CN113820291A - 基于多阶段卷积神经网络的纺织品无损环保定性方法 - Google Patents
基于多阶段卷积神经网络的纺织品无损环保定性方法 Download PDFInfo
- Publication number
- CN113820291A CN113820291A CN202110997073.2A CN202110997073A CN113820291A CN 113820291 A CN113820291 A CN 113820291A CN 202110997073 A CN202110997073 A CN 202110997073A CN 113820291 A CN113820291 A CN 113820291A
- Authority
- CN
- China
- Prior art keywords
- stage
- vector
- dimension
- convolution
- textile
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000004753 textile Substances 0.000 title claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 110
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims 4
- 238000010606 normalization Methods 0.000 claims 2
- 238000002329 infrared spectrum Methods 0.000 abstract description 11
- 239000000835 fiber Substances 0.000 abstract description 5
- 238000004451 qualitative analysis Methods 0.000 abstract description 5
- 238000013145 classification model Methods 0.000 abstract description 4
- 230000003213 activating effect Effects 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 229920002972 Acrylic fiber Polymers 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 2
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 2
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 2
- 229920000297 Rayon Polymers 0.000 description 2
- 229920002334 Spandex Polymers 0.000 description 2
- 229920004933 Terylene® Polymers 0.000 description 2
- 235000009120 camo Nutrition 0.000 description 2
- 210000000085 cashmere Anatomy 0.000 description 2
- 235000005607 chanvre indien Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011487 hemp Substances 0.000 description 2
- 229920001778 nylon Polymers 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 239000002964 rayon Substances 0.000 description 2
- 239000004759 spandex Substances 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本发明提出的基于多阶段卷积神经网络的纺织品无损环保定性方法设计了一个基于一维卷积神经网络的多阶段分类模型,实现纺织品纤维成分的定性分析。首先根据近红外光谱数据的特点设计了具有两阶段的深度特征提取模块,获得一维的深度特征向量,并通过该特征进行第一阶段的分类,将纤维成分在特征空间中距离相近的组分进行初步分类。然后将获得的特征分别输入到第二阶段的多个子模型中,其中第二阶段子模型包含多个卷积层和波段选择注意力机制,通过对不同波段特征进行波段重要性计算,增强了模型对相近纺织纤维成分的分类能力。
Description
技术领域
本发明属于纺织品成分分析、材料分类技术领域,具体涉及一种基于多阶段一维卷积神经网络的纺织品无损环保定性方法。
背景技术
在经典的基于近红外光谱数据纺织品成分分析方法中,当前方法大多使用基于统计学习的方法中,首先对近红外光谱数据的预处理提取有效特征,然后通过随机森林、偏最小二乘、逻辑回归等方法获得定性或定量结果。当前已有方法基于浅层机器学习方法难以捕获纺织纤维成分细微差别特征,如棉麻的近红外光谱数据的差异极其微小。本发明设计的深度学习框架可以更好捕获高层抽象特征,用于区分具有细微差异的纺织品成分。另外,在混纺织物的多组分的类别分布存在极大不平衡(即长尾效应)特性,本发明设计了一种多阶段分类模型,通过多任务学习,对尾部数据及存在细微差异的数据进行更好的优化来提升混纺多组分的定性分析的准确性和鲁棒性。
上述现有技术中存在的缺陷:
(1)对于传统近红外光谱数据纺织品成分分析方法,其解决方案中往往依赖于光谱数据预处理、对数据纯净度要求很高,在工业应用场景下由于其检测性能较低已远无法满足当前检测需求。并且没有针对定性分析任务对近红外光谱数据设计有效的深度分类模型;
(2)对于同类深度学习方法而言,第一,没有考虑到纷繁复杂的纺织品近红外光谱数据的样本分布的不平衡问题,使得模型在预测样本数量较少的类别时效果较差。第二,在多成分,多组分定性分析任务中没有考虑到多阶段模型在训练过程中通过多任务损失函数间的相互促进可以使得模型学习更好的特征表示。
发明内容
本发明的目的在于提出一种基于近红外光谱数据的纺织品多阶段定性分类方法。
本发明提出的基于一种基于近红外光谱数据的纺织品多阶段定性分类方法设计了一个基于一维卷积网络的多阶段分类模型进行纺织品成分的定性分析。首先根据近红外光谱数据的特点设计了具有四个阶段的深度特征提取模块,获得一维的深度特征向量,并通过该特征进行第一阶段的分类,将纤维成分在特征空间中距离相近的组分进行初步分类。然后将获得的特征分别输入到第二阶段的多个子模型中,在第二阶段子模型中包含卷积层和波段注意力机制,通过对不同波段特征进行注意力计算,增强了模型对相近纤维材质的分类能力。
本发明提出的多阶段定性分类网络包括如下步骤:
(1):给定输入光谱数据,对其进行归一化和标准化,每次输入的采样数据维度为p*1,其中p是近红外光谱数据维度。将一维卷积模块串行组合,设计一个具有四个特征提取模块的一维卷积神经网络,将采样数据输入到特征提取网络;
(2):将采样特征输x输入到特征提取网络第一模块中,首先通过7*1卷积核对x进行卷积,通道个数为64,步长为2,获得一个维度为a*64维度的向量,然后将该向量进行经过两层3*1卷积层,步长为1,通道个数为64,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x1,维度为a*64,其中a是经过一维卷积后的向量维度。
(3):将特征提取网络模块一的输出向量x1输入到特征提取第二模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为128,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x2,维度为b*128,其中b是经过一维卷积后的向量维度。
(4):将特征提取网络模块一的输出向量x2输入到特征提取第三模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为256,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x3,维度为c*256,其中c是经过一维卷积后的向量维度。
(5):将特征提取网络模块一的输出向量x3输入到特征提取第四模块中,首先将该向量进行经过两层3*1卷积层,步长为1,通道个数为512,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x4,维度为d*512,其中d是经过一维卷积后的向量维度x4维度。
(6):将该向量x4进行最大池化,获得一个1*512维度的深度特征,然后输入全连接网络,输出第一阶段分类向量,维度为1*K,其中K为第一阶段分类个数。计算第一阶段
损失函数loss1,具体如下:
其中N为第一阶段样本,p为模型输出类别,y为标签类别;
(7):将步骤6获得的d*512维度的向量x4作为深度特征描述子分别输入到第二阶段的六个细粒度分类子网络中,其中模型结构相同,但参数不共享。
(8):将向量x4看做512个维度为d的特征描述子,其中d是经过一维卷积后的向量维度x4的维度。首先通过一个1*1卷积层对特征进行降维,得到x5,输出的特征维度为128*d,作为特征向量H,分别输入到第二阶段分类的K个子网络中。
定义一个可学习的波段特征注意力机制,将特征向量H输入得到注意力权重向量A。具体计算方法如下:
其中tanh为激活函数,V为可学习参数,维度为u*d,其中u是隐藏层维度,d为特征x5的维度;w,维度为u*1,其中u同V的隐藏层维度。k为第二阶段子模型个数。
将得到的权重向量A与x5相乘,获得融合注意力权重的向量V。
(9):将各个子模型获得的编码层向量V输入到一层全连接网络,输出维度为L,表示第二阶段子网络分类个数。并计算第二阶段损失函数loss2,具体方法为:
其中N为第二阶段每个类别样本个数,K第一阶段输出维度,即第二阶段模型各个数,w为每个子模型损失的权重,y为子模型标签值,p为子模型输出值;
(10):将两个阶段的损失函数loss1和loss2相加得到模型最终的损失函数。模型将在预测过程中同时输出一阶段大类分类结果和二阶段细粒度分类结果。
附图说明
图1方法整体流程示意图
图2方法的主要模块示意图
具体实施方式
下面通过实施例进一步说明本发明。
实施例1:
请参看图1,给定输入光谱数据,对其进行归一化和标准化,每次输入的采样数据维度为228*1,其中228是近红外光谱数据维度。将一维卷积模块串行组合,设计一个具有四个特征提取模块的一维卷积神经网络,将采样数据输入到特征提取网络;
将采样特征输入到特征提取网络第一模块中,首先通过7*1卷积核对输入数据进行卷积,通道个数为64,步长为2,获得一个维度为102*64维度的向量,然后将该向量进行经过两层3*1卷积层,步长为1,通道个数为64,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x1,维度为102*64。
将特征提取网络模块一的输出向量x1输入到特征提取第二模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为128,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x2,维度为51*128。
将特征提取网络模块一的输出向量x2输入到特征提取第三模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为256,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x3,维度为26*256。
将特征提取网络模块一的输出向量x3输入到特征提取第四模块中,首先将该向量进行经过两层3*1卷积层,步长为1,通道个数为512,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x4,维度为13*512。
将该向量x4进行最大池化,获得一个1*512维度的深度特征,然后输入全连接网络,输出第一阶段分类向量,维度为6,其中6为第一阶段分类个数分别为:
1):棉、麻、人棉组成的组分
2):涤纶、尼龙组成的组分
3):腈纶、羊毛组成的组分
4):包含羊绒的组分
5):包含天丝的组分
6):包含氨纶的组分
请参看图2,在特征提取网络后计算一阶段损失函数loss1,损失函数为步骤6中所示的交叉熵损失。然后将特征输入到第二阶段的细粒度网络中,并进行注意力计算。获得第二阶段的损失并输出结果向量。
将获得的13*512维度的向量x4作为深度特征描述子分别输入到第二阶段的六个细粒度分类子网络中,其中模型结构相同,但参数不共享。
将向量x4看做512个维度为13的特征描述子,其中13是经过一维卷积后的向量维度x4的维度。首先通过一个1*1卷积层对特征进行降维,得到x5,输出的特征维度为128*13,
作为特征向量H,分别输入到第二阶段分类的K个子网络中。
定义一个可学习的波段特征注意力机制,将特征向量H输入得到注意力权重向量A。具体计算方法如下:
其中V为可学习参数,维度为128*13,其中128是隐藏层维度,d为特征x5的维度,值为13;w,维度为128*1。k为第二阶段子模型个数6。
将得到的权重向量A与x5相乘,获得融合注意力权重的向量V。
将各个子模型获得的编码层向量V输入到一层全连接网络,输出第二阶段分类结果。
网络训练过程使用SGD作为优化器,输入图像尺寸为1*228,训练数据批次大小512。学习率从0.005开始,当误差趋于平稳时除以2,衰减率设置为0.0001,动量设置为0.9。
实施例2:
请参看图1,首先给定输入光谱数据,对其进行归一化和标准化,每次输入的采样数据维度为228*3,其中228是近红外光谱数据维度,并将3次采样作为一个输入数据。将一维卷积模块串行组合,设计一个具有四个特征提取模块的一维卷积神经网络,将采样数据输入到特征提取网络;
将采样特征输入到特征提取网络第一模块中,首先通过13*1卷积核对输入数据进行卷积,通道个数为32,步长为1,获得一个维度为102*32维度的向量,然后将该向量进行经过两层3*1卷积层,步长为1,通道个数为64,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x1,维度为102*32。
将特征提取网络模块一的输出向量x1输入到特征提取第二模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为64,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x2,维度为51*64。
将特征提取网络模块一的输出向量x2输入到特征提取第三模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为128,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x3,维度为26*128。
将特征提取网络模块一的输出向量x3输入到特征提取第四模块中,首先将该向量进行经过两层3*1卷积层,步长为1,通道个数为256,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x4,维度为13*256。
将该向量x4进行平均池化,获得一个1*256维度的深度特征,然后输入全连接网络,输出第一阶段分类向量,维度为5,其中5为第一阶段分类个数分别为:
1):棉、麻、人棉组成的组分
2):涤纶、尼龙组成的组分
3):腈纶、羊毛、羊绒组成的组分
4):包含天丝、氨纶的组分
5):其他组分
请参看图2,在特征提取网络后计算一阶段损失函数loss1,损失函数为步骤6中所示的交叉熵损失。然后将特征输入到第二阶段的细粒度网络中,并进行注意力计算。获得第二阶段的损失并输出结果向量。
将获得的13*256维度的向量x4作为深度特征描述子分别输入到第二阶段的六个细粒度分类子网络中,其中模型结构相同,但参数不共享。
将向量x4看做256个维度为13的特征描述子,其中13是经过一维卷积后的向量维度x4的维度。首先通过一个1*1卷积层对特征进行降维,得到x5,输出的特征维度为64*13,作为特征向量H,分别输入到第二阶段分类的K个子网络中。
定义一个可学习的波段特征注意力机制,将特征向量H输入得到注意力权重向量A。具体计算方法如下:
其中V为可学习参数,维度为64*13,其中64是隐藏层维度,d为特征x5的维度,值为13;w,维度为64*1。k为第二阶段子模型个数5。
将得到的权重向量A与x5相乘,获得融合注意力权重的向量V。
将各个子模型获得的编码层向量V输入到一层全连接网络,输出第二阶段分类结果。网络训练过程使用SGD作为优化器,输入图像尺寸为3*228,训练数据批次大小512。学习率从0.005开始,当误差趋于平稳时除以2,衰减率设置为0.0001,动量设置为0.9。
Claims (10)
1.基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于所述的无损环保定性方法包括以下步骤:
S1:输入预处理数据,对其进行归一化和标准化;
S2:进行特征提取网络第一模块计算;
S3:进行特征提取网络第二模块计算;
S4:进行特征提取网络第三模块计算;
S5:进行特征提取网络第四模块计算;
S6:计算第一阶段损失;
S7:输入到第二阶段子网络;
S8:进行波段注意力计算;
S9:计算第二阶段损失;
S10:计算整体损失并输出分类结果。
2.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将采样特征输x输入到特征提取网络第一模块中,首先通过7*1卷积核对x进行卷积,通道个数为64,步长为2,获得一个维度为a*64维度的向量,然后将该向量进行经过两层3*1卷积层,步长为1,通道个数为64,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x1,维度为a*64,其中a是经过一维卷积后的向量维度。
3.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将特征提取网络模块一的输出向量x1输入到特征提取第二模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为128,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x2,维度为b*128,其中b是经过一维卷积后的向量维度。
4.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将特征提取网络模块一的输出向量x2输入到特征提取第三模块中,将该向量进行经过两层3*1卷积层,步长为1,通道个数为256,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x3,维度为c*256,其中c是经过一维卷积后的向量维度。
5.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将特征提取网络模块一的输出向量x3输入到特征提取第四模块中,首先将该向量进行经过两层3*1卷积层,步长为1,通道个数为512,每次卷积后通过Relu激活函数进行激活并进行标准化,得到输出向量x4,维度为d*512,其中d是经过一维卷积后的向量维度x4维度。
7.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将步骤6获得的d*512维度的向量x4作为深度特征描述子分别输入到第二阶段的六个细粒度分类子网络中,其中模型结构相同,但参数不共享。
8.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将向量x4看做512个维度为d的特征描述子,其中d是经过一维卷积后的向量维度x4的维度。首先通过一个1*1卷积层对特征进行降维,得到x5,输出的特征维度为128*d,作为特征向量H,分别输入到第二阶段分类的K个子网络中;
定义一个可学习的波段特征注意力机制,将特征向量H输入得到注意力权重向量A。
具体计算方法如下:
其中tanh为激活函数,V为可学习参数,维度为u*d,其中u是隐藏层维度,d为特征x5的维度;w,维度为u*1,其中u同V的隐藏层维度,为第二阶段子模型个数;
将得到的权重向量A与x5相乘,获得融合注意力权重的向量V。
10.如权利要求1所述的基于多阶段卷积神经网络的纺织品无损环保定性方法,其特征在于将两个阶段的损失函数loss1和loss2相加得到模型最终的损失函数。模型将在预测过程中同时输出一阶段大类分类结果和二阶段细粒度分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997073.2A CN113820291B (zh) | 2021-08-27 | 2021-08-27 | 基于多阶段卷积神经网络的纺织品无损环保定性方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997073.2A CN113820291B (zh) | 2021-08-27 | 2021-08-27 | 基于多阶段卷积神经网络的纺织品无损环保定性方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820291A true CN113820291A (zh) | 2021-12-21 |
CN113820291B CN113820291B (zh) | 2023-07-28 |
Family
ID=78923297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997073.2A Active CN113820291B (zh) | 2021-08-27 | 2021-08-27 | 基于多阶段卷积神经网络的纺织品无损环保定性方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820291B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201144A (zh) * | 2022-09-14 | 2022-10-18 | 武汉工程大学 | 一种油菜籽的氨基酸及蛋白质定量检测方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19920592A1 (de) * | 1999-05-04 | 2000-11-09 | Cetex Chemnitzer Textilmaschin | Verfahren und Vorrichtung zur automatischen Erkennung von textilen Faserstoffen |
JP2011047759A (ja) * | 2009-08-26 | 2011-03-10 | Shinshu Univ | 繊維製品の検査方法 |
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 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
-
2021
- 2021-08-27 CN CN202110997073.2A patent/CN113820291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19920592A1 (de) * | 1999-05-04 | 2000-11-09 | Cetex Chemnitzer Textilmaschin | Verfahren und Vorrichtung zur automatischen Erkennung von textilen Faserstoffen |
JP2011047759A (ja) * | 2009-08-26 | 2011-03-10 | Shinshu Univ | 繊維製品の検査方法 |
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 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201144A (zh) * | 2022-09-14 | 2022-10-18 | 武汉工程大学 | 一种油菜籽的氨基酸及蛋白质定量检测方法、系统及介质 |
CN115201144B (zh) * | 2022-09-14 | 2022-12-09 | 武汉工程大学 | 一种油菜籽的氨基酸及蛋白质定量检测方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113820291B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN104616029B (zh) | 数据分类方法及装置 | |
CN113378989B (zh) | 基于复式协同结构特征重组网络的多模态数据融合方法 | |
CN111476138B (zh) | 建筑图纸构件识别模型构建方法、识别方法及相关设备 | |
CN108205703B (zh) | 多输入多输出矩阵平均值池化向量化实现方法 | |
CN112818407B (zh) | 一种基于生成对抗网络的视频隐私保护方法 | |
CN115204183A (zh) | 基于知识增强的双通道情感分析方法、装置以及设备 | |
CN113705641A (zh) | 基于富上下文网络的高光谱图像分类方法 | |
CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
CN113820291B (zh) | 基于多阶段卷积神经网络的纺织品无损环保定性方法 | |
CN113067798B (zh) | Ics入侵检测方法、装置、电子设备和存储介质 | |
CN114330469A (zh) | 一种快速、准确的加密流量分类方法及系统 | |
CN111898614B (zh) | 神经网络系统以及图像信号、数据处理的方法 | |
CN104572930B (zh) | 数据分类方法及装置 | |
CN114220012B (zh) | 一种基于深度自注意力网络的纺织品棉麻鉴别方法 | |
CN112989354A (zh) | 基于神经网络和焦点损失的攻击检测方法 | |
CN116821905A (zh) | 一种基于知识搜索的恶意软件检测方法及系统 | |
CN114881312B (zh) | 基于改进深度森林的短期风功率预测方法 | |
CN114842425B (zh) | 用于石油化工工艺的异常行为识别方法及电子设备 | |
CN110648332A (zh) | 基于多分支卷积神经网络特征正交的图像可判别区域提取方法 | |
CN113254939A (zh) | 基于多注意力机制和自适应学习的智能合约漏洞检测方法 | |
Liu | Comparison of different Convolutional Neural Network models on Fruit 360 Dataset | |
CN113743593A (zh) | 神经网络量化方法、系统、存储介质及终端 | |
Lv et al. | Hyperspectral Imaging Based Nonwoven Fabric Defect Detection Method Using LL-YOLOv5 | |
CN116429709B (zh) | 光谱检测方法、装置及计算机可读存储介质 |
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 |