CN101706443A - 一种服装面料接缝平整度评定方法 - Google Patents
一种服装面料接缝平整度评定方法 Download PDFInfo
- Publication number
- CN101706443A CN101706443A CN200910048435A CN200910048435A CN101706443A CN 101706443 A CN101706443 A CN 101706443A CN 200910048435 A CN200910048435 A CN 200910048435A CN 200910048435 A CN200910048435 A CN 200910048435A CN 101706443 A CN101706443 A CN 101706443A
- Authority
- CN
- China
- Prior art keywords
- seam
- parameter
- standard deviation
- sample
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种服装面料接缝平整度评定方法,包括:将接缝平整度标准样照转换为灰度图像;对所述的灰度图像进行小波变换,并提取图像特征参数;以所述图像特征参数作为输入信息参数,以所述接缝平整度等级作为输出信息参数,经过多个训练样本的训练,构建获得概率神经网络;用所述概率神经网络对所述服装面料的缝纫样本进行检验,获得该缝纫样本的接缝平整度的评价结果。本发明基于概率神经网络的接缝外观质量客观评定,采用全程全自动无干预体系,解决了在服装面料接缝平整度检验方面容易受到评定人个人情绪和经验的影响,导致评判结果模糊,重现性较差的问题。
Description
技术领域
本发明属于服装质量检验技术领域,特别涉及一种服装面料接缝平整度检验方法。
背景技术
目前,对于服装面料接缝平整度的评判主要是采用主观评价方法,国际通用做法是按照美国AATCC-88B标准,在标准光源下,将实际缝纫样本与AATCC-88B的标准样照进行比对,以外观最接近的等级作为评判结果。这种纯粹的主观评判对评判环境要求比较苛刻,而且容易受到评定人个人情绪和经验的影响,评判结果模糊,重现性较差。
发明内容
本发明的目的公开一种服装面料接缝平整度评定方法,基于计算机自动处理,较少受到人为因素影响,解决目前本领域主观评价结果不确定的问题。
本发明的技术方案是,一种服装面料接缝平整度评定方法,包括以下步骤:
A1、将接缝平整度标准样照转换为灰度图像;
A2、对所述的灰度图像进行小波变换,并提取图像特征参数;
A3、以所述图像特征参数作为输入信息参数,以所述接缝平整度等级作为输出信息参数,经过多个训练样本的训练,构建获得概率神经网络;
A4、用所述概率神经网络对所述服装面料的缝纫样本进行检验,获得该缝纫样本的接缝平整度的评价结果。
所述步骤A1所述的接缝平整度标准样照采用国际通用的AATCC-88B标准。
所述步骤A2所述小波变换是haar小波变换,所述图像特征参数包括图像灰度标准差、图像熵、小波熵以及haar小波变换在第5和第4分析尺度上的6个特征参数,该6个特征参数分别为:第5层分解的水平细节系数标准差、垂直细节系数标准差、斜向细节系数标准差、和第4层分解的水平细节系数标准差、垂直细节系数标准差、斜向细节系数标准差,在获取最优的分析小波和分解尺度是,定义由下式表示的评估因子:其中
EKmin--相邻缝纫平整度级别间的细节系数标准差跨度最小值;
EKmax--相邻缝纫平整度级别间的细节系数标准差跨度最大值;
ZK--5个缝纫平整度级别间的细节系数标准差总跨度。
所述步骤A2中的提取图像特征参数包括对该特征参数的线性归一化处理,由以下算式确定:
式中:hi——经过归一化计算后的特征参数值
xi——原始特征参数值
xmax——特征参数的最大值
xmin——特征参数的最小值。
所述步骤A3是由以下步骤实现:
B1、将与接缝平整度等级最相关的5个特征参数作为接缝平整度评定的概率神经网络输入信息参数,以接缝平整度等级作为建立网络模型时输出层信息的主要参数,建立输入层节点数-模式层节点数-求和层节点数-输出层节点数的概率神经网络拓扑结构,输入层节点数为5,模式层节点数为20,求和层节点数为5,输出层节点数为5;
B2、将152个样本的数据作为训练和测试数据,分别在152个样本中随机抽取20、40、70和110个样本数据作为训练样本数据,其余的132、112、82和42各数据作为网络的测试数据,以所述接缝平整度等级5、4、3、2、1级作为期望输出矢量,训练网络从而得到接缝平整度评定的概率神经网络模型。
本发明的有益效果是,由于基于概率神经网络的接缝外观质量客观评定,系统采用全程全自动无干预体系,解决了在服装面料接缝平整度检验技术方面的难点。
附图说明
图1是本发明采用的AATCC-88B标准接缝平整度评级标准样照,图1-a是单线缝缝纫标准样照,图1-b是双线缝缝纫标准样照
图2是本发明AATC-88B标准接缝平整度标准样照的转换后图像图片图3是本发明中一实施例中haar小波分析时不同分解尺度获得的小波标准差与平整度等级间的关系曲线图
图4由图4-A、图4-B、图4-C和图4-D组成,是本发明一实施例中训练样本为70和110的网络输出与预期输出的样本对照图,以及网络输出与期望输出间的线性相关分析图
图5由图5-A、图5-B、图5-C和图5-D组成,是本发明一实施例中训练样本为70和110的网络输出与预期输出的样本对照图,以及网络输出与期望输出间的线性相关分析图,
图6是本发明一实施例图像的小波分解示意图
图7是本发明一实施例概率神经网络分类系统结构图
具体实施方式
以下结合附图对本发明的具体实施方式做进一步说明。
本发明开发的服装面料接缝平整度客观评价系统,主要是基于图像处理中小波变换时频分析技术并结合概率神经网络方法实现的。
获取图像的方法主要考虑到研究成果的简单易用性,以及与标准样照的一致,采用数码照相的方式录入图像,研究发现这是一种简单而可行的方法。
首先,以国际通用的AATCC-88B标准的标准样照为研究对象,如图1所示,将其录入计算机生成相应的灰度图像,如图2所示。由于缝迹外观平整度的不同造成录入图像的灰度分布不同。
对于特征参数的提取方法:引入可以表征图像表面特征的参数,如利用图像表面灰度分布的不匀的特征得到的图像标准差,反映了图像中平均信息量的图像熵。其中,对于
1、图像灰度标准差的计算方法,见有关教科书。
2、图像熵的计算方法:
令pi表示图像中灰度值为i的像素所占的比例,即图像一维直方图的灰度级分布信息,则定义灰度图像的一维灰度熵为:
3、小波标准差的获取(含六个参数)
这两个特征参数都是对图像表面灰度分布和能量分布的总体统计来描述分析的,只是接缝表面的不平整(异常信号)的灰度变化是很小而且持续时间很短的,那么在信号的统计分布中所占的比例就小,从而容易被忽略。而小波变换小波变换具有良好的时频局部化能力,可以放大某一局部的特性,因此在小波变换的基础上再去计算细节系数的标准差就可以更加精确的分辨不同平整度等级的灰度分布差异。
对二维图像的处理一般采用二维离散小波变换,二维小波变换从原始信号s开始在每一个层次分解上一层次的近似系数。在对每个近似系数进行分解的时候,需要在两个维度分别作用两次滤波器。这样就得到了4组系数。[cAj,cDj H,cDj V,cDj D],其中cAj是第j层的近似系数,是在两个维度作用低通滤波器得到的,cDj H,cDj V,cDj D分别叫做水平细节系数、垂直细节系数和对角细节系数,cDj H是在横向作用低通、纵向作用高通滤波器,cDj V是在横向作用高通、纵向作用低通滤波器,cDj D是在两个维度都作用高通滤波器得到的细节系数。分解结果如图6所示,L指低频成分,H指高频成分,下标1、2表示一级或二级分解。
二维离散小波变换分析方法应用一个比较小波作为分析基。有大量的小波可供选择,这些小波具有不同的数序特性,适用于不同的应用领域。对某一特定的分析应用领域来说,没有确定的选择最佳基波的规则,但有如下的经验可谈,可以选择在波形上与所分析的信号相似的小波。
本发明中计算了不同小波基和不同分解尺度下,小波标准差的变化规律,发现在一定的分析小波和一定的小波分析尺度下,小波分析的细节系数标准差随着缝迹平整度的恶化呈现出明显单调递增趋势,而且两个极限等级之间的跨度大,相邻平整度级别之间的跨度比较均匀,如图3所示。为了获取最优的分析小波和分解尺度,研究中定义了评估因子,由下式表示:
EKmin--相邻缝纫平整度级别间的细节系数标准差跨度最小值;
EKmax--相邻缝纫平整度级别间的细节系数标准差跨度最大值;
ZK--5个缝纫平整度级别间的细节系数标准差总跨度。
鉴别因子越大,说明小波分析的细节系数标准差具有这样的特性:相邻平整度等级间的小波标准差跨度越大,两个极限级别间的总跨度也大,因此,对于缝迹平整度的评判具有实际意义.由此选定了haar小波为最优分析小波,5层分解为最佳分解尺度,而4层分解次之.由此得到haar小波变换在第5和第4分析尺度上的6个特征参数,分别为第5层分解的水平细节系数标准差,垂直细节系数标准差,斜向细节系数标准差,和第4层分解的水平细节系数标准差,垂直细节系数标准差,斜向细节系数标准差.
4、小波熵的计算
本发明中提取的最后一个特征参数是小波熵。在小波变换的基础上,计算熵值能够发现信号中微小而短促的异常,从而得到多尺度下的小波熵。其计算方法为:
(1)先计算小波能量
根据小波变换的标架理论,当小波基函数是一组正交基函数时,变换具有能量守恒的性质,即:
从而可以定义单一尺度下的小波能量为该尺度下小波系数的平方和:
由此推论,总能量可以定义为:
这样相对小波能量可以为:
pj=Ej/Etot
上式在不同的尺度下定义了能量的分布。显然,pj之和为1,并且pj的分布认为是时间尺度上的密集程度。这就给出了一种检测和刻画时间、频率域上特殊现象的合适工具。
(2)再计算小波熵
根据香农(Shannon,1948)关于信息熵的理论,小波熵可以定义为:
P本是信息论中信号的概率,这里用相对能量来表示某一段信号的能量强度比例。
之后,本发明运用概率神经网络建立了缝迹外观平整度的预测模型,实现了缝迹外观质量的客观定量评价。概率神经网络是非线性的模式分类技术,其实质是基于贝叶斯最小风险准则发展而来的一种并行算法,它不象传统的多层前向网络那样需要用BP算法进行误差反向传播计算,而是完全前向的计算过程,因此与BP算法网络性能相比,它具有结构简单,训练时间短,且不易收敛到局部最优的优点,并且在学习样本有限的场合具有很高的稳定性。
为了简化模型并提高模型的预测精度,在设计预测模型时,对以上提取得到的9个特征参数进行了优选,即将9个特征参数的测试值分别与5个接缝平整度等级之间作相关分析,找到相关系数在0.9以上的5个特征参数作为优选参数。
本发明基于概率神经网络的接缝外观质量客观评定系统采用全程全自动无干预体系,接缝图像经过拍照录入计算机,然后对图像进行必要的预处理,在获得灰度图像的基础上,对接缝照片进行小波变换,之后按照上述方法,提取图像的特征参数,将与缝纫平整度等级具有明显相关性的特征参数指标作为概率神经网络的输入,再由分类器判别分类结果,该分类系统结构如下图7所示.
由于特征参数提取后得到的数据的量纲和量级不一致,在进入网络之前,无论是学习样本或预测数据,都需要进行归一化处理,将它们刻度在统一的数值量纲和量级范围内(如在0-1之间)。本文所获得的特征参数均为具有近似线性特征的输入信息,所以采用线性归一化公式进行处理。公式:
式中:hi——经过归一化计算后的特征参数值
xi——原始特征参数值
xmax——特征参数的最大值
xmin——特征参数的最小值
对于接缝等级评判的PNN网络的实现如下:
第一步,构建PNN网络模型。将获得的与接缝平整度等级密切相关的5个特征参数作为接缝外观质量评判的PNN网络的输入信息参数;以接缝等级(1-5级,1级接缝平整度最差,5级接缝平整度最好)作为建立网络模型时输出层信息的主要参数。建立5(输入层节点数)-20(模式层节点数)-5(求和层节点数)-5(输出层节点数)的概率神经网络拓扑结构。
第二步,训练网络。分别将实际得到的两个系列的152个样本的数据作为训练和测试数据。为了验证网络训练样本的有效性,研究中,分别在152个样本中随机抽取20、40、70和110个样本数据作为训练样本数据,其余的132、112、82和42各数据作为网络的测试数据。以接缝等级5,4,3,2,1级作为期望输出矢量。训练网络从而得到接缝平整度评判的PNN网络模型。
第三步,网络性能测试。网络训练完成后,进行网络性能检验,将各层神经元间的连接权值代回网络中,对训练样本进行回归模拟,在以上设定的4种情况下,训练样本的期望输出与PNN网络的仿真输出均完全重合。这说明网络已训练成功,可用来预测未知样本的接缝平整度等级。
第四步,检验网络的预测能力。即通过对网络泛化后,再用以预测,进行未知样本接缝外观质量等级网络识别。分别对以上4种训练样本和测试样本设定情况进行识别和检验。双线缝接缝等级评定的PNN网络预测结果如表1所示,单线缝接缝等级评定的PNN网络预测结果如表2所示。
表1测试样本PNN网络接缝平整度等级判别与实际等级比较表(双线缝)
训练样本数 | 测试样本数 | 错分样本数(5参数) | 准确率(5参数) | 线性相关系数 | 错分样本数(9参数) | 准确率(9参数) | 线性相关系数 | |
20 | 132 | 26 | 81.06 | 0.9316 | 29 | 78.79 | 0.9224 |
训练样本数 | 测试样本数 | 错分样本数(5参数) | 准确率(5参数) | 线性相关系数 | 错分样本数(9参数) | 准确率(9参数) | 线性相关系数 | |
40 | 112 | 8 | 92.86 | 0.9825 | 16 | 83.93 | 0.9626 | |
70 | 82 | 1 | 98.78 | 0.9969 | 8 | 90.24 | 0.9794 | |
110 | 42 | 1 | 97.62 | 0.9909 | 3 | 92.86 | 0.9831 |
为了检验特征参数对网络的影响,研究中也作了全部特征参数和5个优选参数作为网络输入的预测结果的对照,从表1中可以看出,在训练样本为20时,网络输出的错分数量较多,网络的准确率低,而且参数优选的结果并不明显。当训练样本上升到40时,参数优选的结果就显示出来,网络输出的错分数量明显减少,网络评定的准确率有所提高,采用优选参数的PNN网络的准确率达到了92.86%。采用优选参数的PNN网络,在训练样本为70和110时,错分数量均为1,相对准确率高。而使用全部参数的PNN网络,在训练样本为70和110时,错分数量相对较多,准确率较低,由此可见,采用与接缝平整度等级相关性较高的5个参数作为网络的输入参数,既可以简化算法,也可以有效的提高网络的输出精度。在采用优选参数的PNN网络进行预测时,在样本数量允许的情况下,提高训练样本的数量,可以提高网络预测的精度。
在SPSS软件中对网络输出和期望输出做相关性分析,同时检验相关系数的显著性。图4中分别给出了训练样本为70和110的网络输出与预期输出的样本对照图,以及网络输出与期望输出间的线性相关分析图,从网络输出和预期输出的线性相关分析中可以看出,训练样本为70和110时,网络输出和预期输出之间均具有良好的线性相关性,相关系数分别达到0.9969和0.9909,并且都通过了α=0.01的显著性检验。由此说明,建立的PNN网络具有良好的预测能力。
表2测试样本PNN网络接缝平整度等级判别与实际等级比较表(单线缝)
训练样本数 | 测试样本数 | 错分样本数(5参数) | 准确率(5参数) | 线性相关系数 | 错分样本数(9参数) | 准确率(9参数) | 线性相关系数 | |
20 | 132 | 34 | 74.24 | 0.9507 | 44 | 66.67 | 0.9271 | |
40 | 112 | 4 | 96.43 | 0.9904 | 19 | 83.04 | 0.9635 | |
70 | 82 | 3 | 96.34 | 0.9902 | 3 | 96.34 | 0.9902 | |
110 | 42 | 1 | 97.62 | 0.9929 | 1 | 97.62 | 0.9929 |
分析表2中的结果,也可以得到与双线缝接缝平整度PNN模型分析时的类似结论,在训练样本量较少时,无论采用优选参数还是全部特征参数,网络的预测精度均较低,当训练样本达到40以上时,网络的预测精度就有明显的提高,相对准确率在96%以上,可以满足分析的需要.
在SPSS软件中对单线缝接缝平整度PNN模型的网络输出和期望输出做相关性分析,同时检验相关系数的显著性。图5中分别给出了训练样本为70和110的网络输出与预期输出的样本对照图,以及网络输出与期望输出间的线性相关分析图,从网络输出和预期输出的线性相关分析中可以看出,训练样本为70和110时,网络输出和预期输出之间均具有良好的线性相关性,相关系数分别达到0.9902和0.9929,并且都通过了α=0.01的显著性检验。由此说明,建立的PNN网络具有良好的预测能力。
研究中对比了5个优选特征参数作为网络输入和全部9个特征参数作为网络输入的预测效果,结果发现,在训练样本较少的情况下,5个输入参数的网络其预测精度明显高于9个输入参数的神经网络,但在训练样本达到较大的量时,二者的差别变得不太明显,而且预测值与期望值之间的相关性都在99%以上,说明网络模型有效,且精度高,可以运用预测未知缝纫样本的外观平整度等级。文中选择了典型面料的缝纫样本对网络进行了检验,通过与主观评价结果的对比,发现网络预测值可以达到预设的目标。
最后利用实际面料的缝纫样本对建立的接缝平整度预测模型进行检验,将网络预测结果与传统的专家主观评判结果相对比,网络预测的准确度达到了95%以上,说明发明提供的评定方法有效而且精度较高,可以用于实际样本缝纫样本的评判。
Claims (5)
1.一种服装面料接缝平整度评定方法,其特征在于,包括以下步骤:
A1、将接缝平整度标准样照转换为灰度图像;
A2、对所述的灰度图像进行小波变换,并提取图像特征参数;
A3、以所述图像特征参数作为输入信息参数,以所述接缝平整度等级作为输出信息参数,经过多个训练样本的训练,构建获得概率神经网络;
A4、用所述概率神经网络对所述服装面料的缝纫样本进行检验,获得该缝纫样本的接缝平整度的评价结果。
2.如权利要求1所述的服装面料接缝平整度评定方法,其特征在于,所述步骤A1所述的接缝平整度标准样照采用国际通用的AATCC-88B标准。
3.如权利要求1所述的服装面料接缝平整度评定方法,其特征在于,所述步骤A2所述小波变换是haar小波变换,所述图像特征参数包括图像灰度标准差、图像熵、小波熵以及haar小波变换在第5和第4分析尺度上的6个特征参数,该6个特征参数分别为:第5层分解的水平细节系数标准差、垂直细节系数标准差、斜向细节系数标准差、和第4层分解的水平细节系数标准差、垂直细节系数标准差、斜向细节系数标准差,在获取最优的分析小波和分解尺度时,定义由下式表示的评估因子:其中
EKmin--相邻缝纫平整度级别间的细节系数标准差跨度最小值;
EKmax--相邻缝纫平整度级别间的细节系数标准差跨度最大值;
ZK--5个缝纫平整度级别间的细节系数标准差总跨度。
4.如权利要求1所述的服装面料接缝平整度评定方法,其特征在于,所述步骤A2中的提取图像特征参数包括对该特征参数的线性归一化处理,由以下算式确定:
式中:hi——经过归一化计算后的特征参数值
xi——原始特征参数值
xmax——特征参数的最大值
xmin——特征参数的最小值。
5.如权利要求1所述的服装面料接缝平整度评定方法,其特征在于,所述步骤A3是由以下步骤实现:
B1、将与接缝平整度等级最相关的5个特征参数作为接缝平整度评定的概率神经网络输入信息参数,以接缝平整度等级作为建立网络模型时输出层信息的主要参数,建立输入层节点数-模式层节点数-求和层节点数-输出层节点数的概率神经网络拓扑结构,输入层节点数为5,模式层节点数为20,求和层节点数为5,输出层节点数为5;
B2、将152个样本的数据作为训练和测试数据,分别在152个样本中随机抽取20、40、70和110个样本数据作为训练样本数据,其余的132、112、82和42各数据作为网络的测试数据,以所述接缝平整度等级5、4、3、2、1级作为期望输出矢量,训练网络从而得到接缝平整度评定的概率神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910048435A CN101706443A (zh) | 2009-03-27 | 2009-03-27 | 一种服装面料接缝平整度评定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910048435A CN101706443A (zh) | 2009-03-27 | 2009-03-27 | 一种服装面料接缝平整度评定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101706443A true CN101706443A (zh) | 2010-05-12 |
Family
ID=42376682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910048435A Pending CN101706443A (zh) | 2009-03-27 | 2009-03-27 | 一种服装面料接缝平整度评定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101706443A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984440A (zh) * | 2010-10-26 | 2011-03-09 | 大连工业大学 | 一种全息化服装设计方法 |
CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
CN105831886A (zh) * | 2016-05-25 | 2016-08-10 | 邢台职业技术学院 | 一种鞋帮缝纫训练模板与方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN108038516A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 基于低维图像编码与集成学习的白胚布平整度分级方法 |
CN108519066A (zh) * | 2018-06-14 | 2018-09-11 | 江南大学 | 一种基于四侧光源图像的织物平整度的客观评定方法 |
CN110348499A (zh) * | 2019-06-28 | 2019-10-18 | 西安理工大学 | 一种缝纫线迹缺陷检测方法 |
CN110906887A (zh) * | 2019-11-08 | 2020-03-24 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN117073543A (zh) * | 2023-10-17 | 2023-11-17 | 深圳华海达科技有限公司 | 双旋转平面度量测机的外观测量方法、装置及设备 |
-
2009
- 2009-03-27 CN CN200910048435A patent/CN101706443A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984440A (zh) * | 2010-10-26 | 2011-03-09 | 大连工业大学 | 一种全息化服装设计方法 |
CN102830072A (zh) * | 2012-08-13 | 2012-12-19 | 中国计量学院 | 一种基于近红外光谱鉴别重金属污染水稻叶片的方法 |
CN105831886A (zh) * | 2016-05-25 | 2016-08-10 | 邢台职业技术学院 | 一种鞋帮缝纫训练模板与方法 |
CN106529544A (zh) * | 2016-10-31 | 2017-03-22 | 中山大学 | 一种基于无监督机器学习的织物平整度客评定方法及装置 |
CN108038516A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 基于低维图像编码与集成学习的白胚布平整度分级方法 |
CN108038516B (zh) * | 2017-12-27 | 2022-02-01 | 中山大学 | 基于低维图像编码与集成学习的白胚布平整度分级方法 |
CN108519066B (zh) * | 2018-06-14 | 2020-04-28 | 江南大学 | 一种基于四侧光源图像的织物平整度的客观评定方法 |
CN108519066A (zh) * | 2018-06-14 | 2018-09-11 | 江南大学 | 一种基于四侧光源图像的织物平整度的客观评定方法 |
CN110348499A (zh) * | 2019-06-28 | 2019-10-18 | 西安理工大学 | 一种缝纫线迹缺陷检测方法 |
CN110906887B (zh) * | 2019-11-08 | 2021-03-19 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN110906887A (zh) * | 2019-11-08 | 2020-03-24 | 浙江理工大学 | 一种服装缝纫平整度检测方法 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113096073B (zh) * | 2021-03-19 | 2022-10-18 | 浙江华睿科技股份有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN117073543A (zh) * | 2023-10-17 | 2023-11-17 | 深圳华海达科技有限公司 | 双旋转平面度量测机的外观测量方法、装置及设备 |
CN117073543B (zh) * | 2023-10-17 | 2023-12-15 | 深圳华海达科技有限公司 | 双旋转平面度量测机的外观测量方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101706443A (zh) | 一种服装面料接缝平整度评定方法 | |
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN112446591B (zh) | 一种用于学生综合能力评价的零样本评价方法 | |
Kingston et al. | Calibration and validation of neural networks to ensure physically plausible hydrological modeling | |
CN106203521B (zh) | 基于差异图自步学习的sar图像变化检测方法 | |
CN110045015A (zh) | 一种基于深度学习的混凝土结构内部缺陷检测方法 | |
CN108388925A (zh) | 基于新型条件对抗生成网络的抗模式崩溃鲁棒图像生成方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN105528638A (zh) | 灰色关联分析法确定卷积神经网络隐层特征图个数的方法 | |
CN103268607B (zh) | 一种弱监督条件下的共同对象检测方法 | |
CN103605711B (zh) | 支持向量机分类器的构造方法及装置、分类方法及装置 | |
He et al. | Deep learning for efficient stochastic analysis with spatial variability | |
CN105046241B (zh) | 基于rbm模型的目标级遥感图像变化检测方法 | |
CN103440493A (zh) | 基于相关向量机的高光谱影像模糊分类方法及装置 | |
Giovannangeli et al. | Toward automatic comparison of visualization techniques: Application to graph visualization | |
CN107392863A (zh) | 基于亲和矩阵融合谱聚类方法的sar图像变化检测方法 | |
CN114565594A (zh) | 基于软掩膜对比损失的图像异常检测方法 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
Ding et al. | Data-based multiple-model prediction of the production rate for hematite ore beneficiation process | |
Che et al. | Fuzzy multioutput transfer learning for regression | |
Pandhiani et al. | Time series forecasting by using hybrid models for monthly streamflow data | |
Han et al. | Improving sar automatic target recognition via trusted knowledge distillation from simulated data | |
CN117611830A (zh) | 一种基于少样本标注的任意类别目标定位与计数方法 | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
Packianather et al. | Modelling neural network performance through response surface methodology for classifying wood veneer defects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20100512 |