一种融合人工智能的图案纹样自动化归档系统

本发明涉及人工智能领域，具体是指一种融合人工智能的图案纹样自动化归档系统。

背景技术：

1、随着人工智能的发展，图案纹样的分类和归档变得更加高效和精确，但一般的特征提取方法无法捕捉到图案纹样中的细节特征，尤其是在处理复杂和高分辨率图案时，导致特征信息的丢失，同时传统方法需要更多的计算资源和时间来处理同样的任务，训练和推理过程的效率低下；现有的优化算法存在过早收敛、搜索空间不足的问题，在搜索过程中容易陷入局部最优解，导致过早收敛，无法找到全局最优解，并且在高维搜索空间中表现不佳，难以充分探索整个搜索空间。

技术实现思路

1、针对上述情况，本发明提供了一种融合人工智能的图案纹样自动化归档系统，对于一般的特征提取方法存在质量精度低、准确性低和效率低的问题，本方案通过构建级联高分辨率卷积模型捕捉到图案纹样数据中的多尺度特征，使得模型能够更全面地理解图像的局部和全局特征，并且通过实施波浪式流水线策略，将前向传播和反向传播过程划分为多个阶段，并分配到不同的gpu进行并行计算，大幅提高模型训练和推理的效率，缩短计算时间，提高效率；针对现有的优化算法存在过早收敛、搜索空间不足的问题，本方案对于级联高分辨率卷积模型的优化使用了seb-choa算法（spiral evolutionary behavior-chimpanzee optimization algorithm），引入了螺旋函数和混合策略，在每个阶段对于参数进行调整，不断更新个体位置，提高了算法的全局搜索能力，避免了过早收敛的问题，提高了算法在高维空间中的探索能力，增加了搜索空间的覆盖范围。

2、本发明提供的一种融合人工智能的图案纹样自动化归档系统，包括数据收集与预处理子系统、特征提取子系统、分类与标签子系统、数据库管理子系统和自动化归档子系统，具体包括以下内容：

3、所述数据收集与预处理子系统收集图案纹样数据并进行预处理；

4、所述特征提取子系统使用级联高分辨率卷积模型架构对预处理后的图案纹样数据进行特征提取；

5、所述分类与标签子系统对图案纹样进行分类，并生成描述性标签，

6、所述数据库管理子系统建立图像索引；

7、所述自动化归档子系统定义自动化归档的规则和策略，按类别、日期和标签进行归档。

8、进一步的，在特征提取子系统中，使用级联高分辨率卷积模型架构对预处理后的图案纹样数据的进行特征提取，具体包括以下步骤：

9、步骤s1：图像收集及预处理，收集用于构建级联高分辨率卷积模型的纹样图像并进行去噪、归一化和剪裁；

10、步骤s2：构建级联高分辨率卷积模型；

11、步骤s3：模型训练，根据用于构建级联高分辨率卷积模型的纹样数据建立数据集，以6：2：2的比例划分为训练集、验证集和测试集，使用训练集对级联高分辨率卷积模型进行训练，实施波浪式流水线策略；

12、步骤s4：模型优化，使用seb-choa算法对训练后的级联高分辨率卷积模型进行优化；

13、步骤s5：精细边缘检测，使用级联高分辨率卷积模型检测纹样图像中的边缘，通过级联结构的多层次特征提取。

14、进一步的，步骤s2，具体包括以下内容：

15、多尺度表示：使用不同尺寸的卷积核来对构建级联高分辨率卷积模型的纹样图像进行卷积操作，设计多个卷积层，每个层使用不同大小的卷积核，将这些卷积层的输出在通道维度上进行拼接，生成一个多尺度特征图，传输至分类与标签子系统；

16、高分辨率保持：通过多层卷积网络逐层提取图像特征，在每个卷积层之后使用批量标准化层；

17、使用卷积层进行特征提取，使用批量标准化层和relu激活函数处理特征图；

18、级联结构：将每一层的输出与前一层的输出进行结合，将当前层的输出与前一层的输出在通道维度上拼接，将当前层的输出与前一层的输出进行逐元素相加，将结合后的特征作为下一层的输入；

19、进一步的，步骤s3中，实施波浪式流水线策略，具体包括以下步骤：

20、步骤s31：前向传播划分，将级联高分辨率卷积模型的前向传播过程划分为五个阶段，具体包括以下内容：

21、卷积层处理阶段：执行卷积操作，包括卷积计算、激活函数，提取纹样图像中的局部特征，生成局部特征图；

22、池化层阶段：执行最大池化操作，减少局部特征图的空间维度并发送至特征图平展阶段；

23、特征图平展阶段：将池化层阶段输出的局部特征图平展成一维向量并传输至全连接层；

24、全连接层阶段：设置全连接层权重矩阵，将特征图平展阶段的一维向量与全连接层权重矩阵进行矩阵乘法，应用激活函数，生成全连接层的特征向量；

25、输出层阶段：设置输出层权重矩阵，将全连接层的特征向量与输出层的权重矩阵进行矩阵乘法，应用激活函数生成输出层预测值；

26、步骤s32：反向传播划分，设置损失函数，计算输出层预测值的交叉熵损失，通过链式法则计算损失函数对各层权重的梯度；

27、步骤s33：优化部分，根据损失函数对各层权重的梯度更新级联高分辨率卷积模型的参数；

28、步骤s34：阶段划分，卷积层处理阶段为阶段1、池化层阶段和特征图平展阶段为阶段2、全连接层阶段和输出层阶段为阶段3、反向传播划分为阶段4、优化部分为阶段5；

29、步骤s35：波浪式布局，前向传播和反向传播阶段交替进行；

30、步骤s36：gpu任务分配，将五个阶段分配到五个不同的gpu中，gpu1对应阶段1，gpu2对应阶段2，gpu3对应阶段3，gpu4对应阶段4，gpu5对应阶段5；

31、步骤s37：同步通信，使用同步通信操作保证gpu之间的同步；

32、步骤s38：错误处理与恢复，在五个阶段都设置错误检测机制，设计错误恢复策略；

33、进一步的，步骤s4，具体包括以下步骤：

34、步骤s41：初始化，随机初始化一组个体作为种群，每个个体表示一个级联高分辨率卷积模型的参数组合，设置个体位置、种群大小和最大迭代次数；

35、步骤s42：适应度评估，定义适应度函数；

36、步骤s43：优化过程，引入螺旋函数和混合策略；

37、步骤s44：优化终止，当达到最大迭代次数时，终止优化过程；

38、步骤s45：输出最优解决方案；

39、进一步的，步骤s43，具体包括以下步骤：

40、步骤s431：驱赶阶段，利用螺旋函数更新个体位置，所用公式如下：

41、；

42、其中，为个体在下一时刻的位置，为个体当前位置，是螺旋函数的振幅，范围设定为[5, 10]，是螺旋函数的收缩速度，范围设定为 [0.5, 1.0]，为当前迭代次数；

43、步骤s432：阻挡阶段，使用螺旋函数进行局部范围的精细调整，对螺旋函数进行进一步设置，设置的范围为[2,5]，设置的范围为[0.2,0.5]；

44、步骤s433：追逐阶段，逼近最优参数组合，设置的范围为[1,2]，设置的范围为[0.1,0.2]；

45、步骤s444：攻击阶段，通过调整、的范围，设置的范围为[0.1,1]，设置的范围为[0.01,0.1]，得到当前最优参数组合。

46、采用上述方案本发明取得的有益效果如下：

47、（1）针对上述情况，本发明提供了一种融合人工智能的图案纹样自动化归档系统，对于一般的特征提取方法存在质量精度低、准确性低和效率低的问题，本方案通过构建级联高分辨率卷积模型捕捉到图案纹样数据中的多尺度特征，使得模型能够更全面地理解图像的局部和全局特征，并且通过实施波浪式流水线策略，将前向传播和反向传播过程划分为多个阶段，并分配到不同的gpu进行并行计算，大幅提高模型训练和推理的效率，缩短计算时间，提高效率；

48、（2）本发明对于级联高分辨率卷积模型的优化使用了seb-choa算法（spiralevolutionary behavior-chimpanzee optimization algorithm），引入了螺旋函数和混合策略，在每个阶段对于参数进行调整，不断更新个体位置，提高了算法的全局搜索能力，避免了过早收敛的问题，提高了算法在高维空间中的探索能力，增加了搜索空间的覆盖范围。

技术特征：

1.一种融合人工智能的图案纹样自动化归档系统，其特征在于：包括数据收集与预处理子系统、特征提取子系统、分类与标签子系统、数据库管理子系统和自动化归档子系统，具体包括以下内容：

2.根据权利要求1所述的一种融合人工智能的图案纹样自动化归档系统，其特征在于：步骤s2，具体包括以下内容：

3.根据权利要求2的一种融合人工智能的图案纹样自动化归档系统，其特征在于：步骤s3中，实施波浪式流水线策略，具体包括以下步骤：

4.根据权利要求3所述的一种融合人工智能的图案纹样自动化归档系统，其特征在于：步骤s4，具体包括以下步骤：

5.根据权利要求4所述的一种融合人工智能的图案纹样自动化归档系统，其特征在于：步骤s43，具体包括以下步骤：

技术总结
本发明涉及人工智能领域，具体是指一种融合人工智能的图案纹样自动化归档系统，包括数据收集与预处理子系统、特征提取子系统、分类与标签子系统、数据库管理子系统和自动化归档子系统，本方案通过构建级联高分辨率卷积模型捕捉到图案纹样数据中的多尺度特征，并且通过实施波浪式流水线策略，将前向传播和反向传播过程划分为多个阶段，并分配到不同的GPU进行并行计算，大幅提高模型训练和推理的效率；对于级联高分辨率卷积模型的优化使用了SEB‑ChOA算法，引入了螺旋函数和混合策略，提高了算法的全局搜索能力，避免了过早收敛的问题，提高了算法在高维空间中的探索能力。

技术研发人员：杨青青,飞苹果
受保护的技术使用者：上海戏剧学院
技术研发日：
技术公布日：2024/12/5