[发明专利]一种荧光颜料组合物及其制备方法

权利要求书

1.一种荧光颜料组合物的制备方法，其特征在于，包括：

获取由摄像头采集的粉碎后荧光颜料的检测图像；

将所述粉碎后荧光颜料的检测图像通过基于对抗生成网络的图像分辨率增强器以得到优化检测特征图；

将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图；

将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，所述第一空洞卷积核和所述第二空洞卷积核具有相同的尺寸但具有不同的空洞率；

计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；

将所述差分特征图通过空间注意力模块以得到分类特征图；

对所述分类特征图进行特征分布显著性凸显以得到优化分类特征图；以及

将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示粉碎后荧光颜料的粒度一致性是否符合预定要求。

2.根据权利要求1所述的荧光颜料组合物的制备方法，其特征在于，所述对抗生成网络包括生成器和鉴别器，所述生成器包括多个卷积层和多个反卷积层。

3.根据权利要求2所述的荧光颜料组合物的制备方法，其特征在于，所述将所述优化检测特征图通过具有第一空洞卷积核的第一卷积神经网络模型以得到第一尺度粒度特征图，包括：

使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行基于所述第一空洞卷积核的卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度粒度特征图，所述第一卷积神经网络模型的第一层的输入为所述优化检测特征图。

4.根据权利要求3所述的荧光颜料组合物的制备方法，其特征在于，所述将所述优化检测特征图通过具有第二空洞卷积核的第二卷积神经网络模型以得到第二尺度粒度特征图，包括：

使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：

对输入数据进行基于所述第二空洞卷积核的卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度粒度特征图，所述第二卷积神经网络模型的第一层的输入为所述优化检测特征图。

5.根据权利要求4所述的荧光颜料组合物的制备方法，其特征在于，所述计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图，包括：

以如下公式来计算所述第一尺度粒度特征图和所述第二尺度粒度特征图之间的差分特征图；

其中，所述公式为：其中，F₁表示所述第一尺度粒度特征图，F₂表示第二尺度粒度特征图，F_c表示所述差分特征图，表示按位置作差。

6.根据权利要求5所述的荧光颜料组合物的制备方法，其特征在于，所述将所述差分特征图通过空间注意力模块以得到分类特征图，包括：

使用所述空间注意力模块的卷积编码部分对所述差分特征图进行深度卷积编码以得到初始卷积特征图；

将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；

将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；以及

计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到所述分类特征图。