CN107923845A - 用于污渍处理的方法和装置 - Google Patents
用于污渍处理的方法和装置 Download PDFInfo
- Publication number
- CN107923845A CN107923845A CN201680048983.3A CN201680048983A CN107923845A CN 107923845 A CN107923845 A CN 107923845A CN 201680048983 A CN201680048983 A CN 201680048983A CN 107923845 A CN107923845 A CN 107923845A
- Authority
- CN
- China
- Prior art keywords
- spot
- data
- fabric
- spectroscopic data
- nir
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 74
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 65
- 239000004744 fabric Substances 0.000 claims abstract description 50
- 238000001237 Raman spectrum Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000000491 multivariate analysis Methods 0.000 claims description 2
- 239000002689 soil Substances 0.000 description 14
- 239000007844 bleaching agent Substances 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 11
- 229920000742 Cotton Polymers 0.000 description 10
- 102000004190 Enzymes Human genes 0.000 description 7
- 108090000790 Enzymes Proteins 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 7
- 235000019197 fats Nutrition 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 244000269722 Thea sinensis Species 0.000 description 5
- 235000006468 Thea sinensis Nutrition 0.000 description 5
- 235000020279 black tea Nutrition 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000004040 coloring Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 239000008162 cooking oil Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 235000019198 oils Nutrition 0.000 description 3
- 235000020095 red wine Nutrition 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 235000021438 curry Nutrition 0.000 description 2
- 238000001212 derivatisation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000013882 gravy Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 102000004882 Lipase Human genes 0.000 description 1
- 108090001060 Lipase Proteins 0.000 description 1
- 239000004367 Lipase Substances 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010033546 Pallor Diseases 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- 102100037486 Reverse transcriptase/ribonuclease H Human genes 0.000 description 1
- 239000005708 Sodium hypochlorite Substances 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 235000019486 Sunflower oil Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002738 chelating agent Substances 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003599 detergent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- VTIIJXUACCWYHX-UHFFFAOYSA-L disodium;carboxylatooxy carbonate Chemical compound [Na+].[Na+].[O-]C(=O)OOC([O-])=O VTIIJXUACCWYHX-UHFFFAOYSA-L 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 235000019421 lipase Nutrition 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 235000015927 pasta Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000001047 purple dye Substances 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 description 1
- 229940045872 sodium percarbonate Drugs 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000002600 sunflower oil Substances 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/14—Arrangements for detecting or measuring specific parameters
- D06F34/18—Condition of the laundry, e.g. nature or weight
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/93—Detection standards; Calibrating baseline adjustment, drift correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/28—Arrangements for program selection, e.g. control panels therefor; Arrangements for indicating program parameters, e.g. the selected program or its progress
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/02—Mechanical
- G01N2201/022—Casings
- G01N2201/0221—Portable; cableless; compact; hand-held
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/36—Textiles
- G01N33/367—Fabric or woven textiles
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种用于识别织物(10)上的污渍的方法，所述方法包括以下步骤：进行近红外反射光谱法以在从最短波长至最长波长的波长范围内从所述污渍获得光谱数据，所述最短波长具有1595nm或更长的值；访问已知污渍的参考光谱数据(33)；和将所述污渍的所述光谱数据与所述已知污渍的参考光谱数据进行比较以识别所述污渍。
Description
技术领域
本发明涉及用于识别织物上的污渍的方法和系统，特别涉及包括近红外反射光谱法的方法。
背景技术
有许多洗衣产品可用于处理织物，并且这些产品中的活性剂可以根据待处理的具体织物产品以及待施用处理的方式而变化。然而，洗衣产品的普通家庭用户理解或认识每种活性剂将起到的作用以及如何最好地去除特定污渍是不常见的。
因此，家庭洗衣很少针对织物产品上的污渍的类型。这种“一刀切”方法可能意味着并不总能实现最好的清洁效果。
产品中可包含特定的处理剂，以对特定类型污渍的处理起到特定的作用。例如，酶对于清洁体液、基于食物的油脂和油、基于奶的污渍、基于鸡蛋的污渍、草起到很好的作用。在酶内，可以选择特定的酶以优化对特定污渍的清洁能力。例如：可以选择蛋白酶以去除基于蛋白质的污渍，如血液、蛋、奶和草；脂肪酶可以对油性或油脂污渍如黄油、油、肉汁、化妆品和唇膏更为有效；淀粉酶除去基于淀粉的污渍如肉汁、马铃薯、意大利面和米。漂白剂在洗衣产品中是常见的，但是基于氯的漂白剂(例如次氯酸钠)可以不期望地从衣物上去除颜色。基于氧的漂白剂(例如过碳酸钠或过氧化氢)提供了更安全的替代品。
产品中可以存在其他处理剂，例如螯合剂或助洗剂，其可以出于各种原因而被包含，例如以促进表面活性剂所起的作用。
分别地进行步骤，例如在使用更常规的洗涤剂之前进行预处理漂白步骤，可以是期望的。
另外，可以使用不同的技术实施所需的处理。一些清洁产品在使用前必须被稀释，其他清洁产品将在未掺水(neat)施用时效果最好。一些清洁产品需要时间以起作用，因此清洁循环可以有益地涉及浸湿或浸泡时间。
所需处理剂浓度可以不仅取决于污渍的类型和织物的类型，而且取决于污渍的严重度。
WO 2004/053220公开了用于确定织物参数的方法和设备，并且公开了在369至1672nm波长处的近IR(NIR)光谱法是特别有用的。
然而，需要用于由消费者以高成功率识别家中的污渍的易于使用的机制。
发明内容
因此，本发明旨在通过根据第一方面提供用于识别织物上的污渍的方法而解决上述问题，所述方法包括以下步骤：进行近红外反射光谱法以在从最短波长至最长波长的波长范围内从所述污渍获得光谱数据，所述最短波长具有1595nm或更长的值；访问已知污渍的参考光谱数据；和将所述污渍的所述光谱数据与所述已知污渍的参考光谱数据进行比较以识别所述污渍。
在其内获得数据的波长范围通过以下定义：对应于最短波长的下界；和对应于最长波长的上界。换言之，在包括最短波长和最长波长的整个波长范围(整个波长范围)内获得光谱数据。污渍的光谱数据与参考光谱数据的比较在整个范围内进行。
以这种方式，近红外(NIR)光谱法捕获污渍的光谱指纹，提供了非破坏性且易于使用的用于识别污渍的机制。因此，该方法适合由织物物品的所有者在家中进行，而不需要实验室设施。
通过使用在较长波长内延伸的波长范围(即，开始于1595或更长的最短波长)，NIR反射光谱法更少穿透，即更具表面特异性。这是由于路径长度(穿透深度)随波长增加而减小而发生。与在较低波长范围处取得的类似的NIR光谱相比，在较长波长内取得的NIR反射光谱将呈现出更好地确定的谱带，并且因此更具信息性。还注意到，在NIR光谱内，光散射随波长增加。总体而言，通过利用较长的NIR波长并与现有技术中使用的波长相比，获得了较高的污渍预测准确度。
现将阐述本发明的任选特征。这些可单独应用或与本发明的任何方面任意组合应用。
最短波长可以为1600nm。或者，最短波长可以为1800nm。或者，最短波长可以为2000nm。
根据一个优选实施方式，在其内获得数据的波长范围通过以下定义：对应于不短于1600nm的最短波长的下界；和对应于不长于2000nm的最长波长的上界；并且其中污渍的光谱数据与参考光谱数据的比较是在从1600nm至2000nm的整个范围内进行。
最长波长可以不长于2397nm。任选地，最长波长可以不长于2200nm。任选地，其可以不长于2000nm。
在一个实施方式中，在其内测量反射率的波长范围可以从1595nm的最短波长延伸至2397nm的最长波长。在另一个实施方式中，在其内测量反射率的波长范围可以从2000nm的最短波长延伸至2397nm的最长波长。在一个替代实施方式中，波长范围可以从1800nm的最短波长延伸至2200nm的最长波长。
在一个优选的实施方式中，在其内测量反射率的波长范围可以从不短于1600nm的最短波长延伸至不长于2000nm的最长波长。
可以根据污渍组成(例如微粒、脂肪)或其对某些处理(例如酶、漂白剂)的敏感性而对污渍进行分类。在整个本文件中，“污渍类型”将是指这些指示两者的组合(因此污渍类型包括微粒、脂肪、酶和漂白剂)。
通过将污渍的光谱数据与已知污渍进行比较，可以将光谱数据与相同污渍类型(例如脂肪、酶、漂白剂和微粒)的其它污渍相匹配。优选地，我们更进一步并将来自污渍的光谱数据与实际污渍身份例如血液、番茄、葵花油、唇膏、橘子、黄咖喱、红咖喱、红茶等相匹配。
除了提供存在的污渍的类型的指纹之外，从NIR光谱仪取得的光谱数据可以取决于被分析的织物的类型。可以存在污渍的阈值厚度，污渍在该阈值厚度处太厚而不能使NIR信号穿透到织物本身。在这种情况下，光谱数据将不取决于织物。该方法可以包括推断织物本身的参数，然后测量污渍本身的第一步骤。
该方法可进一步包括以下步骤：为处理污渍的用户提供用户界面以提供关于污渍的信息；和将在用户界面处提供的信息与关于已知污渍的信息进行比较。
由用户获得的信息可用于在将来自污渍的光谱数据与已知污渍进行比较之前过滤已知污渍，由此减少需要进行的比较次数。
用户界面可在移动设备上提供，其中移动设备可以包括：移动电话(手机)、平板电脑、平板手机、笔记本电脑和/或数码相机。
数学预处理被应用于数据，如一阶或二阶导数。已知的化学计量算法可以用于对光谱建模和提取数据。
NIR吸收带可以与存储在库中的已知光谱进行比较。
用户界面可在包括相机的移动设备上提供。
用户界面可以是存储在用户设备上或远程运行的应用程序。可将其配置为与用户设备上的相机对接，使得该方法可以包括使用移动设备拍摄污渍的数码照片的步骤。
可以处理由数码相机拍摄的照片以提取关于污渍的颜色信息以帮助识别。它也可被用于提取关于织物本身的颜色信息。如果处理可能包括漂白剂，这可以是特别有用的。以这种方式，可以选择对染色织物的染料无损害的处理。在一些情况下，织物的底层颜色可以影响污渍的颜色。设想从织物的未染污部分获取的颜色信息也可以用于校准由照相机检索的颜色信息，以解释底层织物颜色并因此确定污渍的相对颜色。
通过数码相机拍摄的照片也可用于确定织物的背景白度。通过将这种背景白度读数与白色织物的NIR光谱相结合，使得除了污渍去除之外，还能够选择最合适的处理选项以改善背景白度。
任选地，用户界面包括印刷界面(typographical interface)和/或供用户输入关于污渍和/或织物的信息的下拉菜单。
输入信息可以包括污渍的类型，例如，红酒、咖喱，并且也可以包括织物的类型，例如羊毛、棉和亚麻布。该信息提供了进一步的细节，其将可用于确定如何最好地处理污渍。
在一些实施方式中，光谱法数据可以被从NIR光谱仪发送到移动设备。移动设备可以结合对其他数据如颜色信息的分析进行光谱数据的分析，以优化污渍识别的准确性。
根据本发明的第二方面，提供了处理包含污渍的织物的方法，所述方法包括以下步骤：使用第一方面的方法识别织物上的污渍；和基于所识别的污渍选择用于处理织物的处理方案。
根据本发明的第三方面，提供了用于识别织物上的污渍的污渍确定系统，其包括：近红外反射(NIR)光谱仪，其在波长范围内操作，所述范围由对应于最短波长的下界；和对应于最长波长的上界定义，所述最短波长为1595nm或更长；和分析模块，其包含存储装置，所述分析模块被配置为从NIR光谱仪接收光谱数据；从存储装置检索已知污渍的参考光谱数据；并在整个波长范围内将来自NIR光谱仪的光谱数据与已知污渍的光谱数据进行比较，由此针对特定污渍的NIR光谱数据和参考光谱数据之间的匹配识别织物上的污渍。
在一个优选实施方式中，在其内获得数据的波长范围由以下定义：对应于不短于1600nm的最短波长的下界；和对应于不长于2000nm的最长波长的上界。其中污渍的光谱数据与参考光谱数据的比较是在从1600nm至2000nm的整个范围内进行。
以这种方式，提供了非破坏性的、易于操作的系统，用于分析污渍并用于输出可处理的数据以确定如何最好地处理污渍。该系统可以提供进一步的优点，例如低成本。
NIR光谱仪优选为手持式。对于手持式，应当理解的是，NIR光谱仪形成被容纳在手持外壳中的便携式设备，外壳包括电源和NIR源，使得为获取光谱和为识别污渍不需要与其他设备(例如实验室工作台设备)的外部连接。
任选地，污渍确定系统还包括处理模块，所述处理模块被配置为基于所识别的污渍选择处理参数。
任选地，处理模块生成输出信号，信号中的信息指示所识别的污渍。输出信号可由处理模块接收，并且基于该信号中的信息，可由处理模块选择适当的处理参数，该处理参数取决于所识别的污渍。
任选地，分析模块包括被配置为从用户接收关于污渍的信息的用户界面。
用户界面可以采取位于移动设备上的应用程序的形式。它可以是应用程序或网站。
下面阐述了本发明的进一步任选特征。
附图说明
现将参照附图以举例的方式描述本发明的实施方式，在附图中：
图1显示了根据本发明处理包含污渍的织物的方法的实例；
图2显示了根据本发明的污渍确定系统的示意图；
图3a显示了红咖喱污渍的采集的光谱数据的实例；图3b显示了图3a的光谱数据的导数图；
图4a显示了黄咖喱污渍的采集的光谱数据的实例；图4b显示了图4a的光谱数据的导数图；
图5a显示了红茶污渍的采集的光谱数据的实例；图5b显示了图5a的光谱数据的导数图；
图6a显示了红茶污渍的采集的光谱数据的实例；图6b显示了图6a的光谱数据的导数图；
图7a显示了在相同轴上的图3a和4a的光谱数据；图7b显示了在相同轴上的图3b和4b的导数图；
图8a显示了在相同轴上的图5a和6a的光谱数据；图8b显示了在相同轴上的图5b和6b的导数图；和
图9a显示了在相同轴上的从胭脂树油污渍和烹饪油污渍采集的光谱数据；图9b显示了图9a的光谱数据的导数图。
具体实施方式
下面参照图1和图2描述用于识别染污织物10上的污渍的方法1和系统。
污渍是由个体识别s1，所述个体将通常是商业织物清洁和处理产品的典型消费者。
使用近红外(NIR)光谱仪形式的污渍检测器50，该方法的初始步骤s2包括从污渍获得NIR光谱数据。NIR光谱仪被配置为以从最短波长开始直至最长波长的NIR波长范围内的辐射照射污渍。将最短波长被选择为具有1595nm或更长的值，以优化所得的光谱数据。通过光谱仪接收来自污渍的反射信号，并且可将其作图以给出反射强度相对于波长的图。这样的光谱的实例在图3-7中示出。
通常在将参考光谱与用户的测量光谱数据进行比较的步骤s4之前，对由用户经由NIR光谱仪获得的每组测量光谱数据进行预处理。
用户的测量光谱数据的这种预处理可包括使用来自Thermo Scientific的专有软件(“方法生成器(Method Generator)”)进行的以下预处理步骤：
●使用采用3个平滑点且度数＝2(即二阶多项式拟合)的Savitzky-Golay(S.Golay)法处理每个光谱以给出其一阶导数；
●然后对导数光谱进行如下标准化：对于每个导数光谱，找到最大(max)和最小(min)强度，然后将光谱中的每个点缩放1/(max-min)；
由用户访问已知污渍的参考光谱数据s3，并将其与通过NIR光谱仪获得的光谱数据进行比较s4。在一些实施方式中，将污渍的光谱数据与已知污渍的参考光谱数据进行比较的步骤包括对待处理的污渍的光谱数据进行多元数据分析技术。
参考光谱数据可以采取从感兴趣的织物上的每种污渍类型的重复污渍(例如五个重复污渍)获得的参考光谱的形式。参考光谱可以已经被用类似的NIR仪器获得。
通常在比较参考光谱与用户的测量光谱数据的步骤s4之前对每个参考光谱进行预处理。
参考光谱数据的这种预处理可包括使用来自Thermo Scientific的专有软件(“方法生成器(Method Generator)”)进行的以下预处理步骤：
●使用采用3个平滑点且度数＝2(即二阶多项式拟合)的Savitzky-Golay法处理每个光谱以给出其一阶导数；
●然后对导数光谱进行如下标准化：对于每个导数光谱，找到最大(max)和最小(min)强度，然后将光谱中的每个点缩放1/(max-min)；
●然后使用该导数化的、平滑化的和标准化的参考光谱库与待识别的污渍的光谱进行比较s4。
光谱匹配s5将用户的测量光谱数据的每个光谱的形状与库中的每个光谱(用户的光谱数据已经进行与库光谱相同的预处理)进行比较。然后光谱匹配步骤使用专有算法(Thermo Fisher)赋值从-1(完全反匹配)到+1(完全匹配)范围的“匹配程度”值。然后使用与未知样本具有最高匹配值的库条目基于使用k最近邻(KNN)的投票方案识别未知物。
例如，如果将未知污渍样品与污渍光谱库进行比较，并且近邻数量被设置为3，且三个最佳匹配是红咖喱、红咖喱和黄咖喱，则将未知物识别为红咖喱(三取二)。
类似地，光谱匹配可以仅仅应用于库本身(库中的每个光谱与库中的每个其他光谱进行比较)以测试库的一致性/区别性如何。
一旦获得了高质量的库，就生成可以进行所需分析的应用程序。将这个应用程序加载回NIR仪器上。然后可以在仪器上采集和分析污渍的光谱，而不依赖于PC。
该仪器将样品光谱与提名的识别的污渍的库谱进行比较。如果相关阈值大于指定值(默认值为0.95)，则仪器登记该识别。如果未达到此阈值，则将样品登记为未识别。然而，可以获得最佳符合信息-即给出最接近匹配的污渍的身份。
或者，一旦光谱已被传送到PC并保存为文本文件，则可以使用合适的软件包如MATLAB进行如上所述的分析。在这种情况下，使用非线性模型(例如，MATLAB fitcdiscr函数)对预处理的(导数化的、平滑化的和标准化的)光谱进行判别分析。
然后可以使用库/模型以使用MATLAB预测函数预测污渍类型。
包括NIR光谱仪的污渍检测器是手持式且自足式的，因此是完全地便携的。以这种方式，虽然它可以(如上所述)与PC分析工具如MATLAB联合使用，但它也能够以独立模式工作。在独立模式下，不需要污渍检测器以任何方式通过光纤或其他方式连接到外部组件。
在一些实施方式中，污渍检测器50的NIR光谱仪可以包括不多于单个光电二极管检测器。来自入射源辐射的波长可以由穿过MEMS(微机电)芯片的衍射光栅在空间上分开。光的期望波长可以由MEMS像素掩模选择。未被衍射的光在光栅处重新组合，并由单元件光电二极管检测器测量。然而，显然这只是藉此NIR光谱法在所需波长处可以进行的机制的一个实例。
除了NIR光谱仪之外，污渍检测器50通常还包括被配置为从NIR光谱仪接收光谱数据的分析模块(未示出)。光谱数据的预处理、光谱数据的比较和通过光谱匹配进行的识别中的一个或多个可以由该分析模块进行。
除了如图2中所示的污渍检测器50之外，用于识别织物上的污渍的系统还可以包括另外的部件。例如，被配置为拍摄数码照片的移动设备20如移动电话(手机)、平板电脑、平板手机、笔记本电脑和/或数码相机。
移动设备20和污渍检测器50可以彼此直接通信，或者可以通过网络40彼此通信以及还与外部来源(例如外部电脑30上的产品数据库33或光谱数据库(未示出))通信。
实施例
实施例1–全强度污渍
对应用于棉织物的污渍1-24的每一种获得NIR光谱数据。污渍分别被给予字母代码a至x。
NIR光谱是在从1595nm的最短波长至2397nm的最长波长的波长范围内采集。
表1–全强度污渍的结果
然后使用在上文详细说明中更详细描述的方法，将所得光谱数据(即所获取的签名)与已知值进行比较。
在采集期间，光谱看起来是一致的，除了e、k和x之外(对于其发现可能存在一些异常值)。这种比较是通过在数据收集时在仪器上，或者经由光谱匹配在PC上进行的基线调整的光谱的目视检查，再次地如上文更详细描述的。
图3至6显示了污渍内(即，在给定的污渍身份如红咖喱污渍内)的一致性水平。图3a、4a、5a和6a显示了用“基线偏置(baseline off set)”处理的原始光谱。图3b、4b、5b和6b显示了相应光谱数据的导数。
更详细地，图3a显示了红咖喱污渍的采集的光谱数据的实例，图3b显示了图3a的光谱数据的导数图。图4a显示了黄咖喱污渍的采集的光谱数据的实例；图4b显示了图4a的光谱数据的导数图。
图5a显示了红茶污渍的采集的光谱数据的实例；图5b显示了图5a的光谱数据的导数图。图6a显示了红酒污渍的采集的光谱数据的实例；图6b显示了图6a的光谱数据的导数图。
下表2以及图7至9中显示了识别的污渍和实际污渍之间的错配。图7描绘了污渍“o”和“p”(黄咖喱:红咖喱)的光谱数据，图8描绘了污渍“s”和“t”(红茶:红酒)的光谱数据，且图9描绘了污渍“v”和“w”(胭脂树油:烹调油紫染料)的光谱数据。
需要注意的是，在所有三种情况下，错配是在相同污渍类型(例如脂肪)内的污渍之间(包括污渍类型灵敏度，例如漂白剂灵敏的)，因此污渍类型本身(例如脂肪或漂白剂)被正确地确定。
表2–污渍识别但非污渍类型灵敏度的错配
图7a显示了在相同轴上的图3a和4a的光谱数据的实例；图7b显示了在相同轴上的图3b和4b的导数图。图8a显示了在相同轴上的图5a和6a的光谱数据；图8b显示了在相同轴上的图5b和6b的导数图；并且图9a显示了在相同轴上的从胭脂树油污渍和烹饪油污渍采集的光谱数据；图9b显示了图9a的光谱数据的导数图。从显示的光谱数据，清楚的是尽管光谱在污渍身份方面错配(即，由实际的污渍如红咖喱或黄咖喱错配)，但它们实际上由污渍类型(例如脂肪或漂白剂)匹配。
表2显示，库对于新鲜污渍而言在实际污渍方面是超过90％自身一致的(即90.7％的污渍在类型方面是一致的)，且在污渍类型方面是100％自身一致的。
实施例2–经洗涤污渍
经洗涤污渍
本实施例涉及棉测试织物上的污渍(上文关于实施例1提及的相同污渍)。如上文关于实施例1所述，对污渍进行NIR测量，但是这次首先使用商业液体洗涤测试织物。因此本实施例试图使用针对新鲜污渍建立的模型识别经洗涤污渍。
再次地，然后使用污渍检测系统50进行本发明的方法以识别经洗涤污迹。
表3–经洗涤污渍的结果
如从上表3可以看出的，光谱匹配模型(其针对新鲜污渍建立)未能识别经洗涤污渍。
然后基于从经洗涤污渍获得的光谱建立新的模型。然后测试该模型的内部一致性。下表4中以粗体字显示污渍类型的错配：
表4–经洗涤污渍的污渍类型灵敏度的错配
从表4的结果可以看出，在120次测量中仅有十次(在污渍类型栏中在上文中以粗体显示)是错误的污渍类型。
将来自经洗涤污渍和新鲜污渍的数据组合，给出所得污渍库内的高水平一致性。库内的光谱匹配准确度(即，正确的污渍身份)为85％。整个组中在污渍类型方面的实际错配水平为约3.5％。
实施例3–通过污渍类型进行分析
在本实施例中，将组合模型(对应于新鲜污渍和经洗涤污渍库二者)组合，然后将应用程序用于织物样品上的仪器。
与上文实施例1和2一样，对施加于棉织物的污渍1-24的每一种获得NIR光谱数据。污渍分别被给予字母代码a至x。
NIR光谱是在从1595nm的最短波长至2397nm的最长波长的波长范围内采集。
在下表中，结果栏以污渍类型的首字母表示污渍类型：
酶＝E
脂肪＝F
微粒＝P
漂白剂＝B
注意，进行了两次测量(每个污渍类型的两个单独污渍)，所以下表包括每个样品的两个结果。
表5–经浓缩和经洗涤样品的结果的比较
表5显示了通过使用组合模型获得的结果，将其加载到仪器上，然后使用该应用程序识别织物样品上的新污渍。这与显示库内自身一致性测试结果的表2和4形成对比。
组合来自经洗涤污渍和新鲜污渍的数据(如实施例2结尾处所述)，给出光谱匹配准确度(即，正确的污渍身份)为85％的库。整个组中污渍类型方面的实际错配水平为约3.5％。
表5显示，当组合库(由新鲜污渍和经洗涤污渍的光谱组成)被编译成应用程序并在NIR仪器上以独立模式使用时，其在识别织物上的未洗涤污渍方面的成功率是92％，但在识别织物上的经洗涤污渍方面的准确度仅为66％。
实施例4–在全浓度下获得的污渍
在此，将来自实施例1的原始污渍库放到污渍检测器50上，并将其用于识别全强度下的织物上的实际污渍。
表6–全强度
在表5中示出的86个分配中，
5个是错误类型(粗体和斜体)
9个是错误分配，但是是正确类型(粗体)
4个是未识别的，但对于其中三个，最佳符合是正确污渍，并且对于所有四个，最佳符合是正确类型(最佳符合显示在括号内)。
在分析过程中，仪器将样品光谱与提名的识别的污渍的库谱进行比较。如果相关阈值大于指定值(例如0.95)，则仪器登记该识别。如果未达到此阈值，则将样品登记为未识别。然而，然后可获得最佳符合信息以推断给出最接近匹配的污渍的身份。
因此，该结果显示：
污渍类型的分配是100*(84-9)/84～90％准确
实际污渍的分配是100*(84-9-4)/84～85％
实施例5–在半强度和四分之一强度下获得的污渍
在可能的情况下，进行半强度和/或四分之一强度的NIR测量。这些汇总在下表7和8中。仅有一些污渍在所需水平下是可用的，所以表中仅显示在这些水平下可用的污渍。
表6–半强度
8/27＝正确的污渍身份(30％)
14/27＝正确污渍类型灵敏度(52％)
表7–四分之一强度
对于四分之一强度污渍，27个中仅有8个被分配了正确污渍类型。
从这些结果可以看出，基于全强度污渍的库不适用于较低水平污渍。因此，已经制作了基于从较低水平污渍采集的光谱数据的库。
在一个实例中，这样的库是由从50％水平的污渍(“半水平污渍”)获得的签名所创建的。在另一个实例中，库是由从25％水平的污渍(“四分之一水平污渍”)获得的签名所创建的。
以下段落描述了用于基于具有较低污渍水平的样品建立库的参数连同所得的成功率。测试这些库的内部一致性，并显示给出高度的污渍识别成功(至约80％)。
仅对于半水平污渍
●应用Golay(1,3,2)
●标准化范围
给出74％正确污渍，82％正确污渍类型
其余的错误没有模式。
对于四分之一水平污渍
●应用Golay(1,3,2)
●标准化范围
给出72％正确污渍，84％正确污渍类型
其余的错误没有模式。
然后将半库和四分之一库组合以形成组合库(“较低水平污渍”库)，所有数据处于水平两者。
对于“较低水平污渍”
●应用Golay(1,3,2)
●标准化范围
给出68％正确污渍，79％正确污渍类型
其余的错误没有模式。
最后，将较低水平污渍库与针织棉上的第一污渍组合以给出“棉上污渍全水平(Stains_on_Cotton_All_Levels)”。
对于“棉上污渍全水平”
●应用Golay(1,3,2)
●标准化范围
给出79％正确污渍，86％正确污渍类型
再次地，注意这种分析的潜在缺陷是，所得库包括其数据仅在高水平出现的一些污渍。
为了解决这个问题，仅使用在所有3个水平(四分之一、半和全)都存在可用污渍的光谱数据建立模型，获得“棉上污渍三个水平”。
对于“棉上污渍三个水平”
●应用Golay(1,3,2)
●标准化范围
给出75％正确污渍，85％正确污渍类型
随后将该模型用于构建应用程序，将其转移至NIR光谱仪，并在不同污渍水平下制备的织物测试布上进行测试，其结果汇总在下表8、9、10和11中。
表8
正确＝18/27(67％)
正确类型＝25/27(93％)
从这些结果显而易见的是，当对全强度的污渍进行时，该应用程序表现良好，在这种情况下，其产生高百分比的正确污渍身份，以及非常高百分比的正确污渍类型。
表9–半强度样品的结果
正确＝13/27(48％)
正确类型＝16/27(59％)
因此，该应用程序对半强度的污渍表现不太好。
表10–四分之一强度样品的结果
正确＝18/27(67％)
正确类型＝20/27(74％)
表11–三污渍水平模型在所有水平上的结果的比较
因此，新模型(基于三种污渍水平：四分之一(25％)、半(50％)、全(100％))对来自三种污渍水平的样品的污渍ID和类型给出良好的结果。令人惊奇的是，如上表11中所汇总的，该应用程序对四分之一强度的污渍比半强度的污渍表现更好。
接下来，对经洗涤样品使用根据新模型的库。
表12–应用于经洗涤污渍的三水平模型
正确＝5/27(19％)
正确类型＝7/27(26％)
这个模型很不成功，因此可以得出这样的结论：尽管可以在三种水平(四分之一、半和全)识别新鲜污渍，但是经洗涤污渍需要不同的方法。
实施例6–波长范围依赖性
对于之前的实施例，NIR光谱数据是对棉上的1-24种已知污渍(全强度)获得。所得库的内部一致性被测试为这些数据内的所选波长范围的函数。下表13显示了分析中使用的各种不同NIR波长范围的成功率。
表13–不同波长范围的成功率
| 范围/nm | 正确污渍％ | 正确污渍类型％ |
| 1595-2397 | 79 | 86 |
| 1595-1672 | 45.9 | 65 |
| 1600-2000 | 81.4 | 90 |
| 1800-1877 | 73 | 79 |
| 2000-2397 | 75 | 87 |
| 1800-2200 | 74.5 | 82.5 |
可以看出，跨越较长波长的波长范围给出了更大的成功率。尽管发现在1595或更长的最低波长值处开始是有利的，但发现1595nm至1672nm的子范围与在较长波长处的子范围相比明显更不有效。如从上表13可见，发现特别有利的波长范围是1600-2000nm。在这个整个波长范围内进行扫描并将所得光谱与参考光谱在整个范围内进行比较，导致在宽范围的测试污渍类型内显著更高的识别污渍类型百分比(90％)。这违背了现有技术的教导。例如CN102720034公开了应当使用从低至1400nm的波长至高至2526的波长范围的单独扫描以正确地识别“食物”、“血液”和“混合”污渍。因此，我们提出1600-2000nm的改进扫描范围在有利地更小的总扫描范围内提供了良好的结果。
该更小的扫描范围是特别有利的，因为NIR扫描仪本身不需要在大范围内运行(从而简化了辐射源的选择)。这不仅对所需NIR扫描仪的成本有意义，而且还意味着与需要多个单独扫描范围以识别多个不同污渍的现有技术设计相比，扫描过程本身将更快。
尽管已经结合上述示例性实施方式描述本发明，但是在给出本公开时，许多等同的修改和变化对于本领域技术人员将是显而易见的。因此，上文阐述的本发明的示例性实施方式被认为是说明性的而非限制性的。在不脱离本发明的精神和范围的情况下，可以对所描述的实施方式进行各种改变。
上文提及的所有参考文献通过引用并入本文。
Claims (12)
1.一种用于识别织物上的污渍的方法，所述方法包括以下步骤：
进行近红外反射光谱法以在从最短波长至最长波长的波长范围内从所述污渍获得光谱数据，所述最短波长具有1595nm或更长的值；
访问已知污渍的参考光谱数据；和
将所述污渍的所述光谱数据与所述已知污渍的参考光谱数据进行比较以识别所述污渍。
2.权利要求1所述的方法，其中在其内获得数据的所述波长范围由以下定义：
对应于不短于1600nm的最短波长的下界；和
对应于不长于2000nm的最长波长的上界；
其中所述污渍的所述光谱数据与所述参考光谱数据的比较是在从1600nm至2000nm的整个范围内进行。
3.权利要求1所述的方法，其中所述最长波长不长于2397nm。
4.前述权利要求中任一项所述的方法，其中将所述污渍的所述光谱数据与已知污渍的参考光谱数据进行比较的步骤包括：
对待处理的所述污渍的所述光谱数据进行多元数据分析技术。
5.前述权利要求中任一项所述的方法，其还包括：
为处理所述污渍的用户提供用户界面以提供关于所述污渍的信息；和
将在所述用户界面处提供的所述信息与关于所述已知污渍的信息进行比较。
6.权利要求5所述的方法，其中所述用户界面在包括相机的移动设备上提供。
7.权利要求5或权利要求6所述的污渍检测系统，其中所述用户界面包括印刷界面和/或供用户输入关于所述污渍和/或所述织物的信息的下拉菜单。
8.一种处理包含污渍的织物的方法，所述方法包括以下步骤：
使用前述权利要求中任一项所述的方法识别所述织物上的污渍；
基于所识别的污渍选择用于处理所述织物的处理方案。
9.一种用于识别织物上的污渍的污渍确定系统，其包括：
近红外反射(NIR)光谱仪，其在波长范围内操作，所述范围由对应于最短波长的下界；和对应于最长波长的上界定义，所述最短波长为1595nm或更长；和
分析模块，其包含存储装置，
所述分析模块被配置为从所述NIR光谱仪接收所述光谱数据；从所述存储装置检索已知污渍的参考光谱数据；并在整个波长范围内将来自所述NIR光谱仪的所述光谱数据与已知污渍的所述光谱数据进行比较，由此针对特定污渍的所述NIR光谱数据和所述参考光谱数据之间的匹配识别所述织物上的所述污渍。
10.权利要求9所述的污渍确定系统，其中在其内获得数据的所述波长范围由以下定义：
对应于不短于1600nm的最短波长的下界；和
对应于不长于2000nm的最长波长的上界；和
其中所述污渍的所述光谱数据与所述参考光谱数据的比较是在从1600nm至2000nm的整个范围内进行。
11.权利要求9或权利要求10所述的污渍确定系统，其还包括处理模块，所述处理模块被配置为基于所识别的污渍选择处理参数。
12.权利要求9至11中任一项所述的污渍确定系统，其中所述分析模块包括用户界面，所述用户界面被配置为从用户接收关于所述污渍的信息。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP15182160 | 2015-08-24 | ||
| EP15182160.0 | 2015-08-24 | ||
| PCT/EP2016/069726 WO2017032718A1 (en) | 2015-08-24 | 2016-08-19 | Method and apparatus for stain treatment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107923845A true CN107923845A (zh) | 2018-04-17 |
Family
ID=54007568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680048983.3A Withdrawn CN107923845A (zh) | 2015-08-24 | 2016-08-19 | 用于污渍处理的方法和装置 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20180238796A1 (zh) |
| EP (1) | EP3341705A1 (zh) |
| CN (1) | CN107923845A (zh) |
| BR (1) | BR112018003608A2 (zh) |
| WO (1) | WO2017032718A1 (zh) |
| ZA (1) | ZA201800665B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111319052A (zh) * | 2020-02-28 | 2020-06-23 | 五邑大学 | 多污渍清洁机器人及基于其的移动路径控制方法 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6451741B2 (ja) * | 2014-07-11 | 2019-01-16 | 株式会社ニコン | 画像解析装置、撮像システム、手術支援システム、及び画像解析プログラム |
| DE102017104483A1 (de) * | 2017-03-03 | 2018-09-06 | Miele & Cie. Kg | System |
| DE102017209135A1 (de) * | 2017-05-31 | 2018-12-06 | BSH Hausgeräte GmbH | Verfahren zur Steuerung eines wasserführenden Haushaltsgerätes und hierzu geeignetes Haushaltsgerät |
| AU2018203588B2 (en) | 2017-06-05 | 2019-11-14 | Bissell Inc. | Autonomous floor cleaning system |
| DE102017209857A1 (de) | 2017-06-12 | 2018-12-13 | Henkel Ag & Co. Kgaa | Erkennung einer Verunreinigung und/oder einer Eigenschaft zumindest eines Teils einer Textilie |
| DE102017209862A1 (de) * | 2017-06-12 | 2018-12-13 | Henkel Ag & Co. Kgaa | Bestimmen von Verunreinigungen |
| DE102017214852A1 (de) * | 2017-08-24 | 2019-02-28 | BSH Hausgeräte GmbH | Bestimmung einer Pflegeinformation für ein Wäschestück |
| DE102017215370A1 (de) * | 2017-09-01 | 2019-03-07 | BSH Hausgeräte GmbH | Handscanner zur verbesserten Wäscheerkennung, System mit einem solchen Handscanner und Verfahren zu seinem Betrieb |
| DE102017215843A1 (de) * | 2017-09-08 | 2019-03-14 | BSH Hausgeräte GmbH | Handgerät zur Fleckenbehandlung |
| DE102017219806A1 (de) * | 2017-11-08 | 2019-05-09 | BSH Hausgeräte GmbH | Handscanner zur verbesserten Fleckenerkennung, System mit einem solchen Handscanner und Verfahren zu seinem Betrieb |
| DE102018220370A1 (de) * | 2018-11-27 | 2020-05-28 | BSH Hausgeräte GmbH | Textilerkennungsvorrichtung und Verfahren zum Erkennen einer Textilart |
| DE102019202818A1 (de) * | 2019-03-01 | 2020-09-03 | BSH Hausgeräte GmbH | Verfahren zum Zusammenstellen einer Beladung eines Wäschepflegegeräts |
| EP4108753A1 (en) * | 2021-06-23 | 2022-12-28 | The Procter & Gamble Company | A method of quantifying the removal of hydrocarbon component from a soiled fabric by a washing process |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19855503B4 (de) * | 1998-12-01 | 2006-12-28 | BSH Bosch und Siemens Hausgeräte GmbH | Wäschebehandlungsmaschine |
| JP2004503853A (ja) * | 2000-06-12 | 2004-02-05 | ザ、プロクター、エンド、ギャンブル、カンパニー | 家庭用電気器具の性能最適化のための方法及びシステム |
| AU2003292082A1 (en) * | 2002-12-11 | 2004-06-30 | Unilever Plc | Method and apparatus for the identification of a textile parameter |
| GB201011585D0 (en) * | 2010-07-09 | 2010-08-25 | Amc Amsterdam | Apparatus and method for dating a body or body sample |
| CN102720034B (zh) * | 2012-06-26 | 2014-01-29 | 无锡小天鹅股份有限公司 | 一种用于洗衣机的识别衣物污渍种类的方法 |
-
2016
- 2016-08-19 WO PCT/EP2016/069726 patent/WO2017032718A1/en active Application Filing
- 2016-08-19 EP EP16754276.0A patent/EP3341705A1/en not_active Withdrawn
- 2016-08-19 CN CN201680048983.3A patent/CN107923845A/zh not_active Withdrawn
- 2016-08-19 BR BR112018003608A patent/BR112018003608A2/pt not_active Application Discontinuation
- 2016-08-19 US US15/753,360 patent/US20180238796A1/en not_active Abandoned
-
2018
- 2018-01-31 ZA ZA2018/00665A patent/ZA201800665B/en unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111319052A (zh) * | 2020-02-28 | 2020-06-23 | 五邑大学 | 多污渍清洁机器人及基于其的移动路径控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017032718A1 (en) | 2017-03-02 |
| ZA201800665B (en) | 2019-07-31 |
| EP3341705A1 (en) | 2018-07-04 |
| US20180238796A1 (en) | 2018-08-23 |
| BR112018003608A2 (pt) | 2018-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107923845A (zh) | 用于污渍处理的方法和装置 | |
| Kartakoullis et al. | Feasibility study of smartphone-based Near Infrared Spectroscopy (NIRS) for salted minced meat composition diagnostics at different temperatures | |
| KR102356038B1 (ko) | 모발을 분석하고 처리하기 위한 방법 및 장치 | |
| JP6803750B2 (ja) | 調整されたヘアカラーのための装置及び方法 | |
| US10989592B2 (en) | Handheld scanner for improved stain detection, system comprising such a handheld scanner, and method for operation thereof | |
| Dong et al. | Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging | |
| Wang et al. | Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit | |
| JP4884483B2 (ja) | ヘアを分析するための方法 | |
| CN101166958B (zh) | 头发染色系统 | |
| US20040119972A1 (en) | Identification method | |
| Sun et al. | Classification of black beans using visible and near infrared hyperspectral imaging | |
| McGrath et al. | The potential of handheld near infrared spectroscopy to detect food adulteration: Results of a global, multi-instrument inter-laboratory study | |
| CN109668843A (zh) | 一种基于手机的便携式多光谱成像技术检测腊肉品质的方法 | |
| US10955344B2 (en) | Method and device for determining a degree of damage to hair | |
| Müller-Maatsch et al. | The spectral treasure house of miniaturized instruments for food safety, quality and authenticity applications: A perspective | |
| Sarkar et al. | Monitoring of fruit freshness using phase information in polarization reflectance spectroscopy | |
| CN111636172A (zh) | 用于安排洗涤物护理器具的装载的方法 | |
| Bertinetto et al. | Influence of measurement procedure on the use of a handheld NIR spectrophotometer | |
| Vafeiadis et al. | A comparison of 2DCNN network architectures and boosting techniques for regression-based textile whiteness estimation | |
| CN105190292B (zh) | 使用多维几何结构的用于涂敷表面的纹理分析的系统和方法 | |
| US11564618B2 (en) | Method and device for determining a degree of thermal damage to hair | |
| Sciuto et al. | A New approach against food frauds: The portable near-infrared device for fish fillets identification | |
| Mollazade et al. | Spatial mapping of moisture content in tomato fruits using hyperspectral imaging and artificial neural networks | |
| Kudenov et al. | Internal defect scanning of sweetpotatoes using interactance spectroscopy | |
| JP6324201B2 (ja) | 分光データ処理装置、及び分光データ処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180417 |
|
| WW01 | Invention patent application withdrawn after publication |