CN113348278A - 织物识别装置和用于识别织物类型的方法 - Google Patents

Abstract

一种织物识别装置(1)，其具有IR扫描器(2)和数据处理装置(3)，所述数据处理装置用于根据借助IR扫描器(2)从测量织物接收的IR测量光谱来识别所述测量织物的织物类型，其中，所述数据处理装置(3)设置用于，根据与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类并且采用下述参考织物类型作为织物类型，该参考织物类型的IR参考光谱表明与所述IR测量光谱最相符。一种用于识别织物类型的方法(S1‑S7)，其中，接收测量织物的至少一个IR测量光谱(S1)；通过与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类(S6)；并且采用下述参考织物类型作为所述测量织物的织物类型，该参考织物类型的IR参考光谱表明与所述IR测量光谱最相符(S6)。本发明能够特别有利地用于特别是在家政服务中识别织物和可能存在于其上的污斑。

Description

织物识别装置和用于识别织物类型的方法

技术领域

本发明涉及一种织物识别装置，其具有红外(IR)扫描器和数据处理装置，其中，数据处理装置设置用于，根据借助IR扫描器从测量织物接收的IR测量光谱来识别测量织物的织物类型。本发明也涉及一种用于识别织物类型的方法，其中，接收测量织物的至少一个IR测量光谱。本发明能够特别有利地用于特别是在家政服务中识别织物和可能存在于其上的污斑。

背景技术

DE 37 060 56 A1公开了一种用于产生和识别光谱的方法和特别是用于缝纫自动化和纺织自动化的开关系统和传感器系统。

EP 1 242 665 B1公开了一种洗衣机、洗涤物烘干机、洗涤物脱水机或者用于化学清洁或者用于给在滚筒中的织物染色的机器，其具有用于识别织物的特性的装置，其中，该装置包括用于发送或者接收电磁辐射的至少一个发送元件和至少一个接收元件以及与接收元件连接的评估电路，其中，由发送元件发送的并且被织物反射和/或透射的辐射能够由接收元件接收并且能够在评估电路中被评估。

发明内容

本发明的任务在于，至少部分地克服现有技术的缺点并且特别是借助结构简单的装置提供对织物特别快速的和可靠的识别。

该任务根据独立权利要求的特征来解决。有利的实施方式是从属权利要求、说明书和附图的主题。

该任务通过一种织物识别装置来解决，其具有IR扫描器和数据处理装置，其中，数据处理装置设置用于，根据借助IR扫描器从测量织物接收的IR测量光谱来识别测量织物的织物类型，其中，数据处理装置设置用于，根据与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类并且采用下述参考织物类型作为测量织物的织物类型，该参考织物类型的IR参考光谱表明与所述IR测量光谱最相符。

分类应用实现的优点是，借助结构简单的装置可以实现特别快速地并且可靠地识别织物，所述识别也可以由最终用户简单地使用。

织物识别装置特别是能使用在家政服务中的家用织物识别装置。

IR扫描器能够以IR光照射织物或纺织材料并且接收或者测量被所述织物或纺织材料反射的IR光。下述织物在下文中称为“测量织物”，所述织物的织物类型应该已被确定。测量织物可以是洗涤物、例如衣服。织物类型可以相应于由一种或多种纯纤维种类构成的织物的成分，例如所述织物类型在洗涤物标签上标明。在此，IR扫描器不是仅仅单频率地工作，而是在预给定的波长带内工作，从而所述IR扫描器接收被分辨波长的IR反射测量光谱。波长带可以特别是NIR(近红外)带和/或MIR(中红外)带。波长带可以例如具有在1300和3000nm之间、例如从1500nm至2500nm、从1750nm至2250nm、从1800nm至2200nm、从1550nm至1950nm、从2000nm至2500nm、从2250nm至2650nm等的带宽。光谱分辨率或步长可以例如在5nm和20nm之间。波长带可以具有例如在50个和500个之间的光谱测量点。

所接收的IR测量光谱原则上可以直接与IR参考光谱比较。然而对于织物类型特别可靠的确定有利的是，将所接收的(“原始的”)IR测量光谱进一步处理成“由其计算出的”IR测量光谱。由其计算出的IR测量光谱仍然是光谱。IR参考光谱也可以称为IR比较光谱。

对IR测量光谱分类特别是包括，将所述IR测量光谱作为光谱与IR参考光谱比较并且采用最匹配的或者最相符的IR参考光谱的织物类型。这例如不同于由IR测量光谱仅仅评估特征参量、例如峰值(峰高)或者确定的波峰的位置等。特别是，IR测量光谱也不需要在数学意义下被推导、傅立叶变换等。

IR参考光谱可以通过实验确定和/或计算。通过实验的确定有利地借助相同类型的IR扫描器实现，借助所述IR扫描器也接收IR测量光谱。通过实验的确定可以在工厂中进行。附加地或者替换地，通过实验的确定可以由最终用户例如根据校准样品组实施，所述校准样品组具有多个具有已知比较织物或参考织物的织物类型的材料样品。材料样品对于一种织物类型可以包括多种不同的处理类型、例如单层的和双层的样品。样品特别是可以仅仅包括纯纤维种类，其中，然后借助数据处理装置由纯纤维种类的IR参考光谱计算纤维混合物的IR参考光谱。

在一个进一步方案中，样品不具有专用的基底。这实现的优点是，当材料样品平放在使用者的身体部分上时，也可以测量材料样品。由此可以同时考虑皮肤的光谱影响的效应。

例如可以通过最小平方法或者其他关联方法确定最相符性。

一个设计方案是，对最相符性的检验是多级的检验或分类。这实现的优点是，能够特别快速地确定或识别织物类型。特别是，所述分类可以包括首先实施的第一分类(“粗分类”)，至少一个另外的分类(“细分类”)紧接着所述第一分类。由多级的分类可以实现将分类组等级化并且根据决策树或者决策路径进行分类。例如可以根据对与出自一组IR参考光谱中的一个IR参考光谱的最相符性的确定实施粗分类，其中，所述IR参考光谱中的每个IR参考光谱代表其IR光谱相似的多个纤维种类的组。

例如在粗分类的框架内，为了确定纯纤维种类可以首先分别使用IR参考光谱用作“棉和亚麻”、“羊毛和丝绸”或“聚丙烯腈、聚酰胺和聚乙烯”的组的代表。如果通过(原始的和由此推导出的)IR测量光谱的比较确定出，测量织物的织物类型属于这些组中的一组，则在随后的细分类中可以将IR测量光谱与这个组的各个纤维类型的IR参考光谱比较。例如当在粗分类时识别出测量织物的织物类型属于“棉和亚麻”组，则在随后的细分类中可以将IR测量光谱与相应于两种织物类型“棉”和“亚麻”的IR参考光谱比较，以便识别出最终的织物类型、例如“棉”。在上述的实例中，仅仅需要实施五次光谱比较，而与各个织物类型的直接比较会需要七次光谱比较。所述多级的分类由此实现减小了在相同准确性下的计算花费。

还更粗略的分类可以例如预先借助作为纯纤维种类或者纤维混合物的分类实施。

纯纤维种类可以例如是植物和/或动物来源的天然纤维、例如棉、亚麻、大麻纤维、丝、羊毛等和/或化学纤维、例如聚合物纤维(例如聚酰胺、聚乙烯、聚丙烯腈、聚氨酯(必要时其具有可改变的弹性体份额、弹性纤维)、聚丙烯)等和/或再生纤维、例如粘胶纤维、莫代尔、莱赛尔纤维或铜氨纤维，然而也不局限于此。纤维混合物可以特别是由所述纯纤维种类中的两种或者更多种纯纤维种类以相应的混合物份额构成的混合物。

一个设计方案是，IR参考光谱包括纯纤维的光谱和/或纤维混合物的光谱。由此可以识别出特别多种多样的织物类型。优选地，至少设置下述IR参考光谱：

纯纤维的光谱	纤维混合物的光谱
		棉/亚麻(CO)	CA+CV
粘胶纤维(CV)	CO+CV
		聚酯(PES)	CO+弹性纤维(EL)
醋酸纤维(CA)	CO+PAN
		聚丙烯腈(PAN)	CO+PES
聚酰胺(PA)，也即尼龙	CO+WO
		丝绸(SE)	CV+PA
羊毛(WO)	CV+WO
		聚氨酯(PUR)	EL+PA
	EL+PES
			EL+SE
	PA+PES
			PAN+PES
	PAN+WO
			PES+WO

一个设计方案是，数据处理装置设置用于，当纤维混合物被识别为织物类型时，则根据与相应于识别出的纤维混合物的不同的混合物份额的IR参考光谱的比较对所述IR测量光谱分类，并且根据表明与所述IR测量光谱最相符的IR参考光谱识别出混合物份额。这个设计方案也可以如下地相应于多级的分类，首先确定纤维混合物并且然后在获知纤维混合物的情况下确定出作为所基于的纯的纤维或纤维种类的混合物份额。为了确定混合物份额，用于确定混合物份额的IR参考光谱相应于相应的纤维混合物的光谱。

通常，根据现有技术使用例如SIMCA、PLS和PCA的方法。这些方法是线性的建模方法。这些常见的方法在1000-2000nm之间的近红外波长范围内的主要缺点是从之后示例性地提及的混合物X/Y对主要织物X(Y是具有较少份额的织物材料)的差的可区分性：棉/弹性纤维(CO+EL)、聚酰胺/弹性纤维(EL+PA)、丝绸/弹性纤维(EL+SE)、棉/羊毛(CO+WO)、棉/粘胶纤维(CO+CV)和聚酯/弹性纤维(EL+PES)。

为了实现对具有在一位数的百分比范围内的份额Y的织物材料的分类，优选地使用非线性的分离法。在此，特别是考虑使用PLS密度、Bagging树(Bagging Trees)和/或随机森林。

在PLS密度的情况中，对纯织物和混合物类别优选地单独地建模。在PLS子空间中的点云中的每个点可以相应于一个势，接着在分配统计中对该势进行拟合。通过中断标准的精确的选择可以定义类别从属关系。

在随机森林方法中可以训练多个不相关的决策树，以便实现类别的区分(纯织物和所有混合物的类别)。Bagging树实现不同的模型结果的合并和加权并且可能提供改善的总预测结果。

除了对难区分的织物混合物的分类的优点以外，PLS密度方法的使用可以特别是对于样品光谱的改变、由用户对设备操纵的改变、传感器-传感器差异(由生产决定的硬件差异)以及其他消极的周围环境干扰影响提高了模型的鲁棒性。这可以例如通过在训练数据组中隐性建模和/或统计学地考虑在已建模的纯织物类别或混合物类别中的影响实现。

在一些实施方式中，PLS密度、Bagging树和/或随机森林的方法可以提供测量出的光谱属于上述具有纯纤维的光谱和纤维混合物的光谱的表格中的类别中的一个类别的概率。在一个实施方式中，对于每个类别存在IR参考光谱。优选地，存在不但用于纯织物而且用于纤维混合物的类别。非线性的分离法、例如PLS密度、Bagging树或随机森林可以对于所述类别中的每个类别提供IR测量光谱相应于该类别的概率W。由此可以获得每个测量出的光谱对于每个类别的概率。这些值可以例如在0…1之间改变，其中，0表示完全不可能的类别从属关系，并且1表示完全确定的类别从属关系。当例如类别CO获得值1并且所有其他类别得到值0时，则这意味着，模型非常确定，测量出的光谱为棉花。

在一些实施方式中，可能地所有的类别可以设定为0和1之间的值。数据处理装置可以设置用于根据阈值S评估多个概率W，其中，优选地适用0<S0<S1<S2<1。在一个实施方式中，使用如下的非线性的分离法：

·如果一个类别具有大于S2的概率W，则该类别被识别为测量织物的织物类型。如果识别出的类别例如是纯织物(即纯纤维)，则可以为使用者显示例如100％的棉。如果识别出的类别为纤维混合物，则在随后的步骤中可以例如借助IR测量光谱实施PLS回归。在此优选地，相应纤维的百分比值作为份额被确定并且被输出给用户。例如可以向使用者输出50％的棉和50％的聚酯。

·如果所有类别具有小于S0的概率W，则得出完全未知的材料。然后例如可以向使用者输出指示“请您扫描织物”。

·如果一些类别具有小于S0的概率W(W<S0)，一些类别具有在S0和S1之间的概率W(S0<W<S1)以及一些类别具有在S1和S2之间的概率W(S1<W<S2)，则可以得出未知的纤维混合物或者具有3种或者甚至更多种组分的纤维混合物。然后作为结果可以向使用者显示例如“纤维混合物”。在这种情况中优选地取消进一步的回归，因为纤维份额的按百分比的识别可能是非常困难的。

·如果一些类别具有小于S0的概率W(W<S0)，一些类别具有在S0和S2之间的概率W(S0<W<S2)以及一个类别具有大于S2的概率W(W>S2)，则可以得出未知的纤维混合物或者具有3种或者更多种的组分的纤维混合物，其中，纤维类型是已知的。然后作为结果，可以输出例如“具有X的纤维混合物”，其中，X例如是来自上述表格的纯织物。在此优选地也取消进一步的回归，从而出于效率原因而不尝试按百分比地识别纤维份额。

一个进一步方案是，由纯纤维或纤维种类的IR参考光谱计算出或者模拟用于确定混合物份额的IR参考光谱。

例如由i(i>1)个纯纤维种类构成的纤维混合物的IR参考光谱Ir,mix可以根据

Ir，mix＝∑_iAi·Ir，mat_i

来计算，其中，∑_iAi＝1。在此，Ir,mat_i为第i个纯纤维种类的IR参考光谱，并且Ai是在纤维混合物中的第i个纯纤维种类的按百分比的份额。为了从纯纤维种类的所有的IR参考光谱的全体中选择出纯纤维种类的确定的IR参考光谱Ir,mat_i，根据相应的织物类型的特定的主要份额分析可以选择在两个第一主要份额的特征空间中相对于数据中心点最小的马氏距离作为选择标准。

替换地或者附加地，可以通过实验确定用于确定纤维混合物的混合物份额的IR参考光谱。这可以例如通过测量混合织物样品上的IR光谱进行，通过例如具有纯纤维在纤维混合物中的Ai＝1，2，5，10，20，30和50％的份额的百分比含量的混合织物样品。

附加地，在应用分类之前可以进行测试，测量出的光谱是否适合用于具有分类的应用。由此例如通过对光谱的人为影响的识别、例如通过偏差值识别可以识别出有误差的测量。如果识别出所述测量出的光谱不适合用于具有分类的应用，则可以输出重新测量的指示。也可以通过测量出的IR光谱与模型样品的比较(可信度测试/显著性测试)识别出不适合的样品。然后可以向使用者输出下述指示，IR测量光谱不适合用于在分类或等级结构的模型中的应用。

一个设计方案是，数据处理装置设置用于，当织物类型被识别为纯纤维或者纤维种类时，则附加地接着根据与相应于识别出的纯纤维和小份额的其他类型的纤维的混合物的IR参考光谱的比较对IR测量光谱分类并且根据表明与该IR测量光谱最相符的IR参考光谱识别出混合物份额。由此实现的优点是，也可以快速地并且可靠地确定具有强烈主导的纤维份额和其他纤维类型的仅仅少的混入物的织物的织物类型。在此可以例如首先实施关于确定的纤维组(如上所述地例如“棉和亚麻”等)的粗分类并且然后接着通过细分类确定匹配的纯纤维种类。如果织物具有作为强烈主导的纤维份额的识别出的“纯”纤维种类，则当存在其他纤维种类的少的混入物(例如<1％)时，细分类也导致一个结果。为了也可靠地识别所述其他纤维种类，紧接着对主导的“纯”纤维种类的识别可以如下地实施再一次分类，即其他纤维种类是否存在并且可能以多小的量存在(“最细分类”)。

一个设计方案在于，用于分类的IR光谱(测量光谱和参考光谱)是吸收光谱。IR测量吸收光谱在此是由IR测量反射光谱计算出的IR测量光谱。这实现的优点是，由吸收光谱的峰值的大小可以特别准确地确定纤维混合物中的不同的纯纤维种类的份额的量。特别是，纤维混合物中的不同的纯纤维种类的份额可以线性地化为对应的吸收光谱的强度。如果例如用于纤维混合物的IR吸收光谱应由纯纤维种类的IR吸收光谱计算，则混合物份额可以线性地通过纯纤维种类的IR吸收光谱的相对强度设定。这在使用IR反射光谱或者反射光谱的情况中不容易实现。

吸收光谱可以借助公式

Ia＝-log Ir

由测量出的反射光谱计算，其中，Ia是吸收光谱和Ir是反射光谱。然而替换地也可以使用其他方法、例如库贝尔卡-芒克变换。

一个进一步方案是，吸收光谱是经平滑处理的吸收光谱。这提高了光谱比较的可靠性。所述平滑处理可以例如借助Savitzky-Golay滤波器进行。

一个进一步方案是，吸收光谱是经SNV校正的吸收光谱。这进一步提高光谱比较的可靠性。特别是预先经平滑处理的吸收光谱可以经受SNV(Standard-Normal-Variate，标准正态变换)校正。

一个设计方案是，由测量出的并且接着标准化的反射光谱计算出吸收光谱。这实现的优点是，还进一步提高织物类型的确定可靠性。

具有作为测量值(例如所谓的“counts”)的反射值的、直接测量出的原始IR反射测量光谱Ir,raw可以例如借助公式

Ir,norm＝(Ir,raw-Ir,dark)/(Ir,stand-Ir,dark)

或者公式

Ir,norm＝Ir,raw/(Ir,stand-Ir,dark)

转换为标准化的IR反射测量光谱Ir,norm，其中，Ir,stand是预给定的标准材料、例如特氟龙的反射光谱，并且Ir,dark是反射暗光谱。可以对于所述光谱的每个光谱通道或光谱点进行数学关联。

反射暗光谱Ir,dark可以通过IR扫描器自动地接收并且有利地实现抑制IR扫描器固有的噪声部分。标准材料的反射光谱Ir,stand的使用有利地实现以百分比值将IR测量光谱“标准化”。

一个设计方案是，数据处理装置设置用于，

-根据借助IR扫描器从测量织物接收的IR测量光谱如前所述地识别测量织物的织物类型；

-根据借助IR扫描器从测量织物在污斑的区域中接收的IR测量光谱识别出测量织物上的污斑的污斑类型。

污斑类型的识别可以类似于织物类型的识别进行，例如通过使用用于不同的污斑类型的IR参考光谱进行。也就是说，特别是可以由至少一个原始IR测量光谱首先确定织物类型并且基于所述织物类型确定污斑类型。为了确定织物类型可以使IR扫描器对准织物的无污斑的区域，并且然后为了确定污斑类型而使IR扫描器对准污斑。因此，可以特别可靠地进行织物类型和污斑类型的确定。替换地，IR扫描器可以仅仅对准污斑，并且织物类型和污斑类型由相同的IR测量光谱确定。因此，可以有利地减少测量的数量。

具有作为测量值的在织物的设有污斑的区域上的反射值的、直接测量的原始IR测量光谱Ir,raw可以例如借助公式

Ir,norm＝(Ir,raw-Ir,dark)/(Ir,tex-Ir,dark)

或者公式

Ir,norm＝Ir,raw/(Ir,tex-Ir,dark)

转换为污斑的标准化的反射光谱Ir,norm，其中，Ir,text是无污斑的测量织物的反射光谱。Ir,tex可以例如相应于前述织物情况的Ir,raw。

一个设计方案是，织物识别装置附加地具有在可见光谱范围内敏感的视觉传感器，并且数据处理装置设置用于，根据如前所述的对污斑类型的IR分类以及根据借助视觉传感器从测量织物在污斑的区域中接收的可见光谱值(例如色彩信号)通过与可见参考光谱值的比较识别出测量织物上的污斑的污斑类型。可见光谱值特别是属于不同的色彩，从而可见光谱值可以构成色彩光谱(例如RGB色彩光谱)，以便可以确定织物在污斑的位置处的色彩。

通过由IR分类对织物类型的如前所述的热化学识别与对污斑的视觉光学评估的组合可以实现特别准确地确定污斑的类型或者材料成分。如果例如污斑材料的量非常小，则可以通过附加的色彩分析改善在借助IR分类对污斑类型的确定中由此产生的不确定性。例如来自胡萝卜的污斑由于其橙色色调的识别可以与其他色彩的污斑类型相区别并且由此更可靠地识别污斑类型。

视觉传感器可以集成到IR扫描器(组合的红外-视觉扫描器)中并且特别是与所述IR扫描器同时地运行。视觉传感器可以包括例如一个或多个光电二极管(例如RGB敏感的光电二极管)、CCD传感器等。

一个设计方案是，IR扫描器是手持式扫描器。这实现的优点是，织物类型的确定能够特别容易地并且与位置无关地实施，更确切地说，也由最终用户实施。

一个设计方案是，数据处理装置集成到IR扫描器中。由此实现的技术优点是，织物识别装置能够自动地、特别是也在没有互联网连接或者类似的情况下运行。

一个设计方案是，数据处理装置集成到与IR扫描器数据技术地连接的外部机构中。由此实现的优点是，由外部机构提供用于实施织物识别的计算功率并且可以使IR扫描器保持为简单的和价格便宜的。外部机构可以例如是网络服务器、例如织物识别装置的制造商或销售商或者计算机网络、例如所谓的“云”。

一个设计方案是，织物识别装置设置用于，基于识别出的织物类型输出至少一个洗涤物护理指示、例如至少一个洗涤指示(例如包括最大洗涤温度、推荐的洗涤剂等)、至少一个清洁指示(例如包括化学清洁的推荐的或者不推荐的方法等)、至少一个烘干指示(例如包括烘干过程性能、最大烘干温度等)、至少一个污斑清除指示(例如包括适用于清除在识别出的织物类型上的识别出的污斑的污斑清洁剂等)。

该任务也通过一种用于识别织物类型的方法来解决，其中，接收测量织物的至少一个IR测量光谱；通过与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类；和采用下述参考织物类型作为测量织物的织物类型，该参考织物类型的IR参考光谱表明与IR测量光谱最相符。

所述方法可以类似于织物识别装置设计并且实现相同的优点。由此所述方法例如也可以进一步设计为一种用于识别污斑的方法等。

此外，该任务通过一种计算机程序产品来解决，当该计算机程序产品在数据处理装置上运行时，所述计算机程序产品实施上述的方法。计算机程序产品可以类似于所述方法和类似于织物识别装置设计并且具有相同的优点。

附图说明

本发明的前述的特性、特征和优点以及如何实现其的方式和方法结合实施例的下述示意性的说明而更清楚并且更明确地被理解，所述实施例结合附图更详细地说明。

图1示出用于根据按照第一实施例的织物识别装置识别织物类型的可能的过程；和

图2示出可能的、使用在图1的步骤S6中的分类结构。

具体实施方式

图1示出用于根据织物识别装置1识别织物类型的可能的过程。织物识别装置1具有IR扫描器2和数据处理装置3。数据处理装置3可以集成到IR扫描器2中或者是外部机构、例如网络计算机。特别是对于数据处理装置3是外部机构的情况，IR扫描器2是能联网的。为此，所述IR扫描器可以例如具有无线通信模块、例如蓝牙模块或WIAN模块(未示出)。

在步骤S1中，测量织物(例如最终用户的洗涤衣物，未示出)的原始的IR反射测量光谱借助IR扫描器2被接收并且传输给数据处理装置3。

在步骤S2中，例如通过使用标准材料的IR光谱和/或暗光谱将原始的IR反射测量光谱转换成标准化的IR反射测量光谱。

在步骤S3中，例如通过求对数将标准化的IR反射测量光谱转换成IR吸收测量光谱。

在步骤S4中，例如借助Savitzky-Golay滤波器对IR吸收测量光谱平滑处理。

在步骤S5中，对经平滑处理的IR吸收测量光谱进行SNV校正。

在步骤S6中，经SNV校正的、经平滑处理的IR吸收测量光谱通过与参考光谱比较而被分类，作为所述分类的结果确定所述织物类型，在混合织物的情况中包括纯纤维种类的份额。在此，采用或者识别出下述参考织物类型作为测量织物的织物类型，该参考织物类型的IR参考光谱表明与IR测量光谱最相符。

在步骤S7中，将识别出的织物类型显示(例如在织物识别装置1和/或能与所述织物识别装置数据技术地连接的设备、例如智能手机等上)并且必要时输出洗涤物护理指示。

图2示出可能的在图1的步骤S6中使用的分类结构，所述分类结构具有不同的比较区块或者决定区块B1至B8。

在第一决定区块B1中，通过经SNV校正的经平滑处理的IR吸收测量光谱与相应的IR吸收参考光谱比较来检验，IR测量光谱属于织物(“TEX”)还是不属于织物(“NONTEX”)。通过关联方法确定IR测量光谱是否属于织物，其中，IR测量光谱与所述IR参考光谱中的一个IR参考光谱的最相符被评估为与该参考光谱相符。通过如下方式可以确定与织物的缺乏的对应关系，即与对应于织物的所有IR参考光谱的偏差超过预给定的阈值，也就是说，不存在与所述IR参考光谱中的任何一个参考光谱足够好的相符。

如果IR测量光谱属于一种织物地被分类，则在决定区块B2中通过经SNV校正的经平滑处理的IR吸收测量光谱与(另外的)IR吸收参考光谱比较来检验，对应于IR测量光谱的织物由一种唯一的纯纤维种类构成(“P”)还是由纤维混合物构成(“MIX”)。

决定区块B1和B2也可以视为属于粗分类。

如果在决定区块B2中确定存在纯种类的织物，则分支到决定区块B3，在所述决定区块B3中将IR测量光谱与下述IR参考光谱比较，所述IR参考光谱相应于纯纤维种类或者相应于由多个纯纤维种类组成的组。纯纤维种类和由多个纯纤维种类组成的组在此表示为带圆角的方块。

在决定区块B3中使用的、由多个纯纤维种类组成的组可以例如包括：

-由两种或更多种纤维素人造纤维组成的组，

-由两种或更多种植物纤维组成的组，

-由两种或更多种动物源纤维组成的组，

-由两种或更多种聚合物纤维组成的组，

然而不局限于此。

例如当一组的各个纯纤维种类的IR参考光谱类似时，可以利用该组的IR参考光谱。该组的IR参考光谱则也可以视为用于该组的粗略的或者普遍化的IR参考光谱，所述粗略的或者普遍化的IR参考光谱在该等级上足够好地接近于该组的各个纯纤维种类的所有IR参考光谱。

如果在决定区块B3中确定，IR测量光谱属于单个纤维种类(例如聚酯)，则分支到决定区块B5。如果在决定区块B3中确定，IR测量光谱属于纯纤维种类的组，则分支到决定区块B4。

在决定区块B4中，将IR测量光谱与该组的纯纤维种类的各个IR参考光谱比较并且确定织物与所述纤维种类中的一种纤维种类的对应关系。

纯纤维种类表示为带圆角的方块。

决定区块B3和B4可以视为“细分类”。

在决定区块B5中，根据IR测量光谱与相应的精细的IR参考光谱的比较定性地检验，之前在决定区块B3或者B4中识别出的纯纤维种类(例如羊毛)是否还具有至少一种另外的纤维种类(例如聚酰胺和/或聚丙烯腈)的少的混入物(即存在纤维混合物)，并且这是至少哪一种另外的纤维种类。如果没有，则将由此被分类的纯纤维种类作为织物类型显示给使用者。由主导的(几乎纯的)纤维种类构成的定性的混合物在此表示为带圆角的方块。

如果之前在决定区块B5中识别出的主导的“纯的”纤维种类具有另外的纤维种类的少的混入物，则在决定区块B6中根据IR测量光谱与相应的精细的IR参考光谱的比较通过分类来量化，即所述份额多大(例如98％羊毛+2％聚酰胺)。接着将分类结果显示给使用者。由主导的(几乎纯的)纤维种类组成的量化的混合物在此表示为带圆角的方块，例如所述带圆角的方块包括用于99.5％羊毛+0.5％聚酰胺、99％羊毛+1％聚酰胺、98％羊毛+2％聚酰胺等的纤维混合物的IR参考光谱。

如果在决定区块B2中确定，存在纤维混合物，则分支到决定区块B7，在该决定区块B7中使IR测量光谱与IR参考光谱比较。不同的纤维种类的混合物在此表示为带圆角的方块。

可能的纤维混合物可以包括例如由前述在决定区块B3和B4上的纯纤维种类中的两种或更多种纯纤维种类组成的混合物。

如果在决定区块B7中对纤维混合物定性地分类，则接着在决定区块B8中将IR测量光谱与IR参考光谱比较，所述IR参考光谱相应于之前定性地确定出的纤维混合物的不同的混合物份额。接着将分类的结果定量地和定性地显示给使用者。在此，用于原则上所有可能的纤维混合物的不同的混合物份额表示为带圆角的方块。根据决定区块B7和B8进行的分类原则上类似于根据决定区块B5和B6进行的分类，其中，也可以使用另外的的纤维混合物和/或纤维份额的IR参考光谱，例如50％羊毛+50％聚酰胺、60％羊毛+40％聚酰胺、70％羊毛+30％聚酰胺等。

上述方法可以作为计算机程序产品存在于数据处理装置3中，例如作为“嵌入式”软件存在。

当然本发明不局限于所示的实施例。

用于识别污斑类型的过程也可以紧接着步骤S6或S7。该过程可以类似于步骤S1至S7或者S2至S7地实施，其中，IR参考光谱则表示不同的污斑类型或污斑材料的光谱。仅仅在步骤S2中，原始的IR反射测量光谱(该原始的IR反射测量光谱也包括污斑材料的光谱部分)不是通过使用标准材料而是通过使用织物类型标准化。例如为此可以使用无污斑的织物的IR反射光谱作为IR标准光谱。

视觉/光学的污斑识别也可以紧接着IR分类，为此织物识别装置也可以还具有在图1中示出的光学传感器4。

“一个”等通常可以理解为单数或者复数，特别是在“至少一个”或者“一个或多个”等的意义中，只要这例如未通过表述“恰好一个”等明确地排除。

数字表述也可以恰好包括所述的数字而且包括常见的公差范围，只要这未被明确地排除。

附图标记列表

1 织物识别装置

2 IR扫描器

3 数据处理装置

4 视觉传感器

S1-S7 方法步骤

B1-B8 决定区块

TEX 织物

NONTEX 非织物

P 纯纤维种类

MIX 纤维混合物

Claims (14)

1.一种织物识别装置(1)，其具有IR扫描器(2)和数据处理装置(3)，其中，所述数据处理装置(3)设置用于，根据借助所述IR扫描器(2)从测量织物接收的IR测量光谱来识别所述测量织物的织物类型，其中，所述数据处理装置(3)设置用于，根据与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类并且采用下述参考织物类型作为所述测量织物的织物类型，该参考织物类型的IR参考光谱表明与所述IR测量光谱最相符，其特征在于，所述IR参考光谱包括纯纤维的光谱和纤维混合物的光谱，并且所述数据处理装置(3)设置用于，当纤维混合物被识别为织物类型时，则根据与相应于识别出的纤维混合物的不同混合物份额的IR参考光谱的比较对所述IR测量光谱分类，并且根据表明与所述IR测量光谱最相符的IR参考光谱识别出所述混合物份额。

2.根据权利要求1所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)设置用于，特别是在使用PLS密度、Bagging树或随机森林的情况下使用非线性的分离法，以便对所述IR测量光谱分类。

3.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，对最相符性的检验是多级的检验。

4.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)设置用于，当织物类型被识别为纯纤维时，则根据与相应于识别出的纯纤维和小份额的其他类型的纤维的混合物的IR参考光谱的比较对所述IR测量光谱分类并且根据表明与所述IR测量光谱最相符的IR参考光谱识别出混合物份额。

5.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，用于分类的IR光谱是吸收光谱、特别是经平滑处理的和经SNV校正的吸收光谱。

6.根据权利要求5所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)设置用于，由测量出的并且接着标准化的反射光谱计算出所述吸收光谱。

7.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)附加地设置用于，根据借助所述IR扫描器(2)从所述测量织物在污斑的区域中接收的IR测量光谱识别出所述测量织物上的污斑的污斑类型。

8.根据权利要求7所述的织物识别装置(1)，其特征在于，所述织物识别装置(1)附加地具有在可见光谱范围内敏感的视觉传感器(4)，并且所述数据处理装置(3)设置用于，附加地根据借助所述视觉传感器(4)从所述测量织物在所述污斑的区域中接收的可见光谱值通过与可见参考光谱值的比较识别出所述测量织物上的污斑的污斑类型。

9.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述IR扫描器(2)是手持式扫描器。

10.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)集成到所述IR扫描器(2)中。

11.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述数据处理装置(3)集成到与所述IR扫描器(2)数据技术地连接的外部机构中。

12.根据前述权利要求中任一项所述的织物识别装置(1)，其特征在于，所述织物识别装置(1)设置用于，基于识别出的材料成分输出至少一个洗涤物护理指示。

13.一种用于识别织物类型的方法(S1-S7)，其中，

-接收测量织物的至少一个IR测量光谱(S1)；

-通过与相应于不同的参考织物类型的IR参考光谱的比较对所接收的IR测量光谱或者由其计算出的IR测量光谱分类(S6)，其中，所述IR参考光谱包括纯纤维的光谱和纤维混合物的光谱；和

-采用下述参考织物类型作为所述测量织物的织物类型，该参考织物类型的IR参考光谱表明与所述IR测量光谱最相符(S6)，

其特征在于，

-当识别出纤维混合物作为织物类型时，则根据与相应于所识别出的纤维混合物的不同混合物份额的IR参考光谱的比较对所述IR测量光谱分类，和

-根据表明与所述IR测量光谱最相符的IR参考光谱识别出混合物份额。

14.根据权利要求13所述的方法，其特征在于，特别是在使用PLS密度、Bagging树或随机森林的情况下使用非线性的分离法，以便对所述IR测量光谱分类。

Images