CN113984701A - 基于深度神经网络的在线织物纤维成分检测方法和系统 - Google Patents
基于深度神经网络的在线织物纤维成分检测方法和系统 Download PDFInfo
- Publication number
- CN113984701A CN113984701A CN202111039381.0A CN202111039381A CN113984701A CN 113984701 A CN113984701 A CN 113984701A CN 202111039381 A CN202111039381 A CN 202111039381A CN 113984701 A CN113984701 A CN 113984701A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- deep neural
- fabric fiber
- inference
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 96
- 239000004744 fabric Substances 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000004753 textile Substances 0.000 claims abstract description 33
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 229920000742 Cotton Polymers 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 244000025254 Cannabis sativa Species 0.000 claims description 6
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 claims description 6
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 claims description 6
- 229920002334 Spandex Polymers 0.000 claims description 6
- 235000009120 camo Nutrition 0.000 claims description 6
- 235000005607 chanvre indien Nutrition 0.000 claims description 6
- 239000011487 hemp Substances 0.000 claims description 6
- 239000004759 spandex Substances 0.000 claims description 6
- 239000004677 Nylon Substances 0.000 claims description 5
- 229920001778 nylon Polymers 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 229920004933 Terylene® Polymers 0.000 claims description 4
- 239000005020 polyethylene terephthalate Substances 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 229920000433 Lyocell Polymers 0.000 claims description 3
- 229920000297 Rayon Polymers 0.000 claims description 3
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- -1 modal Polymers 0.000 claims description 3
- 239000002964 rayon Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 210000002268 wool Anatomy 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 210000000085 cashmere Anatomy 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 12
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000004451 qualitative analysis Methods 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000010986 on-line near-infrared spectroscopy Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004566 IR spectroscopy Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000026676 system process Effects 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
- 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)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了基于深度神经网络的在线织物纤维成分检测方法和系统，应用该方法的系统包含移动应用模块、微服务模块和推理模块；该系统中包含的移动应用模块蓝牙连接近红外光谱仪，扫描、采集和发送织物纤维待测样本数据以及接收和显示检测结果；微服务模块提供网络传输的光谱数据储存、成分推理等服务；推理模块中部署深度神经网络架构的成分分析模型，负责对微服务转发的数据进行推理计算；本发明通过系统中不同模块的实时交互，实现了对纺织品近红外光谱实时采集与定性定量分析方法，形成了一套完整地使用智能手机等移动终端与近红外光谱分析仪，使用深度神经网络对织物纤维成分在线检测的方法，并设计了该方法的在线织物纤维成分检测系统。
Description
技术领域
本发明提供了一种织物纤维成分近红外光谱检测方法和系统，尤其是涉及基于深度神经网络的织物纤维成分在线近红外光谱检测方法及应用该方法的系统。
背景技术
红外光谱分析(Infrared Spectra Analysis，ISA)指的是利用红外光谱对物质分子进行的分析和鉴定。将一束不同波长的红外射线照射到物质的分子上，某些特定波长的红外射线被吸收，形成这一分子的红外吸收光谱。因此，红外光谱分析被广泛在高聚物的构型、构象、力学性质、物理、天文、气象、遥感、生物、医学等诸多领域。
近红外光谱分析可用于纺织工业中织物纤维的成分分析，即通过织物纤维样本的近红外光谱数据信息，结合传统数理统计或人工智能方法，对织物纤维样本进行定性和定量。现有技术对于织物纤维的成分分析方法的系统主要分为智能和非智能的系统。
非智能的系统中，即主要依赖于专业的成分检测人员，人工配置化学试剂或制造物理外力测定织物纤维样本中的成分种类和含量，通常是一个需要专业检测人员、设备和试剂的化学或物理试验的系统过程，该过程不仅对样本进行了有损、非清洁的手段，并且依赖专业人员操作，耗费较长的送检时间。
智能的系统中，主要运用计算机软件和传统数理统计或人工智能算法，对织物纤维的光谱数据进行采集、存储、预处理与预测等，实现自动对织物纤维成分进行定性定量检测。
现有的智能织物纤维成分近红外光谱检测方法和系统具有一定的局限性：数据方面，现有的方法使用数据离线模式，即先将近红外光谱仪线或蓝牙连接到电脑等提供一定储存空间的电子设备，使用数据采集软件获取扫描数据，保存光谱数据文件至离线磁盘，然后再对磁盘上的文件进行后续操作等，可移植性较差；系统设计方面，现有的方法缺乏一套完整的、从近红外光谱数据采集、存储、预处理到预测的在线检测方法和应用该方法的系统，常采用各功能模块完全分离的、非端到端的系统来完成一个检测流程，系统各模块之间缺乏有机地对接方式；功能方面，现有的方法数据采集、处理、推理等功能由于模块设计、算法效率等原因，不能满足织物纤维成分近红外光谱在线分析的需求。
本发明所设计的在线近红外光谱检测方法仅通过使用手机等移动端及应用程序与近红外光谱仪器，即可完成实时数据采集、存储、预处理和预测，实现一个灵活的、端到端的、功能完整的在线近红外光谱检测系统；所设计深度神经网络的织物纤维成分的推理模块使系统执行数据推理过程具有一定的轻量、高效、快速的特性；所设计的移动应用模块、微服务模块和推理模块等系统模块及其交互，实现了在线近红外光谱检测系统结构模块化的同时，提升了近红外光谱检测方法中的各功能之间的内聚性。
发明内容
为了克服现有技术中目前织物纤维成分近红外光谱检测方法和系统存在的缺陷和不足，本发明提供了基于深度神经网络的在线织物纤维成分检测方法和系统。该系统中包含的移动应用模块连接近红外光谱仪，扫描、采集和发送织物纤维待测样本数据；微服务模块提供网络传输的光谱数据储存、成分预测等服务；推理模块中部署深度神经网络架构的成分分析模型，负责对微服务转发的数据进行推理计算；各模块之间通过蓝牙或无线网络交互，且保持高内聚低耦合。
本发明中使用移动应用模块将数据采集、储存、预测等功能需求移植至手机应用中，结合操作简易的便携式近红外光谱仪，实现了用户便携式的操作，大幅度地降低了现有技术中受限于检测专业人员，操作难度、耗时；使用的微服务平台提供中间服务，保持了整个过程中系统的稳定性和数据的互操作性、可恢复性等；使用的推理模块基于深度神经网络的成分分析模型进行部署，能够快速且准确的计算实时输入的数据；所有模块及模块间交互，实现了一个完整的织物纤维成分在线近红外光谱检测方法和系统。
其中，实现基于深度神经网络的在线织物纤维成分检测方法和系统包括以下步骤：
S1：启动织物纤维成分在线检测移动应用，具体如下；
S11：使用手机、平板电脑等所有具有蓝牙功能的移动端，下载、安装并启动织物
纤维成分在线检测移动应用；
S12：打开移动应用程序，开启移动端蓝牙，打开具有蓝牙功能的近红外光谱仪。S2：移动端实时近红外光谱数据采集，具体如下：
S21：手机等移动端通过应用程序与近红外光谱仪通过低功耗蓝牙连接，且实时
显示连接状态；
S22：手机等移动端操作近红外光谱仪实时进行扫描，可选择一次或连续扫描；
其中，手机等移动端操作近红外光谱仪实时进行扫描时，进一步包括：
S221：采集纺织品样本的连续几个采样点时，手机等移动端在近红外仪器扫描间隙提示操作者旋转、平移等不同方式或动作进行扫描采样；
S222：选择一次或连续扫描的光谱数据，即采集一份纺织品样本上的一个采样点或连续几个采样点，均作为该样本待预测的一条数据或数据集成(ensemble)；
S3：待测光谱数据发送至微服务平台，具体如下：
S31：移动应用程序中提取近红外光谱数据的一条数据或多条数据信息；
S32：移动应用程序将光谱数据与其他信息包括波段类型、扫描模式、模型ID、检测任务类型、时间和日期、设备信息、用户信息、权限，作为数据字典；
S33：手机等移动应用程序执行预测时，将数据字典封装为成分推理请求发送至微服务平台。
S4：微服务平台提供数据储存、成分推理服务，具体如下：
S41：微服务平台接收来自移动应用发送的数据请求；
S42：微服务平台提供数据储存服务，解析数据字典，将解析后的光谱数据格式转换、储存入数据库；
S43：微服务平台提供成分推理服务，将解析后光谱数据与其他关键信息包括波段类型、扫描模式、模型ID、检测任务类型作为数据字典，封装后转发请求至推理服务器。
S5：推理服务器加载深度神经网络模型并推理计算，具体如下：
S51：推理服务器接收来自微服务平台转发的成分推理请求；
S52：推理服务器解析数据字典，获取其中的光谱数据和其他有效关键信息包括波段类型、扫描模式、模型ID、检测任务类型，从而设定推理过程中的波段类型、扫描模式，波段、模型；
S53：推理服务器加载已部署在磁盘上特定用于织物纤维成分分析的深度神经网络模型；
S54：推理服务器运行模型，对输入光谱数据进行预处理、推理与计算；
S55：推理服务器将织物纤维的推理结果发送至微服务平台；
S6：可视化成分类别、含量的推理结果，具体如下：
S61：移动应用程序等待短暂预测时间后，接收织物纤维成分检测的推理结果响应；
S62：界面实时显示预测的织物纤维成分类别、含量，包括但不限于文字、图形、图表的表示形式；
S63：界面可显示织物纤维成分类别预测时的单、多层次等不同粒度的分类情况；
其中，界面可显示织物纤维成分类别预测时，进一步包括：
S631：界面显示预测样本的准确类别和含量，类别包括棉、麻、人棉、莫代尔、天丝、晴纶等常见的12种纯材质类别以及由以上材质组成的混纺织物的组合，含量包括1～100％的百分比数；
S632：界面显示预测样本的所在的大类，大类指特定用于预测织物样本多层次分类的大类别，包括但不限于涤纶及其混纺、尼龙及其混纺、天然植物纤维及其混纺、羊毛及其混纺。
S7：核对推理结果和提交评价，具体如下：
S71：若织物纤维样本带标签或已知样本的成分信息，比较预测结果是否与声明标签一致；
S72：根据预测结果，在移动应用程序上选择不可能含有、可能含有、肯定正确、肯定不正确等不同评价；
S73：肯定不正确时，可对织物纤维成分在线检测结果进行核对；
S74：提交对于预测结果的整体评价和详细核对信息；
其中，预测肯定不正确时对织物纤维成分在线检测结果进行核对，进一步包括：
S731：设置一种纺织品成分类别，形如棉、麻、丝、氨纶，和一个其相应的含量百分比，区间在1～100％之间，形如2％，75％，90％；
S732：根据已知情况，将设置的纺织品成分成分类别及含量添加至可能含有、一定含有、一定不含有等不同项列表中；
S733：含有多种成分材质情况时，重复S731～S732步骤；
S734：确认并保存设置的所有项列列表标签；
本发明提出的基于深度神经网络的在线织物纤维成分检测方法和系统，该系统所包括移动应用模块，微服务模块和推理模块及其交互；移动应用模块提供与直接用户交互的图形界面程序，使用过程具有良好的易用性；微服务模块提供提供数据储存、成分推理等服务，保证系统运行的稳定性、可恢复性；推理模块部署了深度神经网络的织物纤维成分分析模型，可根据数据推理计算多种织物纤维成分如如棉、麻、丝、氨纶材质及其含量比例和所在单、多层次类别；该系统通过不同模块将在线近红外光谱数据的采集、存储、预处理与推理等各方法集成，完成了端到端、功能全面、操作简易的织物纤维成分在线近红外光谱检测。
附图说明
图1为本发明提供的织物纤维成分在线近红外光谱检测流程图。
图2为本发明提供的一个织物纤维成分在线近红外光谱检测系统架构图
具体实施方式
下面结合附图详细说明本实用发明的具体实施例。应当将本发明理解且不限于一下描述的这种实施方式，并且本实用发明的技术里面可以于其他公知技术或功能或与公知技术或公功能相同的技术组合实施。
在以下具体实施例的说明中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“轴向”、“径向”等词语理解为方便用语，而不应当理解为限定性词语。
相关术语解释如下：
数据清洗：数据清洗(Data cleaning)–对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
近红外光谱：近红外光(Near Infrared，NIR)是介于可见光(ⅥS)和中红外光(MIR) 之间的电磁波，按ASTM(美国试验和材料检测协会)定义是指波长在780～2526nm范围内的电磁波。通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息。
成分分析：指通过微观谱图、激光飞秒等方法检测分子结构对产品或样品的成分进行分析，对各个成分进行定性定量分析的技术方法。成分分析技术主要用于对未知物、未知成分等进行分析，快速确定目标样品中的各种组成成分是什么，对样品进行定性定量分析，鉴别、橡胶等高分子材料的材质、原材料、助剂、特定成分及含量、异物等。
移动应用：移动应用服务，就是针对手机这种移动连接到互联网的业务或者无线网卡业务而开发的应用程序服务。
微服务：一种软件开发技术-面向服务的体系结构(SOA)架构样式的一种变体，将应用程序构造为一组松散耦合的服务。在微服务体系结构中，服务是细粒度的，协议是轻量级的。
推理：经过训练(training)的神经网络可以将其所学到的知识应用于数字世界的任务, 神经网可以基于其所训练的内容对其所获得的新数据进行推导，即人工智能领域中的术语称之为推理(inference)。
下面结合附图详细说明本发明的具体实施例。
参照图1，织物纤维成分在线近红外光谱检测流程图，以及包括步骤S1-S7具体如下：
1.步骤S1—手机等移动端启动织物纤维成分在线检测移动应用；
1.1在4.0以上安卓版本支持的手机上，将织物纤维成分在线检测应用程序打包成安卓通用后缀为apk格式的安装包文件，直接或应用商店下载和安装；
1.2手机打开移动应用程序，用户允许打开蓝牙权限，允许访问精确位置、大致位置、读写内存的权限，并确保蓝牙处于开启状态，否则会提示不能与近红外光谱仪连接，从而不能使用移动应用的主要功能。
2.步骤S2—手机等移动端实时近红外光谱数据采集；
2.1手机启动蓝牙的同时，开启带蓝牙功能的近红外光谱仪，在移动应用中选择蓝牙连接，蓝牙即刻扫描监测到近红外光谱仪设备信息，选择相应设备的物理地址进行关联；
2.2移动应用中登录、注册后，用户获取织物纤维成分检测功能的权限；
2.3手机操作的近红外光谱仪实时扫描，根据实际情况或需求进行一次或多次扫描；开始扫描时，应用界面进入扫描中的状态，且通过蓝牙控制的近红外光谱仪进入扫描状态；
2.4开始连续扫描时，扫描间隔间提示将近红外光谱仪旋转、平移等不同方式改变采样点；
2.5开始扫描后，经过等待短暂的一段时间，扫描完成并进入预测中。
2.1～2.5的具体表现为，在移动应用或手机系统设置中开启蓝牙和位置、储存访问权限，开启近红外光谱仪后蓝牙指示灯闪烁。点击登录设置进行注册和登录，并同意用户个人信息安全和数据安全的隐私政策。点击“蓝牙连接”后，查看当前可连接的近红外光谱仪，点击设备项确认连接后，可见相应的设备物理地址和连接状态。
登录和蓝牙连接成功后，选择“开始检测”，进入主要功能页面，选择一次或多次扫描模式。一切准备就绪后，点击“开始扫描”，界面立刻显示进入扫描中，且实时记录扫描进度日志，此期间放置在织物样本上的近红外光谱仪近红外灯亮起且指示灯闪烁，完成一次扫描。扫描间隔中，出现提示扫描操作方式如“向左旋转45或90度”、“向右旋转45或90度”、“轻轻平移”、“静置”等动作提示词语，并倒计时3秒进行下一次扫描。扫描结束后，界面提示扫描已完成，移动应用后台处理和发送请求，界面显示结果正在预测中。
3.步骤S3—待测光谱数据发送至微服务平台；
3.1应用程序将扫描的原始光谱数据提取有效信息如反射率、波长、波段位置、湿度等；
3.2应用程序将待预测的一个采样点的一条数据或几个采样点的数据集成(ensemble)及其他信息包括波段类型、扫描模式、模型ID、检测任务类型、时间和日期、设备信息、用户信息、权限，作为数据字典；
3.3应用程序执行预测时，将数据字典打包后通过网络请求发送至微服务平台。
3.1～3.3的具体表现为，应用程序中所发送的具体的一个数据字典格式如下：
其中，user为当前用户的名称；token为授予用户登录权限的字段码；predict为当前的任务类型；model_id为模型ID；count为扫描模式下的次数，大于1表示连续扫描；data为应用程序接收一条或几条近红外光谱仪返回的蓝牙数据：scan_data为该数据的光谱信息，包含900～1700nm上的1维的波长为228的波段位置、反射率的光谱序列， scan_cofig_info和时间和refer_cofig_info为扫描和参考系的湿度、温度信息；meta包含了其他信息：device_id设备信息，fabrice_id为样本的编号，creat_time为当前请求时间， location为地点，ingredient为成分的标签(选填)，weaving_type为波段类型，desc为描述或备注。
4.步骤S4—微服务平台提供数据储存、成分推理服务；
4.1微服务平台需要对不同的微服务在注册中心登记，从而处理由不同模块发送来的内容，以提供不同的服务内容如数据储存、成分预测。微服务平台使用python语言，基于flask开发框架，涉及改系统中移动应用程序、推理服务器模块的服务供应；
4.2微服务平台接收来自移动应用发送的数据请求后，在对应的服务中心提供相应的成分预测服务；
4.3微服务平台的服务之间存在通信，提供成分预测服务前，首先提供数据储存服务，解析数据字典，将从JSON格式数据中解析的光谱数据和相关信息转换为数据库的 SQL语言，存入Mysql数据库。
4.4微服务平台将数据储存后，提供成分推理服务，将解析后光谱数据与其他关键信息包括波段类型、扫描模式、模型ID、检测任务类型作为数据字典，封装后转发请求至推理服务器。
5.步骤S5—推理服务器加载深度神经网络模型并推理计算；
5.1推理服务器接收来自微服务平台转发的成分推理请求；
5.2推理服务器解析数据字典，获取其中的光谱数据和其他有效关键信息包括波段类型、扫描模式、模型ID、检测任务类型，从而设定推理过程中所用的波段类型、扫描模式、波长、模型、任务类型；
5.3推理服务器的推理计算过程基于当前流行的深度神经网络模型，加载端到端已部署在磁盘上特定用于织物纤维成分分析的端到端的深度神经网络模型；
5.4推理服务器在GPU上运行模型，对输入光谱数据进行预处理、推理与计算；
5.5推理服务器将织物纤维的推理结果发送至微服务平台；
6、步骤S6—可视化成分类别、含量等推理结果：
6.1移动应用程序等待短暂预测时间后，接收织物纤维成分检测的推理结果响应；
6.2界面实时显示预测的织物纤维成分类别、含量，包括但不限于文字、图形、图表的表示形式；
6.3：界面可显示织物纤维成分类别预测时的单、多层次等不同粒度的分类情况；
6.1～6.3的具体表现为，应用程序界面关闭扫描控件并显示预测中，在等待短暂的预测时间后，接收到待测织物纤维样本的预测结果的数据字典，类别范围包括包括棉、麻、人棉、莫代尔、天丝、晴纶等常见的12种纯材质类别以及由以上材质组成的混纺织物的组合，含量包括1～100％的百分比数，精确至0.1％，并且可显示大类的预测结果，包括但不限于涤纶及其混纺、尼龙及其混纺、天然植物纤维及其混纺等，一个具体的预测结果的数据字典如下：
可视化成分类别、含量等推理结果：
7.1若织物纤维样本带标签或已知样本的成分信息，如织物纤维样本的标签上写有COTTON100％或COTTON98％和SPANDEX2％等字样，比较预测结果是否与已知标签一致；
7.2根据预测结果，在移动应用程序上选择不可能含有、可能含有、肯定正确、肯定不正确等不同评价；
7.3肯定不正确时，可对织物纤维成分在线检测结果进行核对并提交至系统；
7.4提交对于预测结果的整体评价和详细核对信息，整体评价为“不可能含有”、
“可能含有”、“肯定正确”、“肯定不正确”；详细核对信息为一个和多个织物纤维成分和含量组成的标签集，如棉98％、氨纶2％，棉100％，尼龙75％、棉25％等
7.5提交评价后，将评价信息上传至微服务平台，平台将核对信息保存为历史预测记录，以进一步优化系统。
图1为本发明提供织物纤维成分在线近红外光谱检测流程图，其中详细描述了本发明中的织物纤维成分在线近红外光谱检测的完整流程。
图2为本发明提供的一个织物纤维成分在线近红外光谱检测系统架构图，其中详细描述了应用本发明中织物纤维成分在线近红外光谱检测方法的系统其架构组织图。
通过上述过程后，我们可以得到：基于深度神经网络的在线织物纤维成分检测方法和系统，可通过应用该方法的系统进行在线织物纤维成分检测。
用户使用智能手机等移动终端下载和安装该系统所包含的移动应用软件；将近红外光谱仪以低功耗蓝牙与智能手机等移动终端连接；收集纺织品样本，采集一次或若干次样本的近红外光谱数据并即时蓝牙传输；将光谱数据发送至数据服务器储存，转发至推理服务器预处理和分析；推理服务器中所部署的深度神经网络模型对光谱数据在线进行推理计算，并返回推理结果；智能手机等移动终端获取和显示纺织纤维成分的推理结果并提交评价。本发明的系统中包含的移动应用模块蓝牙连接近红外光谱仪，扫描、采集和发送织物纤维待测样本数据以及接收和显示检测结果；微服务模块提供网络传输的光谱数据储存、预测等服务；推理模块中部署深度神经网络架构的成分分析模型，负责对微服务转发的数据进行推理计算。
基于深度神经网络的在线织物纤维成分检测方法和系统，所述的深度神经网络，是将人工智能中的深度神经网络技术对织物纤维的近红外光谱数据进行建模，部署在推理服务器上进行推理和计算；所述的在线织物纤维成分检测方法，是将使用近红外光谱仪器的使用过程结合至手机等移动端设备，通过移动应用程序实现数据采集、保存、预测、评价等一套实时的、在线的检测过程；所述的应用该方法的系统，是指该方法中所涉及的移动应用、微服务平台、推理服务器的多个模块和模块交互所构成的应用该方法的系统。
本发明所设计的在线近红外光谱检测方法仅通过使用手机等移动端及应用程序与近红外光谱仪器，即可完成实时数据采集、存储、预处理和预测，实现一个灵活的、端到端的、功能完整的在线近红外光谱检测系统；所设计深度神经网络的织物纤维成分的推理模块使系统执行数据推理过程具有一定的轻量、高效、快速的特性；所设计的移动应用模块、微服务模块和推理模块等系统模块及其交互，实现了在线近红外光谱检测系统结构模块化的同时，提升了近红外光谱检测方法中的各功能之间的内聚性。
现有在线织物纤维成分检测方法和系统有待测数据必须离线、系统为非端到端、缺少功能性完整等不足之处。相较于现有技术本发明实现如下效果：基于深度神经网络的在线织物纤维成分检测方法和系统，第一、该方法和系统中所部署在推理服务器的深度神经网络能够快速、高效地对织物纤维的近红外光谱数据进行分析；第二、该方法和系统中所使用的移动应用，将非端到端的、复杂的数据采集、存储、预处理和预测等过程集成到一个便携、易用的移动端；第三、该方法和系统中所使用的微服务平台，提供数据储存、成分预测、成分核对等多个微服务，降低了系统中各模块间的耦合，提升了在线织物纤维成分检测方法的效率。
Claims (11)
1.基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于，基于深度神经网络的在线织物纤维成分检测方法和系统包括以下步骤：
S1：启动织物纤维成分在线检测移动应用；
S2：移动端实时近红外光谱数据采集；
S3：待测光谱数据发送至微服务平台；
S4：微服务平台提供数据储存、成分推理服务；
S5：推理服务器加载深度神经网络模型并推理计算；
S6：可视化成分类别、含量的推理结果；
S7：核对推理结果和提交评价。
2.如权利要求1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S1进一步包括：
S11：使用手机、平板电脑等所有具有蓝牙功能的移动端，下载、安装并启动织物纤维成分在线检测移动应用；
S12：打开移动应用程序，开启移动端蓝牙，打开具有蓝牙功能的近红外光谱仪。
3.如权利要求1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S2进一步包括：
S21：手机等移动端通过应用程序与近红外光谱仪通过低功耗蓝牙连接，且实时显示连接状态；
S22：手机等移动端操作近红外光谱仪实时进行扫描，可以选择一次或连续扫描。
4.如权利要求1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：所述的步骤S22中，进一步包括：
S221：采集纺织品样本的连续几个采样点时，手机等移动端在近红外仪器扫描间隙提示操作者旋转、平移的不同方式或动作进行扫描采样；
S222：选择一次或连续扫描的光谱数据，即采集一份纺织品样本上的一个采样点或连续几个采样点，均作为该样本待预测的一条数据或数据集成(Ensemble)。
5.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S3进一步包括：
S31：移动应用程序中提取近红外光谱数据的一条数据或多条数据信息；
S32：移动应用程序将光谱数据与其他信息包括波段类型、扫描模式、模型ID、检测任务类型、时间和日期、设备信息、用户信息、权限，作为数据字典；
S33：手机等移动应用程序执行预测时，将数据字典封装为成分推理请求发送至微服务平台。
6.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S4进一步包括：
S41：微服务平台接收来自移动应用发送的数据请求；
S42：微服务平台提供数据储存服务，将解析数据字典得到的光谱数据格式转换、储存入数据库；
S43：微服务平台提供成分推理服务，将解析后光谱数据与其他有效关键信息包括波段类型、扫描模式、模型ID、检测任务类型作为数据字典，封装后转发请求至推理服务器。
7.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S5进一步包括：
S51：推理服务器接收来自微服务平台转发的成分推理请求；
S52：推理服务器解析数据字典，获取其中的光谱数据和其他有效关键信息包括波段类型、扫描模式、模型ID、检测任务类型，从而设定推理过程中的波段类型、扫描模式，波段、模型；
S53：推理服务器加载已部署在磁盘上特定用于织物纤维成分分析的深度神经网络模型；
S54：推理服务器运行模型，对输入光谱数据进行预处理、推理与计算；
S55：推理服务器将织物纤维的推理结果发送至微服务平台。
8.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S6进一步包括：
S61：移动应用程序等待短暂预测时间后，接收织物纤维成分检测的推理结果响应；
S62：界面实时显示预测的织物纤维成分类别、含量，包括但不限于文字、图形、图表的表示形式；
S63：界面可显示织物纤维成分类别预测时的单、多层次的不同粒度的分类情况。
9.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S63进一步包括：
S631：界面显示预测样本的准确类别和含量，类别包括棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼龙的12种纯材质类别以及由以上材质组成的混纺织物的组合，含量包括1～100％的百分比数，精确至0.1％；
S632：界面显示预测样本的所在的大类，大类指特定用于预测织物样本多层次分类的大类别，包括但不限于涤纶及其混纺、尼龙及其混纺、天然植物纤维及其混纺、羊毛及其混纺。
10.如权利要1所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S7进一步包括：
S71：若织物纤维样本带标签或已知样本的成分信息，比较预测结果是否与声明标签一致；
S72：根据预测结果，在移动应用程序上选择不可能含有、可能含有、肯定正确、肯定不正确等不同评价；
S73：肯定不正确时，可对织物纤维成分在线检测结果进行核对；
S74：提交对于预测结果的整体评价和详细核对信息。
11.如权利要10所述的基于深度神经网络的在线织物纤维成分检测方法和系统，其特征在于：步骤S73中肯定不正确时，可对织物纤维成分在线检测结果进行核对进一步包括：
S731：设置一种纺织品成分类别，形如棉、麻、丝、氨纶，和一个其相应的含量百分比，区间在1～100％之间，形如2％，75％，90％；
S732：根据已知情况，将设置的纺织品成分成分类别及含量添加至可能含有、一定含有、一定不含有等不同项列表中；
S733：含有多种成分材质情况时，重复S731～S732步骤；
S734：确认并保存设置的所有项列列表标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039381.0A CN113984701B (zh) | 2021-09-06 | 2021-09-06 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111039381.0A CN113984701B (zh) | 2021-09-06 | 2021-09-06 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113984701A true CN113984701A (zh) | 2022-01-28 |
| CN113984701B CN113984701B (zh) | 2024-04-16 |
Family
ID=79735367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111039381.0A Active CN113984701B (zh) | 2021-09-06 | 2021-09-06 | 基于深度神经网络的在线织物纤维成分检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113984701B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
| CN108267414A (zh) * | 2017-12-26 | 2018-07-10 | 中山出入境检验检疫局检验检疫技术中心 | 纺织品纤维含量的近红外光谱分析方法 |
| CN111751318A (zh) * | 2019-03-29 | 2020-10-09 | 因斯派克托里奥股份有限公司 | 使用光谱测量进行织物验证 |
| WO2020234466A1 (en) * | 2019-05-23 | 2020-11-26 | Valvan Baling Systems Nv | Improved determination of textile fiber composition |
-
2021
- 2021-09-06 CN CN202111039381.0A patent/CN113984701B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
| CN108267414A (zh) * | 2017-12-26 | 2018-07-10 | 中山出入境检验检疫局检验检疫技术中心 | 纺织品纤维含量的近红外光谱分析方法 |
| CN111751318A (zh) * | 2019-03-29 | 2020-10-09 | 因斯派克托里奥股份有限公司 | 使用光谱测量进行织物验证 |
| WO2020234466A1 (en) * | 2019-05-23 | 2020-11-26 | Valvan Baling Systems Nv | Improved determination of textile fiber composition |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113984701B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7430485B2 (en) | Method and system for analyzing coatings undergoing exposure testing | |
| CN106932360A (zh) | 便携式近红外光谱食品快速检测与建模一体化系统和方法 | |
| Konieczka | The role of and the place of method validation in the quality assurance and quality control (QA/QC) system | |
| CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| CN104730004B (zh) | 基于紫外漫反射光谱的纺织纤维的鉴别方法 | |
| CN201133898Y (zh) | 一种食品安全快速检测仪 | |
| Broad et al. | Guidelines for the development and validation of near-infrared spectroscopic methods in the pharmaceutical industry | |
| Wang et al. | Onsite nutritional diagnosis of tea plants using micro near-infrared spectrometer coupled with chemometrics | |
| CN113984701B (zh) | 基于深度神经网络的在线织物纤维成分检测方法和系统 | |
| CN113607669A (zh) | 一种基于迁移学习的土壤养分光谱检测方法 | |
| CN205506679U (zh) | 一种便携式近红外光谱检测系统 | |
| Kemper et al. | A guide to raw material analysis using near infrared spectroscopy | |
| Neumann et al. | Considerations on the ASTM Standards 1789‐04 and 1422‐05 on the forensic examination of ink | |
| CN113970528B (zh) | 基于完全约束最小二乘法的纺织品成分解混方法 | |
| Gozdzialski et al. | Toward automated infrared spectral analysis in community drug checking | |
| CN2804855Y (zh) | 一种用于鉴别中药类别和产地的在线多通道近红外光谱仪 | |
| Izrailov et al. | Identifying characteristics of software vulnerabilities by their textual description using machine learning | |
| Hu et al. | The Bridge between Screening and Assessment: Establishment and Application of Online Screening Platform for Food Risk Substances | |
| CN108982390B (zh) | 一种基于原子吸收光谱信息的水体农药残留检测方法 | |
| KR20220033690A (ko) | 다중 광원을 활용한 분광 장치 | |
| CN206300897U (zh) | 一种在线快速无损纺织品检测系统 | |
| US20230047120A1 (en) | System, Method and Device for On-Site Rapid, Direct, and Nondestructive Analysis of a Material Sample Using a Portable High Performance Near-Infrared Spectrometer | |
| CN110907598A (zh) | 煤矿安全仪器仪表检测中心设备一网通检测系统 | |
| Pakarinen | Development of NIR Measurement System | |
| CN108562555A (zh) | 基于微型近红外光谱仪的小麦粉品质在线检测系统 |
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 |