量指标值，用于补全缺失值，利用训练好的模型，用户输入质量指标和用途，即可输出纱线的综合评级，避免人为主观的确定质量指标的权重，客户根据评级轻易的选购合适的纱线。

在一个实施例中，如图4所示，提供了一种纺织纱线的质量评级装置，包括：

指标确认模块401，用于确定纺织纱线的质量指标；确定纺织纱线的原棉指标；构建工艺参数与原棉指标之间的非线性关系；通过原棉指标对质量指标进行补充；

质量评级确定模块402，用于确定每个纺织纱线的纱线用途；针对每个纺织纱线，将补充后的质量指标和纱线用途输入至预测模型；将预测模型输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，指标确认模块401还用于收集纺织纱线的工艺参数；按照生产过程中的工艺顺序和单个工艺对原棉指标的影响大小顺序，对纺织纱线的工艺参数和原棉指标的组合进行排序，将纺织纱线转换成根据原棉指标和工艺参数构成的矩阵；将矩阵输入至残差网络中，以确定工艺参数与原棉指标之间的非线性关系。

在一个实施例中，预测模型包括残差网络和广义回归神经网络。质量评级确定模块402还用于将补充后的质量指标和纱线用途输入至残差网络；通过残差网络对输入的数据进行多层卷积计算、池化作用后，将残差网络池化层的输出数据输入至广义回归神经网络；获取广义回归神经网络输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，纺织纱线的质量评级装置还包括数据增强模块(图中未示出)，用于通过生成式对抗网络对补充后的质量指标和纱线用途对应的数据进行增强，以提高样本数量。

在一个实施例中，质量评级确定模块402还用于根据纱线用途确定质量评级的层级。

纺织纱线的质量评级装置包括处理器和存储器，上述指标确认模块、质量评级确定模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现上述的纺织纱线的质量评级方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述纺织纱线的质量评级方法。

本申请实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述纺织纱线的质量评级方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储纺织纱线的质量指标等数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种纺织纱线的质量评级方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：确定纺织纱线的质量指标；确定纺织纱线的原棉指标；构建工艺参数与原棉指标之间的非线性关系；通过原棉指标对质量指标进行补充；确定每个纺织纱线的纱线用途；针对每个纺织纱线，将补充后的质量指标和纱线用途输入至预测模型；将预测模型输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，质量指标包括纺织纱线的强力值、不匀率、毛羽、条干等单一质量评级以及综合评级数据中的至少一者。

在一个实施例中，构建工艺参数与原棉指标之间的非线性关系包括：收集纺织纱线的工艺参数；按照生产过程中的工艺顺序和单个工艺对原棉指标的影响大小顺序，对纺织纱线的工艺参数和原棉指标的组合进行排序，将纺织纱线转换成根据原棉指标和工艺参数构成的矩阵；将矩阵输入至残差网络中，以确定工艺参数与原棉指标之间的非线性关系。

在一个实施例中，预测模型包括残差网络和广义回归神经网络；将预测模型输出的预测评级作为纺织纱线的质量评级包括：将补充后的质量指标和纱线用途输入至残差网络；通过残差网络对输入的数据进行多层卷积计算、池化作用后，将残差网络池化层的输出数据输入至广义回归神经网络；获取广义回归神经网络输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，方法还包括：根据纱线用途确定质量评级的层级。

在一个实施例中，方法还包括：通过生成式对抗网络对补充后的质量指标和纱线用途对应的数据进行增强，以提高样本数量。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定纺织纱线的质量指标；确定纺织纱线的原棉指标；构建工艺参数与原棉指标之间的非线性关系；通过原棉指标对质量指标进行补充；确定每个纺织纱线的纱线用途；针对每个纺织纱线，将补充后的质量指标和纱线用途输入至预测模型；将预测模型输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，质量指标包括纺织纱线的强力值、不匀率、毛羽、条干以及综合评级数据中的至少一者。

在一个实施例中，构建工艺参数与原棉指标之间的非线性关系包括：收集纺织纱线的工艺参数；按照生产过程中的工艺顺序和单个工艺对原棉指标的影响大小顺序，对纺织纱线的工艺参数和原棉指标的组合进行排序，将纺织纱线转换成根据原棉指标和工艺参数构成的矩阵；将矩阵输入至残差网络中，以确定工艺参数与原棉指标之间的非线性关系。

在一个实施例中，预测模型包括残差网络和广义回归神经网络；将预测模型输出的预测评级作为纺织纱线的质量评级包括：将补充后的质量指标和纱线用途输入至残差网络；通过残差网络对输入的数据进行多层卷积计算、池化作用后，将残差网络池化层的输出数据输入至广义回归神经网络；获取广义回归神经网络输出的预测评级作为纺织纱线的质量评级。

在一个实施例中，方法还包括：根据纱线用途确定质量评级的层级。

在一个实施例中，方法还包括：通过生成式对抗网络对补充后的质量指标和纱线用途对应的数据进行增强，以提高样本数量。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。