CN111368453A - 一种基于深度强化学习的面料裁剪优化方法 - Google Patents

一种基于深度强化学习的面料裁剪优化方法 Download PDF

Info

Publication number
CN111368453A
CN111368453A CN202010187114.7A CN202010187114A CN111368453A CN 111368453 A CN111368453 A CN 111368453A CN 202010187114 A CN202010187114 A CN 202010187114A CN 111368453 A CN111368453 A CN 111368453A
Authority
CN
China
Prior art keywords
fabric
parts
region
optimization
neural 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.)
Granted
Application number
CN202010187114.7A
Other languages
English (en)
Other versions
CN111368453B (zh
Inventor
张发恩
周鹏程
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.)
Ainnovation Hefei Technology Co ltd
Original Assignee
Ainnovation Hefei Technology Co ltd
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 Ainnovation Hefei Technology Co ltd filed Critical Ainnovation Hefei Technology Co ltd
Priority to CN202010187114.7A priority Critical patent/CN111368453B/zh
Publication of CN111368453A publication Critical patent/CN111368453A/zh
Application granted granted Critical
Publication of CN111368453B publication Critical patent/CN111368453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：步骤S1，通过神经网络感知零件在面料上的初始排布状态；步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。本发明对于面料排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。

Description

一种基于深度强化学习的面料裁剪优化方法
技术领域
本发明涉及一种面料裁剪优化方法，具体涉及一种基于深度强化学习的面料裁剪优化方法。
背景技术
面料裁剪优化是NP难问题(NP-Hard，多项式复杂程度的非确定性问题)。传统的优化方法依靠多边形计算对面料上的零件进行感知，然后通过大规模的搜索优化技术对面料排件进行优化，以将尽可能多的零件排布在面料上。但现有的这些优化方法计算复杂度高、优化速度较慢，而且对于面料剪裁利用率的提升效果并不理想。
发明内容
本发明的目的在于提供一种基于深度强化学习的面料裁剪优化方法，该方法对于排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。
为达此目的，本发明采用以下技术方案：
提供一种基于深度强化学习的面料裁剪优化方法，包括如下步骤：
步骤S1，通过神经网络感知零件在面料上的初始排布状态；
步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；
步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。
作为本发明的一种优选方案，所述步骤S1中，所述神经网络为CNN卷积神经网络。
作为本发明的一种优选方案，所述步骤S1中，所述神经网络为由CNN卷积神经网络和RNN循环神经网络组成的神经网络架构。
作为本发明的一种优选方案，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
对所述零件在所述面料上的排布区域、所述面料上未排布所述零件的区域以及所述零件在所述面料上的排布重叠区域进行不同颜色标记。
作为本发明的一种优选方案，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
步骤S11，通过启发式规则对各所述零件进行排序；
步骤S12，感知所述面料上已排布有所述零件的第一区域，以及感知未排布所述零件的第二区域；
步骤S13，根据各所述零件的排序信息，截取所述第一区域的尾部区域作为可将未排布的所述零件排布于已排布的所述零件后方的第一起始位置；并截取所述第二区域的头部区域作为可将未排布的所述零件排布于所述面料上的第二起始位置；
步骤S14，将所述第一起始位置及其后的面料区域以及将所述第二起始位置及其后的所述面料区域感知为可排布所述零件的区域。
作为本发明的一种优选方案，所述启发式规则包括根据各所述零件的面积大小进行排序。
作为本发明的一种优选方案，根据所述零件的面积大小，从所述面料上截取出所述第一区域的尾部区域，以及截取出所述第二区域的头部区域，以实现需要排布的所述零件大小与感知到的可排布区域的面积大小相匹配。
作为本发明的一种优选方案，所述步骤S2中，对已排布在所述面料上的各所述零件的排布方案进行优化的方法步骤为：
步骤A1，获取已排布的各所述零件的排序信息；
步骤A2，将已排布在所述面料上的各所述零件按序重新进行排布。
作为本发明的一种优选方案，所述步骤S2中，对尚未排布在所述面料上的各所述零件的排布方案进行优化的方法步骤为：
步骤B1，获取尚未排布的各所述零件的排序信息；
步骤B2，根据所截取的所述第一区域中的所述尾部区域或所述第二区域中的所述头部区域的面积大小，并结合所述步骤B1所获取的各所述零件的所述排序信息，将符合所述尾部区域面积大小的各所述零件按序排布于所述第一区域的所述第一起始位置及其后的所述面料区域中，或将符合所述头部区域面积大小的各所述零件按序排布于所述第二区域的所述第二起始位置及其后的所述面料区域。
作为本发明的一种优选方案，所述步骤S2中，所述强化学习算法包括模拟退火算法、遗传算法、蚁群算法、蒙特卡洛算法或贪婪算法中的任意一种或多种。
本发明对于面料排布优化的过程方法简单、优化速度快，并且具有良好地排布优化效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的基于深度强化学习的面料裁剪优化方法的步骤图；
图2是本发明一实施例提供的感知所述零件在所述面料上的初始排布状态的方法步骤图；
图3是对已排布在所述面料上的所述零件进行排布优化的方法步骤图；
图4是对尚未排布在所述面料上的所述零件进行排布优化的方法步骤图；
图5是截取的第一区域的尾部区域以及截取的第二区域的头部区域在面料上的位置示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种基于深度强化学习的面料裁剪优化方法，请参照图1，包括如下步骤：
步骤S1，通过神经网络感知零件在面料上的初始排布状态；零件在面料上的初始排布状态包括两种情形，一是在面料上已排布有零件；二是在面料上尚未排布零件。这里所说的零件为面料上的布料块，布料块的形状、大小根据所要排布的物体的形状、大小确定。比如需要在面料上裁剪出一个固定面积的正方形布料，那么这个正方形布料块即为所述的零件。
感知零件在面料上的初始排布状态的神经网络优选为CNN卷积神经网络，或由CNN卷积神经网络和RNN循环神经网络组成的神经网络架构。CNN和RNN为现有的神经网络，CNN+RNN的感知神经网络架构可以根据具体的感知需求进行调整，由于CNN+RNN的感知神经网络架构的具体结构并非本发明要求权利保护的范围，所以关于对CNN+RNN感知神经网络的具体网络结构在此不作阐述。
步骤S2，根据预设的强化学习算法，对零件在面料上的排布方案进行优化，并输出优化结果。排布优化的对象分为三种，第一种是对已排布在面料上的零件的位置进行优化；第二种是对已确定需要排放的零件在面料上的具体排布位置进行提前规划；第三种是对当前未确定需要排放的零件但事后可能需要排放的零件在面料上可以排布的位置进行提前规划。关于对这三种排布对象的具体排布优化方式将在后续内容进行阐述，在此暂不作阐述。
步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于该奖惩函数重新训练优化模型，优化模型用于对零件在面料上的排布方案进行优化。关于奖惩函数的定义方法将在后续内容进行阐述，在此暂不作阐述。
步骤S1中，神经网络感知零件在面料上的初始排布状态的方法有许多，比如，可以将面料图像输入到神经网络中进行图像识别，然后将识别到的零件在面料上的排布区域、面料上未排布零件的区域以及零件在面料上的排布重叠区域进行不同颜色的标记，从而感知到面料上零件的初始排布状态。
再比如，请参照图2，优选地，神经网络感知零件在面料上的初始排布状态的方法为：
步骤S11，通过启发式规则对各零件进行排序；
步骤S12，感知面料上已排布有零件的第一区域，以及感知未排布有零件的第二区域；
步骤S13，根据各零件的排序信息，截取第一区域的尾部区域作为可将未排布的零件排布于已排布的零件后方的第一起始位置；并截取第二区域的头部区域作为可将未排布的零件排布于面料上的第二起始位置；
步骤S14，将所述第一起始位置及其后的面料区域以及将所述第二起始位置及其后的面料区域感知为可排布零件的区域。
为了能够使得感知到的可排布零件的面料区域的面积大小与欲排布在该感知区域的零件大小相匹配，优选地，启发式规则包括根据各零件的面积大小进行排序。本发明根据排好序的各个零件的面积大小，从面料上截取出第一区域的尾部区域，以及截取出第二区域的头部区域，以实现需要排布的零件大小与感知到的可排布区域的面积大小相匹配，这样有利于提高面料的利用率。
步骤S2中，优选地，强化学习算法包括模拟退火算法、遗传算法、蚁群算法、蒙特卡洛算法或贪婪算法的任意一种或多种。
本发明对上述的三种排布对象的排布优化方式优选为以下两种，一是对已排布在面料上的零件进行进一步的排布优化，另一种是对尚未排布在面料上的零件事先进行排布优化。
请参照图3，对已排布在面料上的零件进行进一步的排布优化的方法步骤为：
步骤A1，获取已排布的各零件的排序信息；这里的排序信息优选为根据零件的面积大小进行排序的排序信息；
步骤A2，将已排布在面料上的各零件按序重新进行排布。
请参照图4和图5，对尚未排布在面料100上的零件事先进行排布优化的方法为：
步骤B1，获取尚未排布的各零件1的排序信息；同样的，这里的排序信息优选为根据零件1的面积大小进行排序的排序信息；
步骤B2，根据所截取的第一区域中的尾部区域2或第二区域中的头部区域3的面积大小，并结合步骤B1所获取的各零件1的排序信息，将符合尾部区域面积2大小的各零件1按序排布于第一区域的第一起始位置及其后的面料区域中，或将符合头部区域3面积大小的各零件1按序排布于第二区域的第二起始位置及其后的面料区域中。
为了提高本发明的面料裁剪优化效果，本发明结合排布优化后的布料利用率以及优化过程所占用的计算机资源、优化调整次数、优化时间等定义奖惩函数，然后基于该奖惩函数重新训练用于优化排布方案的优化模型。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种基于深度强化学习的面料裁剪优化方法，其特征在于，包括如下步骤：
步骤S1，通过神经网络感知零件在面料上的初始排布状态；
步骤S2，根据预设的强化学习算法，对所述零件在所述面料上的排布方案进行优化，并输出优化结果；
步骤S3，结合排布方案优化效果定义优化模型的奖惩函数，并基于所述奖惩函数重新训练所述优化模型，所述优化模型用于对所述零件在所述面料上的排布方案进行优化。
2.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络为CNN卷积神经网络。
3.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络为由CNN卷积神经网络和RNN循环神经网络组成的神经网络架构。
4.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
对所述零件在所述面料上的排布区域、所述面料上未排布所述零件的区域以及所述零件在所述面料上的排布重叠区域进行不同颜色标记。
5.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S1中，所述神经网络感知所述零件在所述面料上的所述初始排布状态的方法为：
步骤S11，通过启发式规则对各所述零件进行排序；
步骤S12，感知所述面料上已排布有所述零件的第一区域，以及感知未排布所述零件的第二区域；
步骤S13，根据各所述零件的排序信息；截取所述第一区域的尾部区域作为可将未排布的所述零件排布于已排布的所述零件后方的第一起始位置；并截取所述第二区域的头部区域作为可将未排布的所述零件排布于所述面料上的第二起始位置；
步骤S14，将所述第一起始位置及其后的面料区域以及将所述第二起始位置及其后的所述面料区域感知为可排布所述零件的区域。
6.如权利要求5所述的面料裁剪优化方法，其特征在于，所述启发式规则包括根据各所述零件的面积大小进行排序。
7.如权利要求6所述的面料裁剪优化方法，其特征在于，根据所述零件的面积大小，从所述面料上截取出所述第一区域的尾部区域，以及截取出所述第二区域的头部区域，以实现需要排布的所述零件大小与感知到的可排布区域的面积大小相匹配。
8.如权利要求7所述的面料裁剪优化方法，其特征在于，所述步骤S2中，对已排布在所述面料上的各所述零件的排布方案进行优化的方法步骤为：
步骤A1，获取已排布的各所述零件的排序信息；
步骤A2，将已排布在所述面料上的各所述零件按序重新进行排布。
9.如权利要求7所述的面料裁剪优化方法，其特征在于，所述步骤S2中，对尚未排布在所述面料上的各所述零件的排布方案进行优化的方法步骤为：
步骤B1，获取尚未排布的各所述零件的排序信息；
步骤B2，根据所截取的所述第一区域中的所述尾部区域或所述第二区域中的所述头部区域的面积大小，并结合所述步骤B1所获取的各所述零件的所述排序信息，将符合所述尾部区域面积大小的各所述零件按序排布于所述第一区域的所述第一起始位置及其后的所述面料区域中，或将符合所述头部区域面积大小的各所述零件按序排布于所述第二区域的所述第二起始位置及其后的所述面料区域。
10.如权利要求1所述的面料裁剪优化方法，其特征在于，所述步骤S2中，所述强化学习算法包括模拟退火算法、遗传算法、蚁群算法、蒙特卡洛算法或贪婪算法中的任意一种或多种。
CN202010187114.7A 2020-03-17 2020-03-17 一种基于深度强化学习的面料裁剪优化方法 Active CN111368453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010187114.7A CN111368453B (zh) 2020-03-17 2020-03-17 一种基于深度强化学习的面料裁剪优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010187114.7A CN111368453B (zh) 2020-03-17 2020-03-17 一种基于深度强化学习的面料裁剪优化方法

Publications (2)

Publication Number Publication Date
CN111368453A true CN111368453A (zh) 2020-07-03
CN111368453B CN111368453B (zh) 2023-07-07

Family

ID=71210586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010187114.7A Active CN111368453B (zh) 2020-03-17 2020-03-17 一种基于深度强化学习的面料裁剪优化方法

Country Status (1)

Country Link
CN (1) CN111368453B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050147291A1 (en) * 1999-09-13 2005-07-07 Microsoft Corporation Pose-invariant face recognition system and process
DE202009011419U1 (de) * 2009-08-21 2009-12-03 Triumph Intertrade Ag Stoffzuschnitt für ein Kleidungsstück, insbesondere Unterwäschestück
CN103678800A (zh) * 2013-12-09 2014-03-26 华南理工大学 一种不规则零件在矩形板材上的排样方法
CN104145057A (zh) * 2012-02-17 2014-11-12 耐克创新有限合伙公司 结构上加强的粗斜纹布
CN104570997A (zh) * 2014-10-22 2015-04-29 华中科技大学 一种用于金属结构件下料与加工排产集成优化方法
CN107139544A (zh) * 2017-05-27 2017-09-08 戚云玉 一种可裁剪发热面料
CN108154464A (zh) * 2017-12-06 2018-06-12 中国科学院自动化研究所 基于强化学习的图片自动裁剪的方法及装置
CN108764529A (zh) * 2018-04-27 2018-11-06 广东工业大学 一种矩形件优化排样的切割式填充方法
CN109063917A (zh) * 2018-08-14 2018-12-21 苏州瑞思智造信息科技有限公司 基于遗传优化算法的分阶布料排样方法
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
CN110309332A (zh) * 2018-03-09 2019-10-08 中国空空导弹研究院 一种融合工程语义的cad模型局部结构检索方法
CN110543906A (zh) * 2019-08-29 2019-12-06 彭礼烨 基于数据增强和Mask R-CNN模型的肤质自动识别方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050147291A1 (en) * 1999-09-13 2005-07-07 Microsoft Corporation Pose-invariant face recognition system and process
DE202009011419U1 (de) * 2009-08-21 2009-12-03 Triumph Intertrade Ag Stoffzuschnitt für ein Kleidungsstück, insbesondere Unterwäschestück
CN104145057A (zh) * 2012-02-17 2014-11-12 耐克创新有限合伙公司 结构上加强的粗斜纹布
CN103678800A (zh) * 2013-12-09 2014-03-26 华南理工大学 一种不规则零件在矩形板材上的排样方法
CN104570997A (zh) * 2014-10-22 2015-04-29 华中科技大学 一种用于金属结构件下料与加工排产集成优化方法
CN107139544A (zh) * 2017-05-27 2017-09-08 戚云玉 一种可裁剪发热面料
CN108154464A (zh) * 2017-12-06 2018-06-12 中国科学院自动化研究所 基于强化学习的图片自动裁剪的方法及装置
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置
CN110309332A (zh) * 2018-03-09 2019-10-08 中国空空导弹研究院 一种融合工程语义的cad模型局部结构检索方法
CN108764529A (zh) * 2018-04-27 2018-11-06 广东工业大学 一种矩形件优化排样的切割式填充方法
CN109063917A (zh) * 2018-08-14 2018-12-21 苏州瑞思智造信息科技有限公司 基于遗传优化算法的分阶布料排样方法
CN110543906A (zh) * 2019-08-29 2019-12-06 彭礼烨 基于数据增强和Mask R-CNN模型的肤质自动识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONGJIE WANG等: "Optimization of Fabric Deformation Based on Wind Field Simulation Based by Bernoulli Equation", 《 2019 INTERNATIONAL CONFERENCE ON ROBOTS & INTELLIGENT SYSTEM (ICRIS)》 *
叶晶;陈之戈;: "服装数控裁床裁剪效率的研究与进展", 现代丝绸科学与技术, no. 03 *
叶晶等: "服装数控裁床裁剪效率的研究与进展", 《现代丝绸科学与技术》, no. 03, pages 108 - 111 *
黄兆龙: "用启发算法和神经网络法解决二维不规则零件排样问题", 《微计算机信息》, no. 07, pages 118 - 119 *

Also Published As

Publication number Publication date
CN111368453B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN106471526B (zh) 用于处理图像的方法和系统
Demir et al. An effective genetic algorithm for flexible job-shop scheduling with overlapping in operations
JP4345737B2 (ja) デジタルコンテンツ作成システム、デジタルコンテンツ作成方法およびプログラム
CN105512725B (zh) 一种神经网络的训练方法和设备
Kala Rapidly exploring random graphs: motion planning of multiple mobile robots
WO2017187798A1 (ja) 情報処理装置、及び情報処理方法
CN106021403B (zh) 客服方法及装置
KR20110029138A (ko) 시각적 랜드마크를 사용해 다이어그램 조직하기
CN107741950A (zh) 数据同步任务的处理方法、装置、处理器及服务端
US20180210638A1 (en) Interactive control of the curvature of links
CN111368453A (zh) 一种基于深度强化学习的面料裁剪优化方法
JP2828271B2 (ja) Ｃａｄシステムにおける形状生成方式
JP4155049B2 (ja) ドキュメント処理装置
CN114185651A (zh) 一种融合多模态信息的移动群智感知任务推荐方法
CN110098959A (zh) 工控协议交互行为的建模方法、装置、系统及存储介质
CN107122464A (zh) 一种辅助决策系统及方法
KR20150017070A (ko) 페트리넷과 발사 추천기에 기반한 최적화 시스템 및 구현 방법
JP2009009585A (ja) 飛行計画表示装置
KR20210155600A (ko) 사용자 정의 제스처 모델을 이용한 가상훈련 콘텐츠의 동작 방법 및 시스템
JP3349629B2 (ja) 取合せ計画立案装置および取合せ計画立案方法
JP2006277151A (ja) 文字列画像切出装置、文字列画像切出方法およびプログラム
WO2020253049A1 (zh) 数据处理方法和装置、及存储介质和电子装置
CN105280156A (zh) 一种获取显示屏最大公共色域的方法及装置
CN110516864A (zh) 线路调整方法、装置、存储介质及电子装置
WO2022249816A1 (ja) 監視装置及び監視方法

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
GR01 Patent grant
GR01 Patent grant