CN112801986A - 一种纺织材料匹配方法、装置、设备、存储介质及系统 - Google Patents
一种纺织材料匹配方法、装置、设备、存储介质及系统 Download PDFInfo
- Publication number
- CN112801986A CN112801986A CN202110137757.5A CN202110137757A CN112801986A CN 112801986 A CN112801986 A CN 112801986A CN 202110137757 A CN202110137757 A CN 202110137757A CN 112801986 A CN112801986 A CN 112801986A
- Authority
- CN
- China
- Prior art keywords
- data
- textile material
- information
- background server
- result information
- 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
- 239000000463 material Substances 0.000 title claims abstract description 233
- 239000004753 textile Substances 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 63
- 230000003595 spectral effect Effects 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 238000012163 sequencing technique Methods 0.000 claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 18
- 239000004744 fabric Substances 0.000 claims description 71
- 238000002329 infrared spectrum Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008707 rearrangement Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004456 color vision Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种纺织材料匹配方法、装置、设备、存储介质及系统，所述方法包括：整机设备采集纺织材料数据和纺织材料的测量信息，并将采集的纺织材料数据和测量信息上传到桌面客户端，桌面客户端通过HTTP与后台服务器进行通信；后台服务器构建有纺织材料数据库搜索引擎。后台服务器接收整机设备发送的纺织材料数据,并对纺织材料数据进行处理，获得光谱离散数据、颜色空间数据和图像特征向量；在纺织材料数据库中对光谱离散数据、颜色空间数据、图像特征向量和(或)测量信息进行搜索及综合排序，生成综合排序结果信息。后台服务器得到综合排序结果信息后，将其输出到整机设备的输出显示屏上。采用本方法能够实现纺织材料的精确及近似匹配。
Description
技术领域
本发明涉及纺织材料匹配领域，具体涉及一种纺织材料匹配方法、装置、设备、存储介质及系统。
背景技术
目前在工业领域，纺织材料匹配的方式主要有：通过对纺织材料部分成分进行光谱特征建模，利用光谱特征识别有限纺织材料成分；或通过理化计量方法检测。对纺织材料部分成分的进行光谱特征建模，识别的纺织材料成分有限，对纺织材料的成分识别不精确。通过理化计量方法检测的纺织材料成分种类有限，不仅分析过程复杂费力、耗时较长、污染环境，还会受人为因素影响，导致检测结果不准确等问题；同时，靠人工拿着布样去布料市场搜索、找布、比对、不仅需要大量的时间，而且效率底下。商家每年都需要制作布卡，造成布料的浪费，需要投入大量的经费，获取的布料颜色空间数据单一、不易管理。
发明内容
本发明要解决的技术问题是提供一种纺织材料匹配方法、装置、设备、存储介质及系统，解决现有技术在纺织工业领域中，纺织材料纺织无法精确匹配、搜索、找布、比对、需要大量的时间的问题。
进一步的，一种纺织材料匹配方法，包括以下步骤：
S1、整机设备采集纺织材料数据和纺织材料的测量信息，所述纺织材料数据包括：光谱数据、图像数据及颜色空间数据；
S2、所述整机设备将纺织材料数据和测量信息上传到桌面客户端，所述桌面客户端通过HTTP与后台服务器进行通信；
S3、所述后台服务器构建纺织材料数据库；
S4、所述后台服务器接收整机设备发送的纺织材料数据,并对纺织材料数据进行处理，获得近红外光谱离散数据和图像特征向量；在纺织材料数据库中对近红外光谱离散数据、颜色空间数据、图像特征向量和测量信息进行搜索及综合排序，生成综合排序结果信息；后台服务器得到综合排序结果信息，再将综合排序结果信息输出到整机设备的输出显示屏上。
进一步的，所述步骤S3的构建纺织材料数据库具体为：
整机设备采集纺织材料数据和纺织材料的测量信息，所述纺织材料数据包括：光谱数据、图像数据及颜色空间数据；
整机设备将所述纺织材料数据和测量信息上传到桌面客户端，桌面客户端通过HTTP与后台服务器进行通信；所述后台服务器通过图像算法对光谱数据进行处理，生成纺织材料的近红外光谱离散数据和图像特征向量；光谱数据与光谱库进行匹配，获取纺织材料的材质参数；将纺织材料的近红外光谱离散数据、图像特征向量、颜色空间数据、材质参数和测量信息保存在后台服务器的数据库服务器中，构成纺织材料数据库。
进一步的,所述S4步骤具体为：
步骤S100,后台服务器接收整机设备发送的纺织材料数据,所述纺织材料数据包括光谱数据、颜色空间数据和图像数据,所述光谱数据为近红外光谱数据；后台服务器对近红外光谱数据进行平滑处理和求导处理获得纺织材料的近红外光谱离散数据，对图像数据特征向量化处理获得图像特征向量；
步骤S110,后台服务器在纺织材料数据库中对所述近红外光谱离散数据、颜色空间数据、图像特征向量和测量信息进行搜索及排序，生成第一排序结果信息，后台服务器得到第一排序结果信息；
步骤S120，后台服务器将第一排序结果信息送入排序模块进行搜索，对查询的图像特征向量和纺织材料数据库中的图像特征向量进行计算得到欧式距离，并对欧式距离进行排序，生成第二排序结果信息，后台服务器得到第二排序结果信息；
步骤S130,后台服务器以布匹的唯一编号为主体对第一排序结果信息和第二排序结果信息进行重排，得到综合排序结果信息；
步骤S140,后台服务器将综合排序结果信息输出到整机设备的输出显示屏上。
进一步的,所述S4步骤具体为：
步骤S20，所述后台服务器接收整机设备发送的纺织材料数据,所述纺织材料数据包括光谱数据、颜色空间数据和图像数据；所述光谱数据为近红外光谱数据；所述后台服务器对近红外光谱数据进行平滑处理，并使用机器学习模型识别出纺织材料的材质信息,获取材质信息的概率；
步骤S30，所述图像数据包括一倍图像数据、100*n倍图像数据；后台服务器接收整机设备发送的一倍图像数据，一倍图像数据中包括颜色空间数据，后台服务器通过颜色算法对颜色空间数据进行计算，获得纺织材料的颜色RGB值；
步骤S40，所述后台服务器接收整机设备发送的100*n倍图像数据，并进行预处理；预处理后的100*n倍图像数据通过深度学习算法识别出纺织材料的织物参数值，所述织物参数值包括纹路组织方式概率、经纬线数目和经纬线密度值；，后台服务器将识别出的织物参数值输出到整机设备的输出显示上；
步骤S50；后台服务器接收整机设备发送纺织材料的测量信息；所述测量信息包括纺织材料克重参数信息和纺织材料幅宽参数信息；
步骤S60，后台服务器通过纺织材料数据库搜索引擎对纺织材料的测量信息、织物参数和颜色空间值进行检索及综合排序，生成综合排序结果信息；后台服务器获取综合排序结果信息，并将综合排序结果信息输出到整机设备的输出显示上。
进一步的，一种纺织材料匹配装置，所述装置包括:数据采集模块、后台服务系统；所述后台服务系统包括特征向量生成模块、测量信息预测模块、纺织材料数据库、排序模块；所述排序模块包括信息数据排序模块、向量排序模块和多数据重排模块；
所述数据采集模块采集纺织材料数据和纺织材料测量信息，所述纺织材料数据包括光谱数据、图像数据及颜色空间数据；
所述特征向量生成模块通过网络接收数据采集模块发送的图像数据并生成图像特征向量；
所述测量信息预测模块通过网络接收数据采集模块发送的图像数据并预测织物的测量信息；
所述信息数据排序模块通过网络接收特征向量模块发送的图像特征向量和测量信息预测模块发送的测量信息。，并将图像特征向量和测量信息上传到纺织材料数据库搜索引擎中进行检索、综合排序，生成第三排序结果信息；
所述向量排序模块通过网络分别接收数据采集模块发送的光谱数据、颜色空间数据和特征向量生成模块发送的图像特征向量，并在纺织材料数据库对光谱数据、颜色空间数据和图像特征向量进行搜索、综合排序，生成第四排序结果信息；
所述多数据重排模块对第三排序结果信息和第四排序结果信息，进行重排，生成综合排序结果信息；后台服务系统获取综合排序结果信息。
进一步的，所述数据采集模块包括：光谱数据采集模块、图像数据模块及颜色空间数据采集模块；所述光谱数据采集模块采集纺织材料的光谱数据；所述图像数据模块采集纺织材料的图像数据；所述颜色空间数据采集模块识别纺织材料的颜色空间数据。
进一步的，一种纺织材料匹配设备，包括数据采集器、输出设备及处理器；所述数据采集器、输出设备与处理器连接，所述处理器存储有纺织材料数据识别算法，所述处理器执行所述纺织材料数据识别算法时实现权利要求1至4中任一项所述方法的步骤。
进一步的，一种纺织材料匹配设备存储介质，其上存储纺织材料数据识别算法，所述纺织材料数据识别算法被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
进一步的，一种纺织材料匹配系统，包括：系统架构硬件层、系统架构展示层、系统架构服务层及系统架构服务层；
所述系统架构硬件层包括采集纺织材料数据的整机设备；
所述系统架构展示层，包括桌面客户端、商家后台及系统后台；桌面客户端通过网络接收整机设备发送的纺织材料数据；所述商家后台存储有商家信息；所述系统后台存储有系统数据和管理员信息；
系统架构服务层，包括Web服务器、业务服务端以及算法服务器；所述Web服务器与系统架构展示层通过HTTP建立通信，Web服务器接收系统架构展示层发送的纺织材料数据、商家信息、系统数据和管理员信息，并通过业务服务端将纺织材料数据、商家信息、系统数据和管理员信息发送到系统架构数据层中；所述业务服务端通过RPC调用算法服务器中的算法对Web服务器接收的纺织材料数据、商家信息、系统数据和管理员信息进行计算。
本发明的有益效果是：前图像识别和光谱技术可以很好地解决物质成分鉴定问题，纺实现在织工业领域中的纺织材料的精确匹配。通过近红外光谱终端设备，扫描物品表面，比如纺织物，获取其光谱数据。通过光谱数据处理技术、图像识别算法，能够准确对材料定性，获取其成分定量值。运用光谱识别技术、图像识别算法的设备，可以及时方便的搜索到想要的纺织材料或布匹，实现找布。运用光谱识别技术、图像识别算法的设备对纺织材料或布匹，进行光谱扫描获取数据，把数据上传到设备的后台数据库，或布匹的图像数据保存形成纺织材料数据库，实现存布。光谱的获取可以是透射、漫反射、漫透射，样品可以是气体、液体、固体任何一种形态，不必做任何形态改变，样品分析后不产生任何污染。前图像识别和光谱技术实现纺织材料的精确匹配，可以应用于专业的检测机构、海关税收等领域；织物材料成分的准确获取，能够提高广大人民美好生活品质。
附图说明
图1为本发明一种纺织材料匹配方法的流程图。
图2为本发明一种纺织材料匹配方法纺织材料数据库生成流程图。
图3为本发明一种纺织材料匹配系统流程图。
图4为本发明一种纺织材料匹配方法光谱数据采集流程图。
图5为本发明一种纺织材料匹配方法存布流程图。
图6为本发明一种纺织材料匹配方法找布的流程图。
图7为本发明一种纺织材料匹配方法获取织物颜色空间数据流程图。
图8为本发明一种纺织材料匹配方法对纺织材料数据和纺织材料的测量信息进行检索、综合排序方法的一个实施例的流程图。
图9为本发明一种纺织材料匹配方法对纺织材料数据和纺织材料的测量信息进行检索、综合排序方法的另一个实施例的流程图。
具体实施方式
通过参考详细的附图和在此阐述的描述，可以最好地理解本发明。为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供一种纺织材料匹配方法，如图1、图2及图3所示，整机设备110通过USB与桌面客户端120连接到，整机设备110、桌面客户端120通过HTTP与后台服务器130建立通信；整机设备110将采集的纺织材料数据、纺织材料幅宽、克重等测量信息测量信息传送到桌面客户端120，其中纺织材料数据包括：光谱数据、图像数据及颜色空间数据；后台服务器130中构建有纺织材料数据库；后台服务器130通过桌面客户端120获取整机设备110采集纺织材料数据、纺织材料幅宽、克重等测量信息测量信息，并对纺织材料数据进行处理，通过图像算法获得纺织材料对应的近红外光谱离散数据，并通过图像特征生成模型生成图像特征向量；在纺织材料数据库中对近红外光谱离散数据、图像特征向量和测量信息进行搜索及综合排序，生成综合排序结果信息；后台服务器130得到综合排序结果信息，再将综合排序结果信息输出到整机设备110的输出显示屏上。
其中，纺织材料数据包括：纺织材料的光谱数据、图像数据及颜色空间数据。整机设备110通过网络将将采集纺织材料数据和测量信息上传到桌面客户端120；桌面客户端120通过HTTP与后台服务器130进行通信；后台服务器130通过图像算法对光谱数据处理，生成纺织材料的近红外光谱离散数据和图像特征向量。光谱数据与光谱库进行匹配，获取纺织材料的材质参数；并生成纺织材料的近红外光谱离散数据和图像特征向量；将纺织材料的近红外光谱离散数据、图像特征向量、材质参数和测量信息保存在后台服务器130的数据库服务器中，构成纺织材料数据库。
纺织材料匹配方法具体是操作如图4所示，将整机设备110置于纺织材料表面，按下桌面客户端120软件中的“采集”后，点击“上传”；后台服务器130通过图像算法对光谱数据处理，与光谱库进行匹配，获取织物的材质参数。比如：纺织材料成分定性为棉，定量为100％。按“保存”后，织物的材质参数自动上传到后台服务器130的数据库服务器中。桌面客户端120可以文字显示织物材质，或语音播报织物材质。
其中，整机设备110的软件可以跨操作系统运行，不仅可以在Windows，也可以在Linux、mac OS、Android等操作系统上。
其中，整机设备110与桌面客户端120可以通过互联网连接，互联网包括以太网、物联网、工业互联网、无线(如Wifi、Bluetooth)等网络。
其中，整机设备110通过USB连接到桌面客户端120。整机设备110中的图像、光谱、颜色采集设备的接口不限于USB接口，高速接口或无线通信都可用于图像、光谱数据、颜色等传输。光谱采集用的是近红外设备采集，可通过USB、电池等供电；图像采集设备可以是工业摄像头，不限于2D或3D的图像采集，本例中，支持3840像素分辨率；颜色采集器，本例是光纤光谱与积分球的组成，颜色采集器可以通过USB连接处理器，本例中用的是A8光源，1～4度视角。
其中，纺织材料数据库可以是本地或后台数据库；处理器可以是CPU、SOC、DSP、FPGA、GPU/NPU等；输出设备可以是显示器、LCD或投影显示设备，也可以是扬声器、音箱等语音设备。
在本发明中，存布的流程如图5所示，管理员登录系统后台122，进入商家应用，填写商家信息创建商家，创建商家之后将商家账号密码交给商家。商家通过账号密码登录商家后台121和系统后台122，可以先修改商家信息，比如充值密码。商家登录商家后台121需要添加设备，添加设备有两种方式：(1)、在商家后台121点击创建设备，需要填写整机设备110上的设备id；(2)、扫描整机设备110上的二维码进行创建。商家只有创建关联设备后，才可使用与桌面客户端120连接的整机设备110。打开存布桌面客户端120软件，输入账号密码进行登录，桌面客户端120自动检验商家绑定的设备和连接的设备是否匹配，只有匹配通过，才能进行数据采集。将设备放于布料的正面上，采集正面的数据；再将布料反面，采集反面的数据，采集完成后点击下一步，可以输入填写布料的属性信息，点击完成即完成存布操作。打开商家后台121进入产品应用，产品列表的第一条即为最新添加的一条记录。
在发明中，找布的流程如图6所示，管理员登录系统后台122，进入商家应用，填写商家信息创建商家，创建商家之后将商家账号密码交给商家。商家通过账号密码登录商家后台121系统，可以先修改商家信息，比如充值密码。然后需要添加设备，添加设备有两种方式：(1)、商家后台121点击创建设备，需要填写设备上的设备ID；(2)、扫描设备上的二维码进行创建。商家只有创建关联设备后，才可使用桌面客户端连接设备。打开搜布客户端软件，输入账号密码进行登录，客户端120自动检验商家绑定的设备和连接的设备是否匹配，只有匹配通过，才能进行数据采集。采集布料的正反面数据，采集完成后点击提交，系统开始搜布，马上进入搜索结果展示页面，该页按综合排名排列了相似的布料SPU(SPU指品类、纹路、成分一致的一类布料)。点击某一条记录，弹窗出现该SPU下的布料排名列表。再点击对应的布料即可查看布料的详细信息和对应的商家。打开商家后台121进入搜布记录应用，可以查看历史的搜索记录。
在本实施例中，获取织物颜色空间数据流程如图7所示，采集布料的光谱，获取颜色的RGB或CMYK值，并保存颜色值，通过颜色算法对光谱数据进行了预处理。
颜色算法：采用380到760nm的光谱，间隔约0.2nm。计算式为
式中，
称为颜色刺激函数，即进入人眼产生颜色感觉的光能量。被测物体是自发光体时，
为发光物体辐射的相对光谱功率分布。被测物体是非自发光物体时，透明体或不透明体的颜色刺激函数
分别为
式中，
为物体的光谱透射比；
为物体的光谱辐亮度因数；
为物体的光谱反射比；
照明光源的相对光谱功率分布。
图8示出了根据本发明一个实施例的直接通过布匹近红外光谱数据和图像视觉特征向量在向量搜索引擎系统中进行检索综合排序方法的流程图，包括如下步骤：
步骤S100,后台服务器130接收整机设备110发送的光谱数据、颜色空间数据、、一倍图像数据和高倍(100*n倍)图像数据,其中光谱数据为近红外光谱数据；后台服务器130对接收的纺织材料正反面近红外光谱数据进行平滑处理(1)和求导处理(2),得到稳定的近红外光谱离散数据；后台服务器130对一倍图像数据和高倍图像数据进行特征向量化处理(3),获得表示这个图像特征向量。
(1)平滑处理:平滑处理假设光谱含有噪声，并且为随机噪声,通过多次测量取平均的方法来提高光谱信噪比。常用的平滑方式是移动平均平滑法和S-G(Savitzky-Golay)卷积平滑法，移动平均平滑法对窗口(一个固定大小的光谱区域)内的数据简单平均，而S-G法更强调中心数据的贡献，使用多项式来对窗口内的数据进行加权平均。其中，平滑点数为窗口宽度，通过移动窗口实现对整条光谱的平滑。
(2)求导处理：导数处理是常用的消除光谱基线漂移的方法。一阶导数通常用于消除吸光度的整体漂移(上下漂移)；而二阶导数主要用于消除水平以及斜向的光谱基线漂移。光谱求导通常也有两种方法，直接差分法和S-G(Savitzky-Golay)卷积求导法。其中直接差分法使用简单，对于光谱x,在其波长k处，差分宽度为g的一阶和二阶导数光谱分别为:
一阶导数：
二阶导数：
(3)特征向量化处理:使用ResNet50模型主要模型层对收集的布匹图像数据进行迁移学习并保存新的权重,对获得的一倍图像数据和高倍(100*n倍)图像数据用新的权重进行特征向量化获得特征向量。
步骤S110,后台服务器在纺织材料数据库中对所述近红外光谱离散数据、颜色空间数据、图像特征向量和测量信息进行搜索及排序，生成第一排序结果信息，后台服务器得到第一排序结果信息。
步骤S120，后台服务器将第一排序结果信息送入排序模块进行搜索，对查询的图像特征向量和纺织材料数据库中的图像特征向量进行计算得到欧式距离，并对欧式距离进行排序，生成第二排序结果信息，后台服务器得到第二排序结果信息。
步骤S130,后台服务器以布匹的唯一编号为主体对第一排序结果信息和第二排序结果信息进行重排，得到综合排序结果信息；
举例来说,用户通过整机设备110向后台服务器130提出搜索布匹的正反面近红外数据、一倍图像数据和高倍(100*n倍)图像数据向的请求,后台服务器130接收用户的布匹搜索请求后,对数据进行步骤S100处理，分别获取各个搜索引擎响应搜索请求得到的搜索结果。其中正面近红外光搜索得到的搜索结果是B,C,E,D,A；反面近红外光谱搜索得到的搜索结果是B,E,C,D,A；一倍图像数据搜索得到的搜索结果是C,B,D,E,A；高倍(100*n倍)图像数据搜索得到的搜索结果是B,C,D,E,A。分析每块布在每个搜索引擎的排序位置和它的相似度值。再结合排名积分公式获得每个搜索引擎下每块的布匹的排名积分,对每块布进行综合排序,得到排序结果是B,C,E,D,A。
步骤S140,后台服务器将综合排序结果信息输出到整机设备的输出显示屏上；可以实时的查找最相近的布匹,可以得到布匹的材料信息。
图9示出了根据本发明另一个实施例通过布匹近红外光谱数据，一倍图像数据，高倍(100*n倍)图像数据识别出布匹组织方式,经纬密度和材质加上设备上传的克重,幅宽,颜色等信息在数据库搜索引擎下进行检索综合排序方法的流程图，包括如下步骤：
步骤S20，后台服务器130接收整机设备110发送的纺织材料数据，纺织材料数据包括光谱数据、颜色空间数据和图像数据，光谱数据为近红外光谱数据；后台服务器130对近红外光谱数据进行平滑处理，并使用机器学习模型识别出纺织材料的材质信息,获取材质信息的概率；
步骤S30，图像数据包括一倍图像数据高倍(100*n倍)图像数据；后台服务器130接收整机设备110发送的一倍图像数据，一倍图像数据中包括颜色空间数据，后台服务器130通过颜色算法对颜色空间数据进行计算，获得纺织材料的颜色RGB值；
步骤S40，后台服务器130接收整机设备110发送的高倍(100*n倍)图像数据，并进行预处理；预处理后的高倍图像数据通过深度学习算法识别出纺织材料的织物参数值，织物参数值包括纹路组织方式概率、经纬线数目和经纬线密度值；后台服务器130将识别出的织物参数值输出到整机设备110的输出显示上；
步骤S50；后台服务器130接收整机设备110发送纺织材料的克重参数信息和纺织材料幅宽参数信息；
步骤S60，后台服务器130通过纺织材料数据库搜索引擎对纺织材料的测量信息、织物参数值和颜色空间数据进行检索及综合排序，生成综合排序结果信息；后台服务器130获取综合排序结果信息，并将综合排序结果信息输出到整机设备110的输出显示上。
本发明中，一种纺织材料匹配装置，该装置包括:数据采集模块、后台服务系统。数据采集模块包括：光谱数据采集模块、图像数据模块及颜色空间数据采集模块；光谱数据采集模块采集纺织材料的光谱数据；图像数据模块采集纺织材料的图像数据；颜色空间数据采集模块识别纺织材料的颜色空间数据。后台服务系统包括特征向量生成模块、测量信息预测模块、纺织材料数据库、排序模块；排序模块包括信息数据排序模块、向量排序模块和多数据重排模块。
数据采集模块采集纺织材料数据和纺织材料测量信息，纺织材料数据包括光谱数据、图像数据及颜色空间数据。特征向量生成模块通过网络接收数据采集模块发送的图像数据并生成图像特征向量。所述测量信息预测模块通过网络接收数据采集模块发送的图像数据并预测织物的测量信息。
信息数据排序模块通过网络接收特征向量模块发送的图像特征向量和测量信息预测模块发送的测量信息，并将图像特征向量和测量信息上传到纺织材料数据库搜索引擎中进行检索、综合排序，生成第三排序结果信息。向量排序模块通过网络分别接收数据采集模块发送的光谱数据、颜色空间数据和特征向量生成模块发送的图像特征向量，并在纺织材料数据库对光谱数据、颜色空间数据和图像特征向量进行搜索、综合排序，生成第四排序结果信息；多数据重排模块对第三排序结果信息和第四排序结果信息，进行重排，生成综合排序结果信息；后台服务系统获取综合排序结果信息。
本发明中，一种纺织材料匹配设备如图2所示，包括数据采集器、输出设备及处理器；数据采集器、输出设备与处理器连接，处理器存储有纺织材料数据识别算法，处理器执行纺织材料数据识别算法时实现纺织材料匹配方法。其中数据采集器包括图像采集器、光谱采集器、颜色采集器。
一种纺织材料匹配设备存储介质，其上存储纺织材料数据识别算法，纺织材料数据识别算法被处理器执行时可以实现纺织材料匹配方法的步骤。
本实施例一中，一种纺织材料匹配系统框架如图3所示，系统框架包括：
系统架构硬件层31，系统架构硬件层31包括采集纺织材料数据的整机设备；整机设备包含多个摄像头、近红外光谱仪和颜色光谱仪等，用于采集布料正反面的1倍图片、5倍图片、近红外光谱和颜色信息，将这些数据发送至桌面客户端。
系统架构展示层32，包括桌面客户端120、商家后台121及系统后台122。桌面客户端通过网络接收整机设备发送的纺织材料数据。桌面客户端120主要提供存布和搜布两套流程；存布流程是采集商家自己的布料的数据和属性，保存于商家的账户下；搜布流程是商家拥有一块属性未知的布料，通过搜布流程匹配到最相近的布料，获取这些布料的属性和生产商信息；除此之外，桌面客户端120还提供登录，本设备连接验证等功能。商家后台121存储有商家信息，商家后台121用于商家查看、修改商家信息，主要功能包括商家登录和注销、商家联系人管理、商家布料产品管理、商家设备管理和搜布记录查看。所述系统后台122存储有系统数据和管理员信息；系统后台122维护系统数据和管理员设置管理，主要功能包括所有商家管理、所有布料产品管理、所有设备管理以及管理员管理和分组。
系统架构服务层33，主要由三部分构成：Web服务、业务服务以及算法服务。Web服务器通过HTTP与桌面客户端120、商家后台121和系统后台122建立通信；Web服务器接收系统架构展示层发送的纺织材料数据、商家信息、系统数据和管理员信息，并通过业务服务端将纺织材料数据、商家信息、系统数据和管理员信息发送到系统架构数据层中；Web服务主要用于反向代理和负载均衡；业务服务负责业务逻辑处理，在存布、搜布流程中，布料的纹路、密度和成分等属性的识耗时较长，通过消息队列异步执行，业务服务端通过RPC调用算法服务。算法服务负责提供AI算法，主要有纹路识别算法、密度识别算法、成分识别算法和布料搜索引擎等；业务服务端通过RPC调用算法服务器中的算法对Web服务器接收的纺织材料数据、商家信息、系统数据和管理员信息进行计算。
其中，系统架构数据层34，包括MySQL系统、Redis系统、Minio存储服务器及MongoDB数据库。MySQL系统用于业务数据的持久化；Redis系统主要用于数据缓存；Minio存储服务器用于存储图片等非格式化数据；MongoDB数据库用于记录搜索引擎的对应记录。
实施例二：
本实施例二的设备的体系结构不同于实施例一。图像识别搜索算法运行在本地处理器，其它外设接口与实施例一中相似；处理器可以是CPU、SOC、DSP、FPGA、GPU、NPU等；数据库可以是本地或后台数据库。
在本实施例二中，流程和实施例一相似。本发明设备端软件不限于桌面端，移动端也使用。
实施例三：
在实施例一或实施例二中增加语音控制的支持，来获取织物材质，只需语音操作，省掉对屏幕的触控或点击，使得操作更智能。
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，在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员在未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都应涵盖在本发明的保护范围内。
Claims (9)
1.一种纺织材料匹配方法，其特征在于，包括以下步骤：
S1、整机设备采集纺织材料数据和纺织材料的测量信息，所述纺织材料数据包括：光谱数据、图像数据及颜色空间数据；
S2、所述整机设备将纺织材料数据和测量信息上传到桌面客户端，所述桌面客户端通过HTTP与后台服务器进行通信；
S3、所述后台服务器构建纺织材料数据库；
S4、所述后台服务器接收整机设备发送的纺织材料数据,并对纺织材料数据进行处理，获得近红外光谱离散数据和图像特征向量；在纺织材料数据库中对近红外光谱离散数据、颜色空间数据、图像特征向量和测量信息进行搜索及综合排序，生成综合排序结果信息；后台服务器得到综合排序结果信息，再将综合排序结果信息输出到整机设备的输出显示屏上。
2.根据权利要求1所述的一种纺织材料匹配方法，其特征在于，所述步骤S3的构建纺织材料数据库具体为：
整机设备采集纺织材料数据和纺织材料的测量信息，所述纺织材料数据包括：纺织材料的光谱数据、图像数据及颜色空间数据；
整机设备将所述纺织材料数据和测量信息上传到桌面客户端，桌面客户端通过HTTP与后台服务器进行通信；所述后台服务器通过图像算法对光谱数据进行处理，生成纺织材料的近红外光谱离散数据和图像特征向量；光谱数据与光谱库进行匹配，获取纺织材料的材质参数；将纺织材料的近红外光谱离散数据、颜色空间数据、图像特征向量、材质参数和测量信息保存在后台服务器的数据库服务器中，构成纺织材料数据库。
3.根据权利要求1所述的一种纺织材料匹配方法，其特征在于,所述S4步骤具体为：
步骤S100,后台服务器接收整机设备发送的纺织材料数据,所述纺织材料数据包括光谱数据、颜色空间数据和图像数据,所述光谱数据为近红外光谱数据；后台服务器对近红外光谱数据进行平滑处理和求导处理获得纺织材料的近红外光谱离散数据，对图像数据特征向量化处理获得图像特征向量；
步骤S110,后台服务器在纺织材料数据库中对所述近红外光谱离散数据、颜色空间数据、图像特征向量和测量信息进行搜索及排序，生成第一排序结果信息，后台服务器得到第一排序结果信息；
步骤S120，后台服务器将第一排序结果信息送入排序模块进行搜索，对查询的图像特征向量和纺织材料数据库中的图像特征向量进行计算得到欧式距离，并对欧式距离进行排序，生成第二排序结果信息，后台服务器得到第二排序结果信息；
步骤S130,后台服务器以布匹的唯一编号为主体对第一排序结果信息和第二排序结果信息进行重排，得到综合排序结果信息；
步骤S140,后台服务器将综合排序结果信息输出到整机设备的输出显示屏上。
4.根据权利要求1所述的一种纺织材料匹配方法，其特征在于,所述S4步骤具体为：
步骤S20，所述后台服务器接收整机设备发送的纺织材料数据,所述纺织材料数据包括光谱数据、颜色空间数据和图像数据；所述光谱数据为近红外光谱数据；所述后台服务器对近红外光谱数据进行平滑处理，并使用机器学习模型识别出纺织材料的材质信息,获取材质信息的概率；
步骤S30，所述图像数据包括一倍图像数据、100*n倍图像数据；后台服务器接收整机设备发送的一倍图像数据，一倍图像数据中包括颜色空间数据，后台服务器通过颜色算法对颜色空间数据进行计算，获得纺织材料的颜色RGB值；
步骤S40，所述后台服务器接收整机设备发送的100*n倍图像数据，并进行预处理；预处理后的100*n倍图像数据通过深度学习算法识别出纺织材料的织物参数值，所述织物参数值包括纹路组织方式概率、经纬线数目和经纬线密度值；后台服务器将识别出的织物参数值输出到整机设备的输出显示上；
步骤S50；后台服务器接收整机设备发送纺织材料的测量信息；所述测量信息包括纺织材料克重参数信息和纺织材料幅宽参数信息；
步骤S60，后台服务器通过纺织材料数据库搜索引擎对纺织材料的测量信息、织物参数值和颜色空间数据进行检索及综合排序，生成综合排序结果信息；后台服务器获取综合排序结果信息，并将综合排序结果信息输出到整机设备的输出显示上。
5.一种纺织材料匹配装置，其特征在于：所述装置包括:数据采集模块、后台服务系统；所述后台服务系统包括特征向量生成模块、测量信息预测模块、纺织材料数据库、排序模块；所述排序模块包括信息数据排序模块、向量排序模块和多数据重排模块；
所述数据采集模块采集纺织材料数据和纺织材料测量信息，所述纺织材料数据包括光谱数据、图像数据及颜色空间数据；
所述特征向量生成模块通过网络接收数据采集模块发送的图像数据并生成图像特征向量；
所述测量信息预测模块通过网络接收数据采集模块发送的图像数据并预测织物的测量信息；
所述信息数据排序模块通过网络接收特征向量模块发送的图像特征向量和测量信息预测模块发送的测量信息，并将图像特征向量和测量信息上传到纺织材料数据库搜索引擎中进行检索、综合排序，生成第三排序结果信息；
所述向量排序模块通过网络分别接收数据采集模块发送的光谱数据、颜色空间数据和特征向量生成模块发送的图像特征向量，并在纺织材料数据库对光谱数据、颜色空间数据和图像特征向量进行搜索、综合排序，生成第四排序结果信息；
所述多数据重排模块对第三排序结果信息和第四排序结果信息，进行重排，生成综合排序结果信息；后台服务系统获取综合排序结果信息。
6.根据权利要求5所述的一种纺织材料匹配装置，其特征在于，所述数据采集模块包括：光谱数据采集模块、图像数据模块及颜色空间数据采集模块；所述光谱数据采集模块采集纺织材料的光谱数据；所述图像数据模块采集纺织材料的图像数据；所述颜色空间数据采集模块识别纺织材料的颜色空间数据。
7.一种纺织材料匹配设备，包括数据采集器、输出设备及处理器；所述数据采集器、输出设备与处理器连接，所述处理器存储有纺织材料数据识别算法，其特征在于：所述处理器执行所述纺织材料数据识别算法时实现权利要求1至4中任一项所述方法的步骤。
8.一种纺织材料匹配设备存储介质，其上存储纺织材料数据识别算法，其特征在于：所述纺织材料数据识别算法被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
9.一种纺织材料匹配系统，其特征在于：包括:系统架构硬件层、系统架构展示层、系统架构服务层及系统架构服务层；
所述系统架构硬件层包括采集纺织材料数据的整机设备；
所述系统架构展示层，包括桌面客户端、商家后台及系统后台；桌面客户端通过网络接收整机设备发送的纺织材料数据；所述商家后台存储有商家信息；所述系统后台存储有系统数据和管理员信息；
系统架构服务层，包括Web服务器、业务服务端以及算法服务器；所述Web服务器与系统架构展示层通过HTTP建立通信，Web服务器接收系统架构展示层发送的纺织材料数据、商家信息、系统数据和管理员信息，并通过业务服务端将纺织材料数据、商家信息、系统数据和管理员信息发送到系统架构数据层中；所述业务服务端通过RPC调用算法服务器中的算法对Web服务器接收的纺织材料数据、商家信息、系统数据和管理员信息进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110137757.5A CN112801986A (zh) | 2021-02-01 | 2021-02-01 | 一种纺织材料匹配方法、装置、设备、存储介质及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110137757.5A CN112801986A (zh) | 2021-02-01 | 2021-02-01 | 一种纺织材料匹配方法、装置、设备、存储介质及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801986A true CN112801986A (zh) | 2021-05-14 |
Family
ID=75813442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110137757.5A Pending CN112801986A (zh) | 2021-02-01 | 2021-02-01 | 一种纺织材料匹配方法、装置、设备、存储介质及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801986A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792082A (zh) * | 2021-09-02 | 2021-12-14 | 深圳创景数科信息技术有限公司 | 一种基于数据库的面料成分检索方法 |
| WO2024037240A1 (zh) * | 2022-08-19 | 2024-02-22 | 人工智能设计研究所有限公司 | 智能验布检测系统及方法、计算机可读存储介质、产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014123589A1 (en) * | 2013-02-07 | 2014-08-14 | Zencolor Corporation | System and method for identifying, searching and matching products based on color |
| CN104568778A (zh) * | 2015-01-15 | 2015-04-29 | 浙江理工大学 | 一种基于高光谱成像的纺织品成分鉴别方法 |
| CN107809464A (zh) * | 2017-09-27 | 2018-03-16 | 浙江农林大学 | 一种移动式珍稀木材鉴别云服务系统 |
| CN109741380A (zh) * | 2018-12-27 | 2019-05-10 | 广州华迅网络科技有限公司 | 纺织品图片快速匹配方法和装置 |
| CN109785314A (zh) * | 2019-01-22 | 2019-05-21 | 中科院金华信息技术有限公司 | 一种基于u-net网络的织物经纬密度检测系统及方法 |
| CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
-
2021
- 2021-02-01 CN CN202110137757.5A patent/CN112801986A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014123589A1 (en) * | 2013-02-07 | 2014-08-14 | Zencolor Corporation | System and method for identifying, searching and matching products based on color |
| CN104568778A (zh) * | 2015-01-15 | 2015-04-29 | 浙江理工大学 | 一种基于高光谱成像的纺织品成分鉴别方法 |
| CN107809464A (zh) * | 2017-09-27 | 2018-03-16 | 浙江农林大学 | 一种移动式珍稀木材鉴别云服务系统 |
| CN109741380A (zh) * | 2018-12-27 | 2019-05-10 | 广州华迅网络科技有限公司 | 纺织品图片快速匹配方法和装置 |
| CN109785314A (zh) * | 2019-01-22 | 2019-05-21 | 中科院金华信息技术有限公司 | 一种基于u-net网络的织物经纬密度检测系统及方法 |
| CN111797930A (zh) * | 2020-07-07 | 2020-10-20 | 四川长虹电器股份有限公司 | 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曹兵权;杨旭红;: "机织面料数据库系统的设计与实现", 现代丝绸科学与技术, vol. 32, no. 04, pages 4 - 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792082A (zh) * | 2021-09-02 | 2021-12-14 | 深圳创景数科信息技术有限公司 | 一种基于数据库的面料成分检索方法 |
| WO2024037240A1 (zh) * | 2022-08-19 | 2024-02-22 | 人工智能设计研究所有限公司 | 智能验布检测系统及方法、计算机可读存储介质、产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guarnera et al. | BRDF representation and acquisition | |
| KR101140533B1 (ko) | 이미지로부터 추정된 피부색에 기초해서 제품을 추천하는 컴퓨터 구현된 방법 | |
| AU2012315625B2 (en) | Image feature data extraction and use | |
| CN112801986A (zh) | 一种纺织材料匹配方法、装置、设备、存储介质及系统 | |
| US20070058858A1 (en) | Method and system for recommending a product based upon skin color estimated from an image | |
| US10937235B2 (en) | Dynamic image capture system | |
| US9235652B1 (en) | Optimizing a data integration process | |
| JP2018081692A (ja) | 審美的検索エンジン | |
| US20060129411A1 (en) | Method and system for cosmetics consulting using a transmitted image | |
| CN114663186A (zh) | 一种应用于私域和电商平台的商品推荐方法、系统和存储介质 | |
| US20230177586A1 (en) | Selecting Skin Care Products Based on Skin Condition Scanning | |
| de Menezes et al. | Alternative measures for biospeckle image analysis | |
| CN108320236A (zh) | 一种室内空间测绘数据管理系统 | |
| US8564594B2 (en) | Similar shader search apparatus and method using image feature extraction | |
| Ruiters et al. | Data driven surface reflectance from sparse and irregular samples | |
| CN103955958A (zh) | 一种基于Kinect设备的交互式材质外观采集方法 | |
| JP4849460B2 (ja) | 画像中の顔を認識する方法 | |
| CN115843369A (zh) | 跟踪增强现实内容的使用 | |
| CN109238973A (zh) | 一种检测苹果可溶性固形物含量和含水量的方法 | |
| Bhatti et al. | Mobile cosmetics advisor: an imaging based mobile service | |
| CN110992109B (zh) | 基于关联规则的房地产客户分析方法、装置及存储介质 | |
| Jain et al. | Snap and match: a case study of virtual color cosmetics consultation | |
| CN112903603A (zh) | 一种基于高光谱图像的成分分析方法及系统 | |
| Palancz et al. | Algebraic method to speed up robust algorithms: Example of laser-scanned point clouds | |
| US20180285956A1 (en) | Fabric comparison |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211202 Address after: 518000 1604A, Desai technology building, No. 9789, Shennan Avenue, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Chuangjing Digital Information Technology Co.,Ltd. Address before: Room 402, building B, innovation building, 198 Daxin Road, majialong community, Nantou street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Chuangjing Data Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |