[发明专利]基于深度网络的多组分、多尺度织物三维模型的重构方法

说明书

本发明涉及一种基于深度网络的多组分、多尺度织物三维模型的重构方法，其包括如下步骤：1)，构建基于无监督学习的织物三维模型的生成对抗神经网络3D‑style‑GAN重构模型，该模型由一个生成器G与两个判别器D和Ds构成；2)，3D‑style‑GAN模型训练；将潜向量空间中的噪声向量输入生成器中，生成器对输入向量进行恢复，生成三维织物模型；3)，将已经学习到的具有特定概率密度分布的噪声向量输入到训练好的3D‑Style‑GAN模型中即可得到各自的重构模型，再进行重构3D模型与真实3D模型的统计特性对比，确定重构模型的效果。本发明能够快速地重构出所需要的多组分、多尺度的织物模型，从而构建起大数据集，为织物模型的数值研究提供便利。

【技术领域】

本发明涉及一种织物三维模型的建模方法，具体涉及一种基于深度网络的多组分、多尺度织物三维模型的重构方法，属于织物模型生成技术领域。

【背景技术】

伴随着人们生活水平的提高，传统的单组分织物已不能满足人们的生活需求，多组分织物成为纺织领域的发展方向。但是，每种组分织物的印染工艺不一样，染整工艺参数的制定与各组份的比例直接相关。现有加工技术条件下，都是经过小样加工、大货配方流程来实现工艺参数的制定，这样效率较低，所以迫切需要一种基于织物模型的方法预先确定工艺参数来提高其智能决策水平。

传统的织物建模方法主要依靠计算机辅助设计或参数化建模等直接、正向建模方法，如中国专利文献CN108446522A和CN109583048A所示，但是此类方法只能同时对单一尺度、固定组分的织物进行正向建模而无法构建优秀的已存在的织物模型，而重构真实织物的三维模型数据集无论是在织物干燥、定型等方面的仿真研究还是工艺参数的制定方面都具有重大意义，所以需要找到一种能够快速重构出大型织物模型数据集方法。

基于织物的多孔特性，目前引进多孔材料模型重构思路，进行织物模型重构。其中，最直接的模型重构方法是基于CT扫描，采用高端的纳米CT对材料直接扫描可建立三维模型，但此方法耗费太多，且每次都需要按照要求单独重构。所以进一步地，一些基于数值的重构方法逐渐发展起来了，如高斯法、模拟退火方法、多点统计法等，但这些方法仍然存在耗时长、经济开销大、重构出来的多孔介质模型连通性差，分辨率低等问题。近年来，基于深度学习算法的多孔模型重构技术成为热门的研究领域之一，为三维多孔介质重构开辟了新的道路,现今的研究主要是基于标准GAN和DCGAN等网络利用二维图片重构三维模型，如中国专利文献CN109801375B提出了一种基于深度卷积对抗神经网络的多孔质材料三维重构方法，其利用二维SEM电镜图像训练DCGAN网络后生成新的图像，然后利用插值方法获得层与层之间的拟合图像，最后通过图像堆叠重构三维模型，但从二维图片重构三维模型基本上只能提取平面上的信息，没有考虑到多孔结构3D模型的全局信息(如通道的曲率等)，不能完全反应真实多孔结构。

因此，为解决上述问题，确有必要提供一种创新的基于深度网络的多组分、多尺度织物三维模型的重构方法，以克服现有技术中的所述缺陷。

【发明内容】

本发明的目的在于提供一种基于深度网络的多组分、多尺度织物三维模型的重构方法，其同时利用3D模型和2D图片训练神经网络，综合考虑了多孔结构的全局信息和平面信息，能够快速重构出大量的织物三维模型，构建起大数据集，继而在此基础上进行数值模拟，预先确定染整工艺参数。

为实现上述目的，本发明采取的技术方案为：基于深度网络的多组分、多尺度织物三维模型的重构方法，其包括如下步骤：

1)，构建基于无监督学习的织物三维模型的生成对抗神经网络3D-style-GAN重构模型，该模型由一个生成器G与两个判别器D和Ds构成；

2)，3D-style-GAN模型训练；