CN113192034B - 基于反向传播神经网络的混合染液浓度检测方法 - Google Patents
基于反向传播神经网络的混合染液浓度检测方法 Download PDFInfo
- Publication number
- CN113192034B CN113192034B CN202110485277.8A CN202110485277A CN113192034B CN 113192034 B CN113192034 B CN 113192034B CN 202110485277 A CN202110485277 A CN 202110485277A CN 113192034 B CN113192034 B CN 113192034B
- Authority
- CN
- China
- Prior art keywords
- data
- concentration
- model
- neural network
- dye
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 9
- 239000000975 dye Substances 0.000 claims description 106
- 239000000243 solution Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 239000010413 mother solution Substances 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011259 mixed solution Substances 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 abstract description 14
- 238000007639 printing Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 239000004753 textile Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 235000013405 beer Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009979 jig dyeing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于反向传播神经网络的混合染液浓度检测方法,首先利用工业相机采集混合染液的图像信息,然后对原始数据进行去噪和预处理,再训练反向传播神经网络模型,最终得到一个最优模型,用得到的模型预测混合染液的浓度。基于反向传播神经网络的混合染液浓度检测方法可以从观测数据出发,寻找出尚不能通过理论分析得到的规律,所用的数据是混合染液的图像信息,数据采集对仪器的要求较低,可以更方便快捷的获取数据,通过构造模型实现对混合染液染料浓度的预测,从而达到改善印染产品品质、提高生产效率、实现节能减排的目的。
Description
技术领域
本发明属于机器学习领域的一个重要方向,具体涉及一种基于反向传播神经网络的混合染液浓度检测方法。
背景技术
作为我国重要的民生产业和传统优势产业,纺织工业与人民的生活息息相关,是保障和满足人民群众不断增长的消费需求的重要支撑。纺织产品加工工序主要包括前处理、染色和后整理,其中染色过程基本上决定了纺织产品的质量,纺织品的染色效果是工艺水平的重要体现。纺织品的染色效果主要受染料的浓度、温度、染色时间、PH值等参数影响,而在所有参数中,染液浓度是纺织品染色效果的关键,对染液浓度进行检测和控制可以提升染色准确率,降低生产成本,提高生产效率,并且可以为染色残液的回收处理奠定基础。
目前国内外最常用的浓度检测方法是分光光度法,此方法以朗伯比尔定律为基础,利用吸光度与浓度之间的线性关系实现染液浓度的测量。但在生产中为了获得某一颜色常常需要两种或两种以上染料进行拼染,当两种染料颜色接近、光谱重叠严重、染料组分比较多,或者其中一个染料的浓度相对于其他组分很小的时候,常规的测定方法测定误差较大,而且对仪器的要求比较高,对波长精度的控制、吸光度值漂移、仪器稳定性等要求都比较严格。现有的化学计量法并不能达到印染行业实际要求的检测精度。
国家发改委在分析中国印染行业的现状及发展趋势后,明确提出“要用信息化和高新技术改造传统行业”,这既是印染行业发展的政策导向,也是印染机械行业发展的政策导向。由于机器学习拥有“自主学习”的能力,已经开始在多个领域尝试利用机器学习方法处理分类和回归问题,基于反向传播神经网络的混合染液浓度检测方法可以从观测数据出发,寻找出尚不能通过理论分析得到的规律,通过构造模型实现对混合染液染料浓度的预测,从而达到改善印染产品品质、提高生产效率、实现节能减排的目的。
综上所述,采用机器学习方法检测混合染液浓度对用信息化和高新技术改造传统行业有重要意义,本发明针对此种需求提出了一种基于反向传播神经网络的混合染液浓度检测方法。
发明内容
本发明目的是提供一种基于反向传播神经网络的混合染液浓度检测方法,解决了现有技术中存在的混合染液中燃料浓度测量误差大的问题,实现了对混合染液中染料浓度的准确测量,为混合染液浓度检测提供了新的方法,同时为染液浓度在线检测提供了新思路。
本发明所采用的方案是一种基于反向传播神经网络的混合染液浓度检测方法,具体包括以下步骤:
步骤1,参照生产实际,配置不同浓度的混合染液;
步骤2,利用工业相机采集步骤1中所有混合染液的图像信息,作为原始数据;
步骤3,对步骤2中获取到的原始数据进行去噪处理,得到去除噪声的数据;
步骤4,对步骤3中去除噪声的数据进行预处理,得到输入数据;
步骤5,将步骤4中的输入数据划分训练数据、测试数据;
步骤6,利用步骤5中的训练数据,采用反向传播神经网络训练模型,利用测试数据检验模型的预测精度,经过多次模型训练,得到一个最优预测模型;
步骤7,利用步骤6得到的最优预测模型预测混合染液染料浓度。
本发明的特点还在于,
步骤1具体如下:
步骤1.1,根据现有配方,染料3BF、3RF、2GF分别配制10种浓度的母液,然后三种母液相互组合,生成100个不同的配比,该方法贴近生产中染液浓度的变化。
步骤2具体如下:
步骤2.1,使用工业相机采集三组分混合染液的图像信息,不同染料对同一光的敏感度不同,在相同光下不同染料吸收光的量不同,所以采集图像信息时采用三种背光光源,R100,G100,B100,能保留更多有效信息。
步骤2.2,染液浓度不同混合染液的颜色不同,在拍照时浅颜色的染液需较短的曝光时间,深颜色的染液需要更长时间的曝光,在工业相机采集三组分混合染液的图像信息时设置从1千微秒到2万微秒9种(1000μs,2500μs,5000μs,10000μs,20000μs,40000μs,80000μs,120000μs,200000μs)不同的曝光时间。
在每个背光光源条件和不同曝光度下都进行一次图像采集,将图像的曝光时间,图像的R、G、B值(RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB值即是代表红、绿、蓝三个通道的颜色亮度,RGB各有256级亮度,用数字表示为从0、1、2...直到255。),染料的浓度作为原始数据。
步骤3对步骤2中获取到的原始数据进行去噪处理,具体如下:
步骤3.1,去除无效数据,在采集图像时,浅颜色的混合染液长时间曝光测得的R、G、B值会失去价值,变为干扰项,所以去噪时先去除这些干扰项。
步骤3.2,因为是三组分混合溶液,同一数据对不同染料的预测效果不同,对某一染料浓度预测效果好的数据可能在空间分布上会聚在一起,先采用k均值聚类算法(K-means)对数据进行聚类,然后利用聚类后的某一类数据预测染液浓度,聚在一起的数据预测精度高,散乱分布的数据预测精度低。
步骤4,对步骤3中去除噪声的数据进行预处理,具体步骤如下:
步骤4.1,原始数据由于不同的评价指标,往往具有不同的量纲和量纲单位,会影响模型预测结果,为了消除数据不同量纲的影响,需要对数据进行归一化。
步骤4.2,构造多项式输入,利用多项式扩展,将特征与特征之间进行融合,从而形成新的特征,在数学空间上来讲就是将低维的数据映射到高维空间中,是特征工程的一种操作。
步骤6具体为:
步骤6.1,反向传播神经网络模型的训练过程包括:
步骤6.1.1,反向传播神经网络按有监督学习方式进行训练,当一对学习模式提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
步骤6.1.2,然后,按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输人层逐层修正各连接权,。
由于这种修正过程是从输出到输入逐层进行的,所以称它为“误差逆传播算法”,随着这种误差逆传播训练的不断进行,网络对输入模式响应的正确率也将不断提高。
步骤6.2,为预测3BF,3RF,2GF三种染料的浓度,训练三个子模型,每个子模型针对一种染料,提高预测精度。
步骤7,利用步骤6得到的最优预测模型预测混合染液染料浓度,具体为:
步骤7.1,利用3BF子模型预测3BF的浓度,利用3RF子模型预测3RF的浓度,利用2GF子模型预测2GF的浓度。
本发明的有益效果是:
本发明针对分光光度法测定染液浓度时,当混合染料颜色接近、光谱重叠严重、染料组分比较多,或者其中一个染料的浓度相对于其他组分很小的时候,方法测定误差较大,而且对仪器的要求比较高的不足,提出了基于反向传播神经网络的混合染液浓度检测方法。所用的数据是混合染液的图像信息,数据采集对仪器的要求较低,可以更方便快捷的获取数据,利用反向传播神经网络建立混合染液浓度与染液图像信息的关系模型,实现混合染液浓度的测量。
附图说明
图1为本发明基于反向传播神经网络的混合染液浓度检测方法流程图;
图2为本发明基于反向传播神经网络的混合染液浓度检测方法进行K均值聚类的过程;
图3为反向传播神经网络的拓扑结构示意图;
图4为本发明反向传播神经网络的训练过程;
图5为利用最优预测模型预测混合染液染料浓度流程图;
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明是基于反向传播神经网络的混合染液浓度检测方法,流程如图1所示,具体包括以下步骤:
步骤1,参照生产实际,配置不同浓度的混合染液;
步骤1.1,根据现有配方,染料3BF、3RF、2GF分别配制10种浓度的母液,然后三种母液相互组合,生成100个不同的配比,该方法贴近生产中染液浓度的变化。
步骤2,利用工业相机采集步骤1中所有混合染液的图像信息,作为原始数据;
步骤2.1,使用工业相机采集三组分混合染液的图像信息,不同染料对同一光的敏感度不同,在相同光下不同染料吸收光的量不同,所以采集图像信息时采用三种背光光源,R100,G100,B100,能保留更多有效信息。
步骤2.2,染液浓度不同混合染液的颜色不同,在拍照时浅颜色的染液需较短的曝光时间,深颜色的染液需要更长时间的曝光,在工业相机采集三组分混合染液的图像信息时设置从1千微秒到2万微秒9种(1000μs,2500μs,5000μs,10000μs,20000μs,40000μs,80000μs,120000μs,200000μs)不同的曝光时间。
在每个背光光源条件和不同曝光度下都进行一次图像采集,将图像的曝光时间,图像的R、G、B值(RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB值即是代表红、绿、蓝三个通道的颜色亮度,RGB各有256级亮度,用数字表示为从0、1、2...直到255。),染料的浓度作为原始数据。
步骤3,对步骤2中获取到的原始数据进行去噪处理,得到去除噪声的数据;
步骤3.1,去除无效数据,在采集图像时,浅颜色的混合染液长时间曝光测得的R、G、B值会失去价值,变为干扰项,所以去噪时先去除这些干扰项。
步骤3.2,因为是三组分混合溶液,同一数据对不同染料的预测效果不同,对某一染料浓度预测效果好的数据可能在空间分布上会聚在一起,先采用k均值聚类算法(K-means)对数据进行聚类,然后利用聚类后的某一类数据预测染液浓度,聚在一起的数据预测精度高,散乱分布的数据预测精度低。
进行K均值聚类的过程如图2所示。其步骤是读入要聚类的数据,随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算,这个过程将不断重复直到满足聚类中心不再改变,即聚类中心收敛,最后输出k个聚类结果。
聚类分析中度量两个对象之间的相似性的方法:一般有两种方法,一种是对所有对象作特征投影,另一种则是距离计算。距离计算是最为常见的相似度度量方法,通常的对象a,b之间的相似度为Sim(a,b),对象a,b的测量距离为d(a,b),则一般采用Sim(a,b)=1/(1+d(a,b))得到相似度。本发明采用欧氏距离,欧式距离的公式如下:
式子d(Oi,Oj)代表两个n维向量Oi,Oj之间的欧式距离。
步骤4,对步骤3中去除噪声的数据进行预处理,得到输入数据;
步骤4.1,原始数据由于不同的评价指标,往往具有不同的量纲和量纲单位,会影响模型预测结果,为了消除数据不同量纲的影响,需要对数据进行归一化。本发明用到的神经网络是以样本在事件中的统计分别几率来进行训练(概率计算)和预测的,所以经常要对样本的输出归一化处理。
数据归一化后,最优解的寻优过程明显会变得平缓,更容易正确的收敛到最优解,本发明采用(0,1)归一化,用到的是(0,1)归一化,数学公式为:
式中x是原数据,x.max,x.min分别代表x中的最大值和最小值,x*代表归一化后的数据。
步骤4.2,构造多项式输入,利用多项式扩展,将特征与特征之间进行融合,从而形成新的特征,在数学空间上来讲就是将低维的数据映射到高维空间中,是特征工程的一种操作。
步骤5,对步骤4中的输入数据划分训练数据、测试数据;
利用交叉验证法划分训练数据、测试数据,先将数据集D划分为k个大小相似的互斥子集,即 每个子集都尽可能保持数据分布的一致性,即从D中通过分层采样得到。然后,每次用k-1个子集的并集作为训练集,余下的子集作为测试集;这样就可以获得k组训练/测试集,从而可以进行k次训练和测试,最终返回的是k个测试结果的均值,本发明k=10。
步骤6,利用步骤5中的训练数据,采用反向传播神经网络训练模型,利用测试数据检验模型的预测精度,经过多次模型训练,得到一个最优预测模型;
如图3反向传播神经网络的拓扑结构示意图所示,误差反向传播神经网络简称为BP(Back Propagation)网络,它是一种具有三层或三层以上的多层神经网络,每一层都由若干个神经元组成,分为输入层、隐藏层、输出层,它的左、右各层之间各个神经元实现全连接,即左层的每一个神经元与右层的每个神经元都有连接,而上下各神经元之间无连接。
步骤6.1,反向传播神经网络模型的训练过程如图4所示,包括:
步骤6.1.1,反向传播神经网络按有监督学习方式进行训练,当一对学习模式提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
步骤6.1.2,然后,按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输入层逐层修正各连接权。
由于这种修正过程是从输出到输入逐层进行的,所以称它为“误差逆传播算法”,随着这种误差逆传播训练的不断进行,网络对输入模式响应的正确率也将不断提高。
步骤6.2,为预测3BF,3RF,2GF三种染料的浓度,训练三个子模型,每个子模型针对一种染料,提高预测精度。
步骤7,利用步骤6得到的最优预测模型预测混合染液染料浓度,具体为:
步骤7.1,如图5所示,利用步骤6得到的最优预测模型预测混合染液染料浓度,利用3BF子模型预测3BF的浓度,利用3RF子模型预测3RF的浓度,利用2GF子模型预测2GF的浓度,最后输出预测染料浓度。
Claims (3)
1.基于反向传播神经网络的混合染液浓度检测方法,其特征在于,首先利用工业相机采集混合染液的图像信息,然后对原始数据进行去噪和预处理,再训练反向传播神经网络模型,最终得到一个最优模型,用得到的模型预测混合染液的浓度;
所述方法具体包括以下步骤:
步骤1,参照生产实际,配置不同浓度的混合染液;
所述步骤1具体如下:
步骤1.1,根据现有配方,染料3BF、3RF、2GF分别配制10种浓度的母液,然后三种母液相互组合,生成100个不同的配比,该方法贴近生产中染液浓度的变化;
步骤2,利用工业相机采集步骤1中所有混合染液的图像信息,作为原始数据;
步骤3,对步骤2中获取到的原始数据进行去噪处理,得到去除噪声的数据;
所述步骤3对步骤2中获取到的原始数据进行去噪处理,具体如下:
步骤3.1,去除无效数据,在采集图像时,浅颜色的混合染液长时间曝光测得的R、G、B值会失去价值,变为干扰项,所以去噪时先去除这些干扰项;
步骤3.2,因为是三组分混合溶液,同一数据对不同染料的预测效果不同,对某一染料浓度预测效果好的数据可能在空间分布上会聚在一起,先采用k均值聚类算法K-means对数据进行聚类,然后利用聚类后的某一类数据预测染液浓度,聚在一起的数据预测精度高,散乱分布的数据预测精度低;
步骤4,对步骤3中去除噪声的数据进行预处理,得到输入数据;
步骤5,将步骤4中的输入数据划分为训练数据、测试数据;
步骤6,利用步骤5中的训练数据,采用反向传播神经网络训练模型,利用测试数据检验模型的预测精度,经过多次模型训练,得到一个最优预测模型;
所述步骤6中反向传播神经网络模型的训练过程包括:
步骤6.1.1,反向传播神经网络按有监督学习方式进行训练,当一对学习模式提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应;
步骤6.1.2,按减少希望输出与实际输出误差的原则,采用误差逆传播算法,从输出层经各隐含层、最后回到输人层逐层修正各连接权;随着这种误差逆传播训练的不断进行,网络对输入模式响应的正确率也将不断提高;
步骤6.2,为预测3BF,3RF,2GF三种染料的浓度,训练三个子模型,每个子模型针对一种染料,提高预测精度;
步骤7,利用步骤6得到的最优预测模型预测混合染液染料浓度,具体为:
利用3BF子模型预测3BF的浓度,利用3RF子模型预测3RF的浓度,利用2GF子模型预测2GF的浓度。
2.根据权利要求1所述的基于反向传播神经网络的混合染液浓度检测方法;其特征在于,所述步骤2具体如下:
步骤2.1,使用工业相机采集三组分混合染液的图像信息,不同染料对同一光的敏感度不同,在相同光下不同染料吸收光的量不同,所以采集图像信息时采用三种背光光源,R100,G100,B100,能保留更多有效信息;
步骤2.2,染液浓度不同混合染液的颜色不同,在拍照时浅颜色的染液需较短的曝光时间,深颜色的染液需要更长时间的曝光,在工业相机采集三组分混合染液的图像信息时设置从1千微秒到2万微秒9种,即1000μs,2500μs,5000μs,10000μs,20000μs,40000μs,80000μs,120000μs,200000μs不同的曝光时间;
在每个背光光源条件和不同曝光度下都进行一次图像采集,将图像的曝光时间,图像的R、G、B值,染料的浓度作为原始数据。
3.根据权利要求1所述的基于反向传播神经网络的混合染液浓度检测方法;其特征在于,所述步骤4,对步骤3中去除噪声的数据进行预处理,具体步骤如下:
步骤4.1,统一原始数据的评价指标,对数据进行归一化处理,消除量纲和量纲单位对模型预测结果的影响;
步骤4.2,构造多项式输入,利用多项式扩展,将特征与特征之间进行融合,从而形成新的特征,在数学空间上将低维的数据映射到高维空间中,是特征工程的一种操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485277.8A CN113192034B (zh) | 2021-04-30 | 2021-04-30 | 基于反向传播神经网络的混合染液浓度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485277.8A CN113192034B (zh) | 2021-04-30 | 2021-04-30 | 基于反向传播神经网络的混合染液浓度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192034A CN113192034A (zh) | 2021-07-30 |
CN113192034B true CN113192034B (zh) | 2024-02-02 |
Family
ID=76983552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110485277.8A Active CN113192034B (zh) | 2021-04-30 | 2021-04-30 | 基于反向传播神经网络的混合染液浓度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192034B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414495B (zh) * | 2021-12-13 | 2023-08-15 | 西安理工大学 | 基于双向长短时记忆网络的混合染液浓度检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038243A (ja) * | 1996-07-23 | 1998-02-13 | Kawasaki Heavy Ind Ltd | カラー画像を利用した燃焼判定・制御方法および判定・制御装置 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN111272680A (zh) * | 2020-02-17 | 2020-06-12 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 |
AU2020103741A4 (en) * | 2020-11-27 | 2021-02-11 | J. Arunnehru | Feed forward neural networks combined with extreme learning machine approach for large weather data |
-
2021
- 2021-04-30 CN CN202110485277.8A patent/CN113192034B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038243A (ja) * | 1996-07-23 | 1998-02-13 | Kawasaki Heavy Ind Ltd | カラー画像を利用した燃焼判定・制御方法および判定・制御装置 |
CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
CN111272680A (zh) * | 2020-02-17 | 2020-06-12 | 北京航空航天大学 | 一种基于单一组分吸收光谱的多组分浓度分布的估计方法 |
AU2020103741A4 (en) * | 2020-11-27 | 2021-02-11 | J. Arunnehru | Feed forward neural networks combined with extreme learning machine approach for large weather data |
Non-Patent Citations (2)
Title |
---|
窦鹏伟 ; 王珍 ; 佘侃侃 ; 樊文玲 ; .基于改进BP神经网络的中药水提液陶瓷膜污染预测研究.中国中医药信息杂志.2017,(第04期),全文. * |
黄伟军 ; 华猛 ; 吴晨辉 ; .基于改进BP神经网络的汽车尾气检测系统设计.传感器与微系统.2018,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113192034A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126575B (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
US20190049297A1 (en) | Method for Correcting Measuring-Point-Free Temperature Compensation Model During Online Application of Near Infrared Spectrum Analyzer | |
CN109671124B (zh) | 一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统 | |
CN113192034B (zh) | 基于反向传播神经网络的混合染液浓度检测方法 | |
CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113408616B (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
CN113295625B (zh) | 基于极端梯度提升的机器视觉染料浓度光谱检测方法 | |
Wang et al. | Enhanced soft subspace clustering through hybrid dissimilarity | |
Yu et al. | Prediction of the reactive dye recipe in cotton fabric dyeing using the pad‐dry‐pad‐steam process by particle swarm optimisation‐least squares support vector machine with matching database | |
Wen et al. | Hybrid methods of particle swarm optimization and spatial credibilistic clustering with a clustering factor for image segmentation | |
CN111220565A (zh) | 一种基于cpls的红外光谱测量仪器标定迁移方法 | |
CN110218626A (zh) | 一种基于Logistic四参数模型和MASCA算法的微生物鉴定系统及方法 | |
CN114414495B (zh) | 基于双向长短时记忆网络的混合染液浓度检测方法 | |
Berns et al. | Towards Mode Balancing of Generative Models via Diversity Weights | |
CN115936079B (zh) | 一种适用于气体传感器阵列的标定浓度选取方法 | |
CN116401570B (zh) | 一种印刷质量监测大数据智能处理系统 | |
CN113324937B (zh) | 一种基于太赫兹光谱的生物质燃料质检方法及系统 | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
CN113204482B (zh) | 基于语义属性子集划分与度量匹配的异质缺陷预测方法及系统 | |
Guo et al. | Multimode process monitoring strategy based on improved just‐in‐time‐learning associated with locality preserving projections | |
CN115165770B (zh) | 基于宽光谱及bpnn的水体cod与浊度同时检测方法 |
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 |