CN109190767A - 一种基于机器学习的阻燃面料性能老化预测方法 - Google Patents

一种基于机器学习的阻燃面料性能老化预测方法 Download PDF

Info

Publication number
CN109190767A
CN109190767A CN201810844202.2A CN201810844202A CN109190767A CN 109190767 A CN109190767 A CN 109190767A CN 201810844202 A CN201810844202 A CN 201810844202A CN 109190767 A CN109190767 A CN 109190767A
Authority
CN
China
Prior art keywords
inflaming retarding
performance
fabric
ageing
retarding fabric
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
Application number
CN201810844202.2A
Other languages
English (en)
Inventor
田苗
张倬
李俊
王朝莉
邓梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201810844202.2A priority Critical patent/CN109190767A/zh
Publication of CN109190767A publication Critical patent/CN109190767A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Ecology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Treatment Of Fiber Materials (AREA)
  • Professional, Industrial, Or Sporting Protective Garments (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明涉及一种基于机器学习的阻燃面料性能老化预测方法，步骤为：获得阻燃面料老化性能训练样本；采集阻燃面料的二维图像作为训练模型的输入特征，测试面料老化后的机械性能、阻燃性能和热防护性能作为训练模型的目标变量；进行SVM回归训练，获得性能老化模型，输入阻燃面料性能老化数据库；准备阻燃面料性能老化测试样本，采集二维图像并进行预处理；阻燃面料测试样本二维图像的参数化处理；从阻燃面料性能老化数据库中提取SVM模型，将二维图像参数作为输入特征，预测面料机械性能、阻燃性能和热防护性能老化结果。本发明通过非破坏性的图像采集方式，快速准确地预测阻燃面料的机械性能、阻燃性能和热防护性能。

Description

一种基于机器学习的阻燃面料性能老化预测方法
技术领域
本发明涉及阻燃面料性能预测技术领域，特别是涉及一种基于机器学习的阻燃面料性能老化预测方法。
背景技术
阻燃面料常用于消防服等热防护服装中，其主要作用是降低高温环境向人体皮肤的热传递，从而达到热防护的作用。纺织材料或服装的使用过程中，日晒、风化、水洗、干洗、磨损、汗渍等会对纤维材料造成物理或化学性能影响的因素，都会使其功能退化、性能老化，从而影响其使用寿命。对于阻燃面料或服装，其性能老化与使用环境密切相关，高温、辐射、火灾等环境会对性能产生影响，从而难以为着装者提供充足的热防护。
阻燃面料或服装的机械性能、阻燃性能和热防护性能对其使用寿命具有重要影响。目前用于预测阻燃面料老化性能的方法主要是利用物理实验检验样本的性能指标，并采用数理统计的方法，分析暴露环境、面料成份等因素与老化性能之间的数学关系。然而，物理性能指标的测定需进行破坏性试验，即使能够确定其性能指标满足标准使用要求，但面料或服装已不具备完整结构；而利用传统的线性回归分析预测方法使用范围受限，应用性不强。在实际应用中，已尝试将其他工程领域使用的方法应用在阻燃面料老化性能预测中，包括色差法、红外光谱法等，通过物理测试建立无损检测(色差法、红外光谱法)及有损检测(机械性能、阻燃性能、热防护性能)结果之间的统计关系，并利用无损检测结果预测性能老化。但目前建立的统计模型的适用范围有限，且精确度有待提高。
发明内容
本发明所要解决的技术问题是提供一种基于机器学习的阻燃面料性能老化预测方法，保证热防护服装能够为执行任务的穿着者提供充足的热防护，降低环境对人体的安全威胁。
本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习的阻燃面料性能老化预测方法，包括以下步骤：
(1)利用模拟老化设备获得阻燃面料老化性能训练样本；
(2)采集阻燃面料的二维图像作为训练模型的输入特征；
(3)将测试面料老化后的机械性能、阻燃性能和热防护性能作为训练模型的目标变量；
(4)进行SVM回归训练，获得性能老化模型，输入阻燃面料性能老化数据库；
(5)准备阻燃面料性能老化测试样本，采集二维图像并进行预处理；
(6)对预处理后的阻燃面料测试样本的二维图像进行参数化处理，得到二维图像参数；
(7)从阻燃面料性能老化数据库中提取SVM模型，将二维图像参数作为输入特征，预测面料机械性能、阻燃性能和热防护性能老化结果。
所述步骤(1)中采用TPP测试仪和氙弧气候箱模拟不同的光、热环境条件，对阻燃面料样本进行老化处理，将获得的不同暴露条件下同类型面料样本作为训练样本。
所述步骤(2)包括以下子步骤：
(21)利用拍照法或扫描仪采集面料样本的二维数字图像，并输入面料类型；
(22)图像预处理：对采集的原始图像使用高斯滤波器进行平滑滤波去噪；
(23)将预处理后的测试样本图像转换到Lab色彩空间，并在Lab色彩空间提取颜色直方图作为输入特征。
所述步骤(3)包括以下子步骤：
(31)根据面料机械性能的测试标准，对老化后的阻燃面料进行取样，并根据标准规定进行测试，获得老化后的拉伸强力和撕破强力数据；
(32)根据面料阻燃性能的测试标准，对老化后的阻燃面料进行取样，并根据垂直燃烧法标准规定进行测试，获得老化后的续燃时间和损毁长度数据；
(33)根据面料热防护性能的测试标准，对老化后的阻燃面料进行取样，并根据热防护性能标准规定进行测试，获得老化后的TPP值。
所述步骤(4)具体为：将每个实测的性能值作为目标变量，将对应面料样本的明度分量直方图、a分量直方图和b分量直方图作为3个输入特征向量，提取得到拉伸强力、撕破强力、损毁长度、续燃时间和TPP值共5组训练数据集，并进行归一化处理；然后分别对这5组归一化后的训练数据集进行SVM回归训练，选取合适的多项式核以及径向基核中的参数γ、损失函数系数和损失函数残差的容忍阈值，得到拉伸强力预测子模型、撕破强力预测子模型、续燃时间预测子模型、损毁长度预测子模型和TPP值预测子模型，并保存至阻燃面料性能老化数据库。
所述步骤(5)中的阻燃面料性能老化测试样本是利用仪器设备对阻燃面料进行老化处理得到的，或直接在现役热防护服装上取样得到的。
所述步骤(5)和步骤(6)之间还包括对阻燃面料测试样本进行完整度检测的步骤。
所述对阻燃面料测试样本进行完整度检测具体为：对预处理后的测试样本图像进行Canny边缘检测，然后调用轮廓检测函数寻找连通域最大的轮廓，判断面料是否存在破损。
所述步骤(6)将预处理后的测试样本图像转换到Lab色彩空间，并在Lab色彩空间提取颜色直方图作为二维图像参数。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明可以实现经过复杂暴露情况的阻燃面料性能老化预测。阻燃服装在实际使用中会暴露于不同的环境，如热暴露、光暴露、复合暴露等，本发明对环境条件无限制，适用于经过不同环境暴露的阻燃面料的老化程度预测，并可拓展至整体热防护服装层面。阻燃面料一旦发生结构性的裂纹或破损，则丧失充足的热防护性能。本发明可自动识别判断面料的完整度，消除潜在的安全隐患。本发明实现的检测方法对测试样本具有非破坏性和快速、准确的优点，测试样本仅需一次图像采集就可得到完整的机械性能、阻燃性能和热防护性能数据，且能保留后续使用，可切实降低实际使用时数据获取的成本，增强操作的便捷性。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
阻燃面料常用于消防服等热防护服装，其主要作用是降低高温环境向人体皮肤的热传递，从而达到热防护的作用。阻燃面料或服装的机械性能、阻燃性能和热防护性能对其使用寿命具有重要影响。本实施方式提供一种基于机器学习的阻燃面料性能老化预测方法，通过非破坏性的图像采集方式，快速准确地预测阻燃面料的机械性能、阻燃性能和热防护性能。
图1所示为基于机器学习的阻燃面料性能老化预测流程图，主要过程包括：特征提取、老化性能测试、SVM回归训练、测试面料图像预处理、面料完整度检测、SVM回归预测和面料性能预测结果输出等。
步骤1：利用模拟老化设备获得阻燃面料性能老化训练样本
利用TPP测试仪产生对流热及辐射热，模拟热防护服装实际穿着环境，对阻燃面料进行热老化处理，通过设定不同的热暴露时间，获得同类面料的系列样本。
步骤2：采集阻燃面料的二维图像作为训练模型的输入特征
将模拟老化处理后的阻燃面料平整展开并固定，利用平板式彩色扫描仪或高拍仪采集面料的二维数字图像，指定对应的面料类型。对采集的原始二维图像先使用高斯滤波器进行平滑滤波去噪，然后将图像转换到Lab色彩空间，并在Lab色彩空间表示的图形中提取明度分量(L)直方图、a分量直方图和b分量直方图。
步骤3：测试面料老化后的机械性能、阻燃性能和热防护性能作为训练模型的目标变量。
根据面料机械性能的测试标准，对老化后的阻燃面料进行取样，并根据标准规定进行测试，获得老化后的拉伸强力和撕破强力数据；根据面料阻燃性能的测试标准，对老化后的阻燃面料进行取样，并根据垂直燃烧法标准规定进行测试，获得老化后的续燃时间和损毁长度数据；根据面料热防护性能的测试标准，对老化后的阻燃面料进行取样，并根据热防护性能标准规定进行测试，获得老化后的TPP值。
步骤4：用步骤2和步骤3得到数据进行SVM回归训练，获得性能老化模型，输入阻燃面料性能老化数据库。
对同类面料的系列训练样本完成步骤2和步骤3的数据采集后，开始进行SVM回归训练。具体实现为将每个实测的性能值作为目标变量，将对应面料样本的明度分量(L)直方图、a分量直方图和b分量直方图作为3个输入特征向量，可以提取得到拉伸强力、撕破强力、损毁长度、续燃时间和TPP值共5组训练数据集，并进行归一化处理。然后分别对这5组归一化后的训练数据集进行SVM回归训练，选取合适的多项式核以及径向基核中的参数γ，(该值越大支持向量越少，反之越多)、损失函数系数，(该值过大或过小，导致模型的泛化能力变差)和损失函数残差的容忍阈值，(该值越大越易造成模型的准确度下降，反之易造成过拟合)，得到5个性能老化子模型，分别为：拉伸强力预测子模型、撕破强力预测子模型、续燃时间预测子模型、损毁长度预测子模型和TPP值预测子模型，并保存至阻燃面料性能老化数据库。
步骤5：准备阻燃面料性能老化测试样本，采集二维图像并进行预处理。
利用仪器设备对待评价的阻燃面料进行老化处理，或直接在现役热防护服装上取样，获得测试样本。随后将测试样本平整展开并固定，利用平板式彩色扫描仪或高拍仪采集面料的二维数字图像，指定对应的面料类型。对采集的原始二维图像先使用高斯滤波器进行平滑滤波去噪。此处对测试样本的图像采集和预处理方式应与步骤2中的方式保持一致。
步骤6：对步骤5处理完成的图像进行面料完整度检测。
在进行面料的完整度检测时，先对步骤5中预处理后的图像利用Canny边缘检测算法进行处理，包括去噪、计算梯度、在边缘上使用非最大抑制(NMS)、在检测到的边缘上使用双阈值去除假阳性以及消除不明显的边缘等过程，从而检测和过滤面料破损的边缘特征。然后调用轮廓检测函数寻找连通域最大轮廓，通过判断连通域面积、直径和形态来确定是否属于面料的破损区域，自动识别面料的完整度(完整或破损)。如果判断面料破损，则说明阻燃面料存在结构性的裂纹或破损，该面料丧失充足的热防护性能，直接输出测试阻燃面料失效。如果判断面料完整，则继续预测阻燃面料的性能老化结果。
步骤7：如步骤6判断面料未破损则对步骤5得到的图像进行参数化处理。
对在步骤6中通过完整性检测的面料，将其二维图像转换到Lab色彩空间，并在Lab色彩空间表示的图形中提取明度分量(L)直方图、a分量直方图和b分量直方图，并进行归一化处理。
步骤8：从步骤4输出的数据库中提取性能老化模型，将步骤7处理完成的数据作为输入特征，预测面料机械性能、阻燃性能和热防护性能老化结果。
根据指定的面料类型，从步骤4输出的阻燃面料性能老化数据库提取性能老化模型，包括拉伸强力、撕破强力、损毁长度、续燃时间和TPP共5个子模型。将从步骤7中归一化后的明度分量(L)直方图、a分量直方图和b分量直方图作为输入特征向量分别带入这5个子模型中进行SVM回归预测，得到对应的阻燃面料机械性能、阻燃性能和热防护性能老化结果。
不难发现，本发明可以实现经过复杂暴露情况的阻燃面料性能老化预测。本发明对环境条件无限制，适用于经过不同环境暴露的阻燃面料的老化程度预测，并可拓展至整体热防护服装层面。本发明可自动识别判断面料的完整度，消除潜在的安全隐患。本发明实现的检测方法对测试样本具有非破坏性和快速、准确的优点，测试样本仅需一次图像采集就可得到完整的机械性能、阻燃性能和热防护性能数据，且能保留后续使用，可切实降低实际使用时数据获取的成本，增强操作的便捷性。

Claims (9)

1.一种基于机器学习的阻燃面料性能老化预测方法，其特征在于，包括以下步骤：
(1)利用模拟老化设备获得阻燃面料老化性能训练样本；
(2)采集阻燃面料的二维图像作为训练模型的输入特征；
(3)将测试面料老化后的机械性能、阻燃性能和热防护性能作为训练模型的目标变量；
(4)进行SVM回归训练，获得性能老化模型，输入阻燃面料性能老化数据库；
(5)准备阻燃面料性能老化测试样本，采集二维图像并进行预处理；
(6)对预处理后的阻燃面料测试样本的二维图像进行参数化处理，得到二维图像参数；
(7)从阻燃面料性能老化数据库中提取SVM模型，将二维图像参数作为输入特征，预测面料机械性能、阻燃性能和热防护性能老化结果。
2.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(1)中采用TPP测试仪和氙弧气候箱模拟不同的光、热环境条件，对阻燃面料样本进行老化处理，将获得的不同暴露条件下同类型面料样本作为训练样本。
3.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(2)包括以下子步骤：
(21)利用拍照法或扫描仪采集面料样本的二维数字图像，并输入面料类型；
(22)图像预处理：对采集的原始图像使用高斯滤波器进行平滑滤波去噪；
(23)将预处理后的测试样本图像转换到Lab色彩空间，并在Lab色彩空间提取颜色直方图作为输入特征。
4.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(3)包括以下子步骤：
(31)根据面料机械性能的测试标准，对老化后的阻燃面料进行取样，并根据标准规定进行测试，获得老化后的拉伸强力和撕破强力数据；
(32)根据面料阻燃性能的测试标准，对老化后的阻燃面料进行取样，并根据垂直燃烧法标准规定进行测试，获得老化后的续燃时间和损毁长度数据；
(33)根据面料热防护性能的测试标准，对老化后的阻燃面料进行取样，并根据热防护性能标准规定进行测试，获得老化后的TPP值。
5.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(4)具体为：将每个实测的性能值作为目标变量，将对应面料样本的明度分量直方图、a分量直方图和b分量直方图作为3个输入特征向量，提取得到拉伸强力、撕破强力、损毁长度、续燃时间和TPP值共5组训练数据集，并进行归一化处理；然后分别对这5组归一化后的训练数据集进行SVM回归训练，选取合适的多项式核以及径向基核中的参数γ、损失函数系数和损失函数残差的容忍阈值，得到拉伸强力预测子模型、撕破强力预测子模型、续燃时间预测子模型、损毁长度预测子模型和TPP值预测子模型，并保存至阻燃面料性能老化数据库。
6.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(5)中的阻燃面料性能老化测试样本是利用仪器设备对阻燃面料进行老化处理得到的，或直接在现役热防护服装上取样得到的。
7.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(5)和步骤(6)之间还包括对阻燃面料测试样本进行完整度检测的步骤。
8.根据权利要求7所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述对阻燃面料测试样本进行完整度检测具体为：对预处理后的测试样本图像进行Canny边缘检测，然后调用轮廓检测函数寻找连通域最大的轮廓，判断面料是否存在破损。
9.根据权利要求1所述的基于机器学习的阻燃面料性能老化预测方法，其特征在于，所述步骤(6)将预处理后的测试样本图像转换到Lab色彩空间，并在Lab色彩空间提取颜色直方图作为二维图像参数。
CN201810844202.2A 2018-07-27 2018-07-27 一种基于机器学习的阻燃面料性能老化预测方法 Pending CN109190767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810844202.2A CN109190767A (zh) 2018-07-27 2018-07-27 一种基于机器学习的阻燃面料性能老化预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810844202.2A CN109190767A (zh) 2018-07-27 2018-07-27 一种基于机器学习的阻燃面料性能老化预测方法

Publications (1)

Publication Number Publication Date
CN109190767A true CN109190767A (zh) 2019-01-11

Family

ID=64937347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810844202.2A Pending CN109190767A (zh) 2018-07-27 2018-07-27 一种基于机器学习的阻燃面料性能老化预测方法

Country Status (1)

Country Link
CN (1) CN109190767A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259573A (zh) * 2020-04-08 2020-06-09 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111563622A (zh) * 2020-04-30 2020-08-21 西安交通大学 一种基于灰度共生矩阵与深度学习的定子线棒绝缘老化程度预测方法
CN112801938A (zh) * 2020-12-30 2021-05-14 南通景康橡塑有限公司 一种智能检测橡塑材料质量的方法和装置
CN112881586A (zh) * 2021-01-20 2021-06-01 国网江苏省电力有限公司电力科学研究院 电缆阻燃包带运行后性能评估检测方法及系统
EP3945301A1 (en) * 2020-07-29 2022-02-02 ABB Schweiz AG Technologies for producing training data for identifying degradation of physical components
CN114636618A (zh) * 2022-05-13 2022-06-17 河南银金达新材料股份有限公司 一种性能稳定的pet膜制备工艺
CN114660227A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 阻火器阻火性能评估方法及其系统、电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040197012A1 (en) * 2002-11-07 2004-10-07 Bourg Wilfred Marcellien Method for on-line machine vision measurement, monitoring and control of organoleptic properties of products for on-line manufacturing processes
CN1723306A (zh) * 2003-01-21 2006-01-18 塞拉尼斯高级材料公司 用于消防员服装的外壳的纺织织物
CN103900927A (zh) * 2014-05-05 2014-07-02 浙江大学宁波理工学院 基于svm的织物透气量分析方法
CN104502267A (zh) * 2014-12-31 2015-04-08 天津大学 一种基于支持向量机的电化学噪声腐蚀类型判别方法
CN104616298A (zh) * 2015-01-30 2015-05-13 浙江工业大学之江学院 一种基于混态高斯mrf模型的喷墨印花织物运动目标检测方法
CN105300819A (zh) * 2015-10-09 2016-02-03 上海市特种设备监督检验技术研究院 基于支持向量机算法的合金钢疲劳极限检测方法及其系统
CN106018249A (zh) * 2016-05-20 2016-10-12 中国科学院国家天文台 一种用于近太阳空间热防护材料的测试系统
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040197012A1 (en) * 2002-11-07 2004-10-07 Bourg Wilfred Marcellien Method for on-line machine vision measurement, monitoring and control of organoleptic properties of products for on-line manufacturing processes
CN1723306A (zh) * 2003-01-21 2006-01-18 塞拉尼斯高级材料公司 用于消防员服装的外壳的纺织织物
CN103900927A (zh) * 2014-05-05 2014-07-02 浙江大学宁波理工学院 基于svm的织物透气量分析方法
CN104502267A (zh) * 2014-12-31 2015-04-08 天津大学 一种基于支持向量机的电化学噪声腐蚀类型判别方法
CN104616298A (zh) * 2015-01-30 2015-05-13 浙江工业大学之江学院 一种基于混态高斯mrf模型的喷墨印花织物运动目标检测方法
CN105300819A (zh) * 2015-10-09 2016-02-03 上海市特种设备监督检验技术研究院 基于支持向量机算法的合金钢疲劳极限检测方法及其系统
CN106018249A (zh) * 2016-05-20 2016-10-12 中国科学院国家天文台 一种用于近太阳空间热防护材料的测试系统
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HLIMI ABDELLAH 等: "Defect Detection and Identification in Textile Fabric by SVM Method", 《JOURNAL OF ENGINEERING(IOSRJEN)》 *
何华玲: "消防服用织物热防护性能及热湿舒适性能研究", 《中国博士学位论文全文数据库 工程科技I辑》 *
刘胜 等编著: "《智能预报技术及其在船舶工程中的应用》", 30 November 2015, 国防工业出版社 *
赵明旺 等主编: "《智能控制》", 31 March 2010, 华中科技大学出版社 *
逢淑卉: "基于支持向量机的纺织品服装安全风险评价模型研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
陈蕾 等: "阻燃防护服测试标准的比较分析", 《纺织科技进展》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259573A (zh) * 2020-04-08 2020-06-09 攀枝花学院 一种磁疗服装使用寿命预测方法
CN111563622A (zh) * 2020-04-30 2020-08-21 西安交通大学 一种基于灰度共生矩阵与深度学习的定子线棒绝缘老化程度预测方法
CN111563622B (zh) * 2020-04-30 2022-04-22 西安交通大学 一种定子线棒绝缘老化程度预测方法
EP3945301A1 (en) * 2020-07-29 2022-02-02 ABB Schweiz AG Technologies for producing training data for identifying degradation of physical components
CN114660227A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 阻火器阻火性能评估方法及其系统、电子设备
CN112801938A (zh) * 2020-12-30 2021-05-14 南通景康橡塑有限公司 一种智能检测橡塑材料质量的方法和装置
CN112801938B (zh) * 2020-12-30 2021-12-14 南通景康橡塑有限公司 一种智能检测橡塑材料质量的方法和装置
CN112881586A (zh) * 2021-01-20 2021-06-01 国网江苏省电力有限公司电力科学研究院 电缆阻燃包带运行后性能评估检测方法及系统
CN112881586B (zh) * 2021-01-20 2023-04-14 国网江苏省电力有限公司电力科学研究院 确立电缆阻燃包带失效判据及其运行后的性能评估方法
CN114636618A (zh) * 2022-05-13 2022-06-17 河南银金达新材料股份有限公司 一种性能稳定的pet膜制备工艺

Similar Documents

Publication Publication Date Title
CN109190767A (zh) 一种基于机器学习的阻燃面料性能老化预测方法
CN103488941B (zh) 硬件木马检测方法及系统
CN109165510A (zh) 基于双通道卷积神经网络的Android恶意应用程序检测方法
Mori et al. Evaluating wrinkled fabrics with image analysis and neural networks
Liyakat et al. Yarn quality detection for textile industries using image processing
CN109086876A (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
McLean et al. High-speed collagen fiber modeling and orientation quantification for optical coherence tomography imaging
Sfarra et al. Eco‐Friendly Laminates: From the Indentation to Non‐Destructive Evaluation by Optical and Infrared Monitoring Techniques
CN110060368A (zh) 基于潜在特征编码的机械异常检测方法
CN104866766A (zh) 一种针对cpu内部隐藏指令型硬件木马的检测方法
Behera et al. Objective measurement of fabric appearance using digital image processing
CN111124896B (zh) 一种主次峰值比计算算法的蜕变测试系统
CN106021113A (zh) 一种精准测试的实现方法
Yeung et al. Evaluating and predicting fabric bagging with image processing
Suvari Image processing based drape measurement of fabrics using circular Hough transformation
CA3013020A1 (en) Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems
CN111223082B (zh) 一种指静脉图像质量的量化评估方法
CN111238927A (zh) 疲劳耐久性评测方法、装置、电子设备和计算机可读介质
Ashraf et al. Classification of woven fabric faulty images using convolution neural network
Wang et al. Grading the crease recovery with twisting of fabric by using image identification technique
Cherkassky et al. Objective evaluation of textile fabric appearance. Part 2: Set opti-grade tester, grading algorithms, and testing
Hasani et al. Measuring the roughness of knitted fabrics by analysis of surface signals obtained from image processing
US20180137270A1 (en) Method and apparatus for non-intrusive program tracing for embedded computing systems
CN118090458A (zh) 一种吸塑托盘疲劳测试的检验系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication