CN114782562A - 基于数据识别的服装布料浸染监测方法及人工智能系统 - Google Patents

基于数据识别的服装布料浸染监测方法及人工智能系统 Download PDF

Info

Publication number
CN114782562A
CN114782562A CN202210691022.1A CN202210691022A CN114782562A CN 114782562 A CN114782562 A CN 114782562A CN 202210691022 A CN202210691022 A CN 202210691022A CN 114782562 A CN114782562 A CN 114782562A
Authority
CN
China
Prior art keywords
detected
cloth
cluster
clustering
image
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
Application number
CN202210691022.1A
Other languages
English (en)
Other versions
CN114782562B (zh
Inventor
魏云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Yeshang Textile Co ltd
Original Assignee
Nantong Yeshang Textile Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Yeshang Textile Co ltd filed Critical Nantong Yeshang Textile Co ltd
Priority to CN202210691022.1A priority Critical patent/CN114782562B/zh
Publication of CN114782562A publication Critical patent/CN114782562A/zh
Application granted granted Critical
Publication of CN114782562B publication Critical patent/CN114782562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于数据识别的服装布料浸染监测方法及人工智能系统。该方法是一种识别图形的方法，方法包括：获取待检测布匹图像；获取待检测布匹图像的颜色标准程度；若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k‑means聚类算法对待检测布匹图像进行聚类，得到待检测布匹图像对应的最优数量个目标簇；根据最优数量、待检测布匹图像中各目标簇内各像素点的灰度值，计算待检测布匹图像对应的染色均匀程度；根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。本发明基于计算机视觉对待检测布匹的染色效果进行评价，提高了对布匹染色效果的检测效率。

Description

基于数据识别的服装布料浸染监测方法及人工智能系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于数据识别的服装布料浸染监测方法及人工智能系统。
背景技术
纺织业在生产出布匹后，为了提高布匹整体的美观性，需要对生产出的白布进行一系列的染料加工，便于将布匹染成所需要的颜色。在布匹浸染过程中，纺织布匹上残留的杂质或浸染液浓度变化等因素，会使得服装布料在浸染时会产生染色不均、染色颜色有色差等现象，若不及时进行检查及调整，会对后续生产的布匹的染色效果造成很大影响；因为在浸染过程中杂质浸泡之后漂浮在浸染液上，当后面的纺织布匹进入到浸染池中时，粘附在纺织布匹的表面，导致后面的布匹颜色不均匀现象更加严重；若浸染液浓度变化导致布匹颜色有偏差而未及时发现，同样也会导致后面的布匹的颜色效果不好。
传统的对布匹染色效果的检测方式是基于人工的检测方式，这种检测方式的主观性较强，会浪费大量的人工资源；而且由于长时间的工作容易造成视觉疲劳，导致检测出错，效率较低。
发明内容
为了解决现有技术基于人工方式对布匹染色效果的检测效率较低的问题，本发明的目的在于提供一种基于数据识别的服装布料浸染监测方法及人工智能系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种基于数据识别的服装布料浸染监测方法包括以下步骤：
获取待检测布匹浸染后的图像，记为待检测布匹图像；获取待检测布匹图像的颜色标准程度，所述颜色标准程度为待检测布匹图像与标准颜色的布匹图像之间的颜色相似程度；
若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个簇，记为目标簇；所述最优数量为聚类效果最好的簇的数量；
根据最优数量、待检测布匹图像中各目标簇内各像素点的灰度值，计算待检测布匹图像对应的染色均匀程度；
根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。
第二方面，本发明另一个实施例提供了一种基于数据识别的服装布料浸染监测人工智能系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于数据识别的服装布料浸染监测方法。
优选的，获取待检测布匹图像的颜色标准程度，包括：
构建目标网络，所述目标网络用于对待检测布匹图像的颜色标准程度进行检测；
获取大量样本布匹图像，根据标准颜色的布匹图像对各样本布匹图像的颜色标准程度进行打分；
利用各样本布匹图像和对应的颜色标准程度对目标网络进行训练，得到训练好的目标网络；对所述目标网络进行训练的损失函数为交叉熵损失函数。
优选的，根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个簇，记为目标簇，包括：
对聚类数量范围进行遍历，根据不同的聚类数量和k-means聚类算法依次对待检测布匹图像中的各像素点进行聚类，得到基于各聚类数量得到的各簇；
根据各聚类数量得到的各簇内的各像素点对应的坐标和对应的灰度值，计算各聚类数量对应的聚类效果指标；
选择聚类效果指标最小的聚类数量，记为最优数量；将根据最优数量聚类得到的簇作为目标簇；
所述根据不同的聚类数量和k-means聚类算法依次对待检测布匹图像中的各像素点进行聚类，得到基于各聚类数量得到的各簇，包括：
对于任一聚类数量：
在待检测布匹图像中得到该聚类数量个初始质心；
待检测布匹图像中各像素点对应的坐标与灰度值，计算各像素点到各初始质心的差异距离；
根据各像素点到各初始质心的差异距离对待检测布匹图像中的各像素点进行聚类，得到基于该聚类数量得到的各簇。
优选的，计算各像素点到各初始质心的差异距离的计算公式为：
Figure 567425DEST_PATH_IMAGE001
其中，
Figure 687828DEST_PATH_IMAGE002
为像素点到第i个初始质心的差异距离，
Figure 169362DEST_PATH_IMAGE003
为像素点的横坐标，为像素点的 纵坐标，
Figure 502255DEST_PATH_IMAGE004
为像素点的灰度值，
Figure 254310DEST_PATH_IMAGE005
为第i个初始质心的横坐标，
Figure 280035DEST_PATH_IMAGE006
为第i个初始质心的纵坐标，
Figure 124232DEST_PATH_IMAGE007
为第i个初始质心的灰度值，
Figure 260815DEST_PATH_IMAGE008
为距离信息权重，为灰度信息权重；
所述距离信息权重的计算公式为：
Figure 132956DEST_PATH_IMAGE009
其中，
Figure 828117DEST_PATH_IMAGE010
为调节参数；
所述灰度信息权重为1减去对应的距离信息权重。
优选的，计算各聚类数量对应的聚类效果指标的公式为：
Figure 520130DEST_PATH_IMAGE011
其中，
Figure 460404DEST_PATH_IMAGE012
为聚类数量对应的聚类效果指标，
Figure 560953DEST_PATH_IMAGE013
为聚类数量，
Figure 928481DEST_PATH_IMAGE014
为综合密集程度，
Figure 107789DEST_PATH_IMAGE015
为簇 间差异程度，
Figure 586175DEST_PATH_IMAGE016
为第
Figure 665864DEST_PATH_IMAGE017
个簇的簇内异常程度；
所述簇内异常程度的计算公式为：
Figure 204293DEST_PATH_IMAGE018
其中，
Figure 136477DEST_PATH_IMAGE016
为第
Figure 792455DEST_PATH_IMAGE017
个簇的簇内异常程度，
Figure 228115DEST_PATH_IMAGE019
为第个簇的中心点的横坐标，
Figure 937446DEST_PATH_IMAGE020
为第
Figure 91346DEST_PATH_IMAGE017
个 簇的中心点的纵坐标，
Figure 675649DEST_PATH_IMAGE021
为第
Figure 965816DEST_PATH_IMAGE017
个簇的中心点的灰度值，n为第
Figure 111627DEST_PATH_IMAGE017
个簇对应的像素点的个数，
Figure 126725DEST_PATH_IMAGE022
为第
Figure 485025DEST_PATH_IMAGE017
个簇内的第i个像素点的横坐标，
Figure 160857DEST_PATH_IMAGE023
为第
Figure 211990DEST_PATH_IMAGE017
个簇内的第i个像素点的纵坐标，
Figure 862455DEST_PATH_IMAGE024
为第
Figure 24446DEST_PATH_IMAGE017
个簇内的第i个像素点的灰度值；
所述中心点的横坐标为簇内各像素点的横坐标的均值，所述中心点的纵坐标为簇内各像素点的纵坐标的均值，所述中心点的灰度值为簇内各像素点的灰度值的均值；
所述簇间差异程度的计算公式为：
Figure 23627DEST_PATH_IMAGE025
其中，
Figure 511240DEST_PATH_IMAGE026
为各簇中心点的横坐标的平均值，
Figure 359985DEST_PATH_IMAGE027
为各簇中心点的纵坐标的平均值，
Figure 466612DEST_PATH_IMAGE028
为 各簇中心点的灰度值的平均值，k为聚类数量。
优选的，计算综合密集程度，包括：
计算各簇对应的密集程度的均值，作为综合密集程度；
所述各簇对应的密集程度的计算公式为：
Figure 585878DEST_PATH_IMAGE029
其中，
Figure 477348DEST_PATH_IMAGE030
为第
Figure 580433DEST_PATH_IMAGE017
个簇对应的密集程度，
Figure 84227DEST_PATH_IMAGE031
为第
Figure 228638DEST_PATH_IMAGE017
个簇对应的像素点个数，为第
Figure 526896DEST_PATH_IMAGE017
个簇 对应的区域轮廓内的面积；
所述第个簇对应的区域轮廓为第
Figure 382856DEST_PATH_IMAGE017
个簇对应的所有像素点所处区域的轮廓。
优选的，根据最优数量、待检测布匹图像中各像素点的灰度值和所述目标簇的面积，计算待检测布匹图像对应的染色均匀程度，包括：
计算各目标簇内各像素点灰度值均值的方差值；
根据待检测布匹图像中各像素点的灰度值，计算待检测布匹图像对应的信息熵；
计算各目标簇内各像素点灰度值均值的方差值、最优数量以及待检测布匹图像对应的信息熵的乘积的倒数，作为待检测布匹图像对应的染色均匀程度。
优选的，若待检测布匹图像的颜色标准程度大于等于所述相似度阈值，则判定待检测布匹的颜色合格。
优选的，根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级，包括：
若待检测布匹图像对应的染色均匀程度大于预设的均匀程度阈值，则判定待检测布匹的颜色存在色差；
若待检测布匹图像对应的染色均匀程度小于等于所述均匀程度阈值，则判定待检测布匹的颜色存在色差且颜色不均匀。
本发明具有如下有益效果：
本发明首先获取待检测布匹图像的颜色标准程度，若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个目标簇，并计算待检测布匹图像对应的染色均匀程度，最后根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。本发明中该方法是一种识别图形的方法；本发明基于计算机视觉，通过染色后的服装布匹进行实时监测，对待检测布匹图形的颜色差异和染色均匀程度进行数据处理，以评价待检测布匹的染色效果，进而实现对服装布料浸染液的调控；本发明提高了对布匹染色效果的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明所提供的基于数据识别的服装布料浸染监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种基于数据识别的服装布料浸染监测方法及人工智能系统进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于数据识别的服装布料浸染监测方法及人工智能系统的具体方案。
基于数据识别的服装布料浸染监测方法实施例：
如图1所示，本实施例的基于数据识别的服装布料浸染监测方法包括以下步骤：
步骤S1，获取待检测布匹浸染后的图像，记为待检测布匹图像；获取待检测布匹图像的颜色标准程度，所述颜色标准程度为待检测布匹图像与标准颜色的布匹图像之间的颜色相似程度。
为了避免服装布匹在浸染时出现浸染不均或有色差等情况而无法及时发现，导致后续服装布匹都出现问题，本实施例对浸染后的布匹的染色效果进行实时检测，若检测出的布匹的染色效果不好，则可以及时采取措施，避免造成更大的损失。
本实施例首先将工业相机放置在浸染后的服装布匹的正上方，然后对浸染完成后的服装布匹按一定频率进行拍摄。本实施例以相机拍摄到的一张浸染后的服装布匹的图像进行分析，来判断对应的染色效果。
本实施例首先对相机拍摄到的图像进行灰度化处理，然后为了减少噪声对图像的影响，再对灰度化处理后的图像进行去噪处理，得到待检测布匹图像；本实施例中将待检测布匹图像对应的服装布匹记为待检测布匹。
布匹在染色过程中，浸染液的浓度会发生变化导致染出的布匹颜色与标准颜色存在差异，所述标准颜色为标准浸染液（即浸染液完全正常）染出的布匹的颜色；若浸染液中存在杂质会导致布匹染色不均匀，同样与标准的布匹颜色存在差异。本实施例通过构建目标网络，利用训练好的目标网络对待检测布匹图像的颜色与标准颜色之间的差异情况进行评分，得到待检测布匹图像的颜色标准程度，所述颜色标准程度可以反映待检测布匹图像与标准颜色的布匹图像之间的颜色相似程度，具体为：
本实施例首先构建一个目标网络，所述目标网络为DNN网络；然后对构建的目标网络进行训练，具体为：
本实施例首先确定了一个标准浸染液染出的布匹的图像，记为标准布匹图像，所述标准布匹图像中的布匹颜色为标准的颜色；获取各种染色后的样本布匹图像，所述样本布匹图像用于对目标网络进行训练；本实施例将各样本布匹图像基于对应的标准布匹图像进行打分，进而得到各样本布匹图像对应的颜色标准程度，即样本布匹图像对应的标签数据。本实施例中样本布匹图像的颜色越接近对应的标准布匹图像的颜色，则颜色标准程度越高，当样本布匹图像与标准布匹图像样色相同时，该样本布匹图像对应的颜色标准程度为1。
然后利用各样本布匹图像和对应的颜色标准程度对目标网络进行训练，得到训练好的目标网络，本实施例中目标网络的输入为布匹图像，输出为布匹图像对应的颜色标准程度。本实施例中训练目标网络的损失函数为交叉熵损失函数。
本实施例将待检测布匹图像输入到训练好的目标网络中，得到待检测布匹图像对应的待检测布匹图像对应的颜色标准程度。本实施例设置了相似度阈值，若待检测布匹图像对应的颜色标准程度大于等于相似度阈值，则认为待检测布匹图像的染色效果符合要求，因此可以继续对后续的布匹进行染色，本实施例将颜色标准程度大于等于相似度阈值的待检测布匹图像的染色质量等级设置为一级；若待检测布匹图像对应的颜色标准程度小于相似度阈值，则认为待检测布匹图像对应的布匹表面可能存在染色不均匀或颜色有偏差的情况，因此需要对待检测布匹图像进行进一步的判断，判断颜色出现问题是因为布匹染色不均导致的还是因为布匹染液导致的。本实施例中相似度需根据实际情况进行设置。
步骤S2，若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个簇，记为目标簇；所述最优数量为聚类效果最好的簇的数量。
接下来，当待检测布匹图像对应的颜色标准程度小于相似度阈值时，本实施例对待检测布匹图像进行进一步分析。
本实施例首先利用k-means聚类算法对待检测布匹图像进行聚类；k-means聚类算法需要事先指定簇类的数目k，即聚类数量，然后通过反复迭代，直至最后达到“簇内的点足够近，簇间的点足够远”的目标，而这种聚类算法的聚类效果，往往与给定的聚类簇数相关，一般是根据经验给出的，可能并不准确，因此有时得到的聚类效果并不理想，本实施例对k-means聚类算法进行改进，得到一种自适应k值的k-means聚类算法。
本实施例首先根据经验确定一个k值的范围，记为聚类数量范围，然后对聚类数量范围进行遍历，依次根据不同的k值对待检测布匹图像进行聚类。本实施例以任意一个聚类数量为例进行分析。
本实施例首先在待检测布匹图像中得到该聚类数量个初始质心，然后计算待检测布匹图像中每个像素点到各初始质心的差异距离，本实施例中所述差异距离是根据像素点的灰度值和像素点到质心的距离计算得到的。本实施例中计算一个像素点到一个初始质心的差异距离的具体计算公式为：
Figure 690341DEST_PATH_IMAGE001
其中，
Figure 282734DEST_PATH_IMAGE002
为像素点到第i个初始质心的差异距离，为像素点的横坐标，
Figure 17472DEST_PATH_IMAGE032
为像素点的 纵坐标，
Figure 704936DEST_PATH_IMAGE004
为像素点的灰度值，
Figure 314647DEST_PATH_IMAGE005
为第i个初始质心的横坐标，
Figure 528590DEST_PATH_IMAGE006
为第i个初始质心的纵坐标，
Figure 699809DEST_PATH_IMAGE007
为第i个初始质心的灰度值，为距离信息权重，
Figure 733624DEST_PATH_IMAGE033
为灰度信息权重。
本实施例中对待检测布匹图像进行聚类是为了分析待检测图像中的颜色均匀度， 因此尽可能将灰度值相同的像素点聚为一类，上式中设置
Figure 147025DEST_PATH_IMAGE008
和
Figure 90842DEST_PATH_IMAGE033
是为了增加对灰度值的关 注度，将灰度值相近的像素聚类到一起；当像素点到初始质心的灰度值很接近时，灰度信息 权重较大，距离信息权重就较小，以达到即使距离比较远，也可以将该像素点与该初始质心 聚为一类的效果。
距离信息权重
Figure 167382DEST_PATH_IMAGE008
的计算公式为：
Figure 452608DEST_PATH_IMAGE034
其中，
Figure 905586DEST_PATH_IMAGE010
为调节参数，
Figure 94122DEST_PATH_IMAGE010
接近于0且为正数，本实施例中调节参数的作用是保证即使 像素点的灰度值与初始质心的灰度值完全相同，也要考虑到距离。
本实施例中灰度信息权重
Figure 341563DEST_PATH_IMAGE033
与距离信息权重之和为1，即灰度信息权重为1减去对 应的距离信息权重；当像素点的灰度值与初始质心的灰度值越相近，则对应的距离信息权 重越小, 对应的灰度信息权重越大；当像素点的灰度值与初始质心的灰度值越不相近，则 对应的距离信息权重越大, 对应的灰度信息权重越小。
本实施例根据该聚类数量对待检测布匹图像进行聚类后可以得到聚类数量个簇，然后对每个簇的中心点进行标记，具体的，本实施例将各簇内的所有像素点的横坐标的均值作为对应的中心点的横坐标，将各簇内的所有像素点的纵坐标的均值作为对应的中心点的纵坐标，所述中心点在待检测布匹图像中有固定的灰度值，将各簇内的所有像素点的灰度值的均值作为对应的中心点的灰度值。
根据该聚类数量对待检测布匹图像进行聚类后，本实施例对得到的各簇进行分析，来评价利用该聚类数量对待检测布匹图像进行聚类的聚类效果，具体的：
本实施例首先对各簇内部的差异程度进行分析，当簇内各像素点与对应的中心点的差异距离越小时，簇内差异程度越小，说明聚类效果越好，簇内差异程度的计算公式为：
Figure 989451DEST_PATH_IMAGE035
其中，
Figure 246120DEST_PATH_IMAGE016
为第
Figure 289163DEST_PATH_IMAGE017
个簇的簇内异常程度，
Figure 471620DEST_PATH_IMAGE019
为第
Figure 842690DEST_PATH_IMAGE017
个簇的中心点的横坐标，为第
Figure 637470DEST_PATH_IMAGE017
个簇 的中心点的纵坐标，
Figure 33554DEST_PATH_IMAGE021
为第
Figure 888378DEST_PATH_IMAGE017
个簇的中心点的灰度值，n为第
Figure 871377DEST_PATH_IMAGE017
个簇对应的像素点的个数，
Figure 469849DEST_PATH_IMAGE022
为第
Figure 454860DEST_PATH_IMAGE017
个簇内的第i个像素点的横坐标，为第
Figure 621530DEST_PATH_IMAGE017
个簇内的第i个像素点的纵坐标，
Figure 91826DEST_PATH_IMAGE024
为第
Figure 726944DEST_PATH_IMAGE017
个 簇内的第i个像素点的灰度值。
然后本实施例对各簇之间的差异进行分析，得到所有簇的簇间差异程度，当各簇之间的差异程度越大时说明各簇之间的越不相关，聚类效果越好，本实施例中计算簇间差异程度的计算公式为：
Figure 333506DEST_PATH_IMAGE036
其中，
Figure 795712DEST_PATH_IMAGE015
为簇间差异程度，
Figure 127205DEST_PATH_IMAGE026
为各簇中心点的横坐标的平均值，
Figure 67479DEST_PATH_IMAGE027
为各簇中心点的纵 坐标的平均值，
Figure 528547DEST_PATH_IMAGE028
为各簇中心点的灰度值的平均值，k为聚类数量。
根据上述聚类得到的簇，本实施例根据各簇对应的像素点所在的位置，对各簇所处区域的轮廓进行拟合，得到各簇对应的区域轮廓，一个簇对应的区域轮廓中可能包含多个簇的像素点，即各簇对应的区域轮廓会有重叠；然后根据各簇对应的区域轮廓计算各簇对应的区域轮廓内的面积。本实施例根据各簇对应的区域轮廓内的面积与各簇包含的像素点个数，计算各簇对应的像素点的密集程度；本实施例认为一个簇对应的轮廓区域内的像素点若都属于该簇，则对应的密集程度最大，即为1，说明聚类效果最好。本实施例中各簇对应的密集程度的计算公式为：
Figure 161654DEST_PATH_IMAGE029
其中，为第
Figure 573918DEST_PATH_IMAGE017
个簇对应的密集程度，
Figure 317883DEST_PATH_IMAGE031
为第
Figure 39983DEST_PATH_IMAGE017
个簇对应的像素点个数，
Figure 811368DEST_PATH_IMAGE037
为第个簇对 应的区域轮廓内的面积，即该区域轮廓内的像素点个数。
本实施例根据各簇对应的密集程度的均值作为综合密集程度，所述综合密集程度用于反映聚类的整体效果，若综合密集程度越大，则整体的聚类效果越好；若综合密集程度越小，说明各簇的像素点分布的越杂乱。
本实施例根据该聚类数量进行聚类后的簇内差异程度、簇间差异程度和综合密集程度，来计算根据该聚类数量进行聚类的聚类效果指标，即该聚类数量对应的聚类效果指标；具体公式为：
Figure 9131DEST_PATH_IMAGE038
其中，
Figure 291208DEST_PATH_IMAGE012
为聚类数量对应的聚类效果指标，
Figure 389786DEST_PATH_IMAGE013
为聚类数量，
Figure 99116DEST_PATH_IMAGE014
为综合密集程度。
本实施例通过对聚类数量范围进行遍历，依次根据不同的聚类数量进行对待检测布匹图像进行聚类，并根据上述方法得到各聚类数量对应的聚类效果指标。本实施例选取聚类效果指标最小的聚类数量，将聚类效果指标最小的聚类数量记为最优数量，即利用最优数量对待检测布匹图像进行聚类的效果最好，本实施例将利用最优数量对待检测布匹图像进行聚类得到的簇记为目标簇。
步骤S3，根据最优数量、待检测布匹图像中各目标簇内各像素点的灰度值，计算待检测布匹图像对应的染色均匀程度。
本实施例根据步骤S2得到了待检测布匹图像对应的最优数量个目标簇，根据待检测布匹图像中各像素点的灰度值和目标簇的最优数量来计算待检测布匹图像对应的染色均匀程度，具体的计算待检测布匹图像对应的染色均匀程度的公式为：
Figure 253017DEST_PATH_IMAGE039
其中，P为待检测布匹图像对应的染色均匀程度，
Figure 604364DEST_PATH_IMAGE040
为最优数量，
Figure 534012DEST_PATH_IMAGE041
为待检测布匹图 像对应的信息熵，
Figure 679822DEST_PATH_IMAGE042
为各目标簇中心点的灰度值的方差值。本实施例中
Figure 321019DEST_PATH_IMAGE041
计算公式为：
Figure 443434DEST_PATH_IMAGE043
其中，
Figure 994632DEST_PATH_IMAGE044
为待检测布匹图像中灰度值为z的像素出现的概率。
上述计算染色均匀程度的公式中最优数量越大，即待检测布匹图像中目标簇越 多，说明待检测布匹的颜色越不均匀，则染色均匀程度越小；
Figure 780185DEST_PATH_IMAGE041
反映的是检测布匹图像中各 像素点灰度值杂乱程度，L越大，说明检测布匹图像中所包含的信息越多，即灰度值分布越 杂乱，染色均匀程度越小，若L越小，说明检测布匹图像中各像素点灰度值越一致，即待检测 布匹的染色效果越好；
Figure 407213DEST_PATH_IMAGE042
反映的值各目标簇间的灰度差异，M越小说明各目标簇之间的灰度 差异越小，则待检测布匹的染色效果越好，检测布匹图像对应的染色均匀程度就越大。
步骤S4，根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。
本实施例设置了均匀程度阈值，若根据步骤S3得到的待检测布匹图像对应的染色均匀程度大于均匀程度阈值，则判定待检测布匹的染色质量等级为二级，即待检测布匹的颜色是均匀的，由于颜色标准程度小于相似度阈值，因此待检测布匹染色效果不好的是因为浸染液的浓度出现的变化，需要工作人员对浸染液的浓度进行检查并调整。
若根据步骤S3得到的待检测布匹图像对应的染色均匀程度小于等于均匀程度阈值，则判定待检测布匹的染色质量等级为三级，即待检测布匹颜色不均匀；此时说明导致待检测布匹的染色效果不好的原因可能是由于浸染液中存在杂质，也有可能是因为浸染液的浓度发生变化且含有杂质，这时需要人员对浸染液进行更加仔细的检测，并对浸染液进行调整。本实施例中均匀程度阈值需根据实际需要进行设置。
本实施例将待检测布匹的染色质量等级分为三级，当染色质量等级为一级时，说明待检测布匹的染色效果正常，符合染色标准，浸染液可以继续使用；当染色质量等级为二级时，说明待检测布匹的染色均匀，但与标准的颜色存在差异，需要对浸染液的浓度进行调整；染色质量等级为三级时，说明待检测布匹的染色不均匀同时也可能存在色差，需要对浸染液进行仔细检查，进而对浸染液进行调整。
本实施例首先获取待检测布匹图像的颜色标准程度，若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个目标簇，并计算待检测布匹图像对应的染色均匀程度，最后根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。本实施例中该方法是一种识别图形的方法；本实施例基于计算机视觉，通过染色后的服装布匹进行实时监测，对待检测布匹图形的颜色差异和染色均匀程度进行数据处理，以评价待检测布匹的染色效果，进而实现对服装布料浸染液的调控；本发明提高了对布匹染色效果的检测效率。
基于数据识别的服装布料浸染监测人工智能系统实施例：
本实施例的基于数据识别的服装布料浸染监测人工智能系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述基于数据识别的服装布料浸染监测方法实施例的基于数据识别的服装布料浸染监测方法。
由于基于数据识别的服装布料浸染监测方法已经在基于数据识别的服装布料浸染监测方法实施例中进行了说明，所以本实施例不再对基于数据识别的服装布料浸染监测方法进行赘述。
需要说明的是： 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于数据识别的服装布料浸染监测方法，其特征在于，该方法包括以下步骤：
获取待检测布匹浸染后的图像，记为待检测布匹图像；获取待检测布匹图像的颜色标准程度，所述颜色标准程度为待检测布匹图像与标准颜色的布匹图像之间的颜色相似程度；
若待检测布匹图像的颜色标准程度小于预设的相似度阈值，则根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个簇，记为目标簇；所述最优数量为聚类效果最好的簇的数量；
根据最优数量、待检测布匹图像中各目标簇内各像素点的灰度值，计算待检测布匹图像对应的染色均匀程度；
根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级。
2.根据权利要求1所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，获取待检测布匹图像的颜色标准程度，包括：
构建目标网络，所述目标网络用于对待检测布匹图像的颜色标准程度进行检测；
获取大量样本布匹图像，根据标准颜色的布匹图像对各样本布匹图像的颜色标准程度进行打分；
利用各样本布匹图像和对应的颜色标准程度对目标网络进行训练，得到训练好的目标网络；对所述目标网络进行训练的损失函数为交叉熵损失函数。
3.根据权利要求1所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，根据预设的聚类数量范围和k-means聚类算法对待检测布匹图像中的各像素点进行聚类，得到待检测布匹图像对应的最优数量个簇，记为目标簇，包括：
对聚类数量范围进行遍历，根据不同的聚类数量和k-means聚类算法依次对待检测布匹图像中的各像素点进行聚类，得到基于各聚类数量得到的各簇；
根据各聚类数量得到的各簇内的各像素点对应的坐标和对应的灰度值，计算各聚类数量对应的聚类效果指标；
选择聚类效果指标最小的聚类数量，记为最优数量；将根据最优数量聚类得到的簇作为目标簇；
所述根据不同的聚类数量和k-means聚类算法依次对待检测布匹图像中的各像素点进行聚类，得到基于各聚类数量得到的各簇，包括：
对于任一聚类数量：
在待检测布匹图像中得到该聚类数量个初始质心；
待检测布匹图像中各像素点对应的坐标与灰度值，计算各像素点到各初始质心的差异距离；
根据各像素点到各初始质心的差异距离对待检测布匹图像中的各像素点进行聚类，得到基于该聚类数量得到的各簇。
4.根据权利要求3所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，计算各像素点到各初始质心的差异距离的计算公式为：
Figure 578680DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为像素点到第i个初始质心的差异距离，
Figure 781122DEST_PATH_IMAGE004
为像素点的横坐标，
Figure DEST_PATH_IMAGE005
为像素点的纵坐标，
Figure 908216DEST_PATH_IMAGE006
为像素点的灰度值，
Figure DEST_PATH_IMAGE007
为第i个初始质心的横坐标，
Figure 461688DEST_PATH_IMAGE008
为第i个初始质心的纵坐标，
Figure DEST_PATH_IMAGE009
为第i个初始质心的灰度值，
Figure 191485DEST_PATH_IMAGE010
为距离信息权重，
Figure DEST_PATH_IMAGE011
为灰度信息权重；
所述距离信息权重的计算公式为：
Figure DEST_PATH_IMAGE013
其中，
Figure 982854DEST_PATH_IMAGE014
为调节参数；
所述灰度信息权重为1减去对应的距离信息权重。
5.根据权利要求3所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，计算各聚类数量对应的聚类效果指标的公式为：
Figure 641369DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE017
为聚类数量对应的聚类效果指标，
Figure 383935DEST_PATH_IMAGE018
为聚类数量，
Figure DEST_PATH_IMAGE019
为综合密集程度，
Figure 418887DEST_PATH_IMAGE020
为簇间差异程度，
Figure DEST_PATH_IMAGE021
为第
Figure 32139DEST_PATH_IMAGE022
个簇的簇内异常程度；
所述簇内异常程度的计算公式为：
Figure 861555DEST_PATH_IMAGE024
其中，
Figure 514253DEST_PATH_IMAGE021
为第
Figure 821738DEST_PATH_IMAGE022
个簇的簇内异常程度，
Figure DEST_PATH_IMAGE025
为第
Figure 820656DEST_PATH_IMAGE022
个簇的中心点的横坐标，
Figure 148869DEST_PATH_IMAGE026
为第
Figure 695388DEST_PATH_IMAGE022
个簇的中心点的纵坐标，
Figure DEST_PATH_IMAGE027
为第
Figure 540984DEST_PATH_IMAGE022
个簇的中心点的灰度值，n为第
Figure 754928DEST_PATH_IMAGE022
个簇对应的像素点的个数，
Figure 362364DEST_PATH_IMAGE028
为第
Figure 661759DEST_PATH_IMAGE022
个簇内的第i个像素点的横坐标，
Figure DEST_PATH_IMAGE029
为第
Figure 576625DEST_PATH_IMAGE022
个簇内的第i个像素点的纵坐标，
Figure 848338DEST_PATH_IMAGE030
为第
Figure 688992DEST_PATH_IMAGE022
个簇内的第i个像素点的灰度值；
所述中心点的横坐标为簇内各像素点的横坐标的均值，所述中心点的纵坐标为簇内各像素点的纵坐标的均值，所述中心点的灰度值为簇内各像素点的灰度值的均值；
所述簇间差异程度的计算公式为：
Figure 538000DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为各簇中心点的横坐标的平均值，
Figure 131923DEST_PATH_IMAGE034
为各簇中心点的纵坐标的平均值，
Figure DEST_PATH_IMAGE035
为各簇中心点的灰度值的平均值，k为聚类数量。
6.根据权利要求5所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，计算综合密集程度，包括：
计算各簇对应的密集程度的均值，作为综合密集程度；
所述各簇对应的密集程度的计算公式为：
Figure DEST_PATH_IMAGE037
其中，
Figure 287836DEST_PATH_IMAGE038
为第
Figure 738540DEST_PATH_IMAGE022
个簇对应的密集程度，
Figure DEST_PATH_IMAGE039
为第
Figure 278106DEST_PATH_IMAGE022
个簇对应的像素点个数，
Figure 534775DEST_PATH_IMAGE040
为第
Figure 14035DEST_PATH_IMAGE022
个簇对应的区域轮廓内的面积；
所述第
Figure 432378DEST_PATH_IMAGE022
个簇对应的区域轮廓为第
Figure 928082DEST_PATH_IMAGE022
个簇对应的所有像素点所处区域的轮廓。
7.根据权利要求1所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，根据最优数量、待检测布匹图像中各像素点的灰度值和所述目标簇的面积，计算待检测布匹图像对应的染色均匀程度，包括：
计算各目标簇内各像素点灰度值均值的方差值；
根据待检测布匹图像中各像素点的灰度值，计算待检测布匹图像对应的信息熵；
计算各目标簇内各像素点灰度值均值的方差值、最优数量以及待检测布匹图像对应的信息熵的乘积的倒数，作为待检测布匹图像对应的染色均匀程度。
8.根据权利要求1所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，若待检测布匹图像的颜色标准程度大于等于所述相似度阈值，则判定待检测布匹的颜色合格。
9.根据权利要求1所述的一种基于数据识别的服装布料浸染监测方法，其特征在于，根据待检测布匹图像对应的染色均匀程度，得到待检测布匹的染色质量等级，包括：
若待检测布匹图像对应的染色均匀程度大于预设的均匀程度阈值，则判定待检测布匹的颜色存在色差；
若待检测布匹图像对应的染色均匀程度小于等于所述均匀程度阈值，则判定待检测布匹的颜色存在色差且颜色不均匀。
10.一种基于数据识别的服装布料浸染监测人工智能系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时能够实现权利要求1
Figure DEST_PATH_IMAGE041
9任意一项方法所述的步骤。
CN202210691022.1A 2022-06-18 2022-06-18 基于数据识别的服装布料浸染监测方法及人工智能系统 Active CN114782562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210691022.1A CN114782562B (zh) 2022-06-18 2022-06-18 基于数据识别的服装布料浸染监测方法及人工智能系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210691022.1A CN114782562B (zh) 2022-06-18 2022-06-18 基于数据识别的服装布料浸染监测方法及人工智能系统

Publications (2)

Publication Number Publication Date
CN114782562A true CN114782562A (zh) 2022-07-22
CN114782562B CN114782562B (zh) 2022-09-02

Family

ID=82420992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210691022.1A Active CN114782562B (zh) 2022-06-18 2022-06-18 基于数据识别的服装布料浸染监测方法及人工智能系统

Country Status (1)

Country Link
CN (1) CN114782562B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN115082445A (zh) * 2022-07-25 2022-09-20 山东鲁泰防水科技有限公司 一种建筑防水卷材表面缺陷检测方法
CN115100436A (zh) * 2022-08-29 2022-09-23 江苏永银化纤有限公司 一种基于图像识别的有色丝染色方法
CN115115621A (zh) * 2022-08-24 2022-09-27 聊城市泓润能源科技有限公司 一种基于图像处理的润滑油污染程度检测方法
CN115266536A (zh) * 2022-09-26 2022-11-01 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115311286A (zh) * 2022-10-12 2022-11-08 南通佳布鲁服装有限公司 一种染色纺织品的染色缺陷识别方法
CN115439663A (zh) * 2022-11-07 2022-12-06 山东经发孔府宴酒业有限公司 基于图像数据的荷香大曲质量识别方法
CN115761013A (zh) * 2022-11-11 2023-03-07 东华大学 一种基于有无纹理分类的布匹色差检测方法
CN115761017A (zh) * 2023-01-06 2023-03-07 潍坊亚贝涂料有限公司 一种醇酸类树脂油漆颜色的视觉测定方法
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
CN116721067A (zh) * 2023-05-29 2023-09-08 宿迁凯达环保设备制造有限公司 一种基于机器视觉的浸渍纸浸渍质量检测方法
CN116823834A (zh) * 2023-08-30 2023-09-29 济南玖通志恒信息技术有限公司 基于机器视觉电泳线排放的废水处理等级检测方法
CN117726622A (zh) * 2024-02-07 2024-03-19 武汉船舶职业技术学院 一种用于扎染工艺的计算机控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190206089A1 (en) * 2017-12-30 2019-07-04 Idemia Identity & Security USA LLC Backdrop color detection
CN110706294A (zh) * 2019-09-10 2020-01-17 武汉纺织大学 一种色纺织物颜色差异度检测方法
CN112649391A (zh) * 2020-12-03 2021-04-13 浙江大学 一种纤维质量等级在线检测系统及其应用
CN114372983A (zh) * 2022-03-22 2022-04-19 武汉市富甸科技发展有限公司 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN114529550A (zh) * 2022-04-25 2022-05-24 启东新朋莱纺织科技有限公司 一种基于图像处理的纺织品色牢度检测方法及系统
CN114549522A (zh) * 2022-04-24 2022-05-27 启东新朋莱纺织科技有限公司 基于目标检测的纺织品质量检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190206089A1 (en) * 2017-12-30 2019-07-04 Idemia Identity & Security USA LLC Backdrop color detection
CN110706294A (zh) * 2019-09-10 2020-01-17 武汉纺织大学 一种色纺织物颜色差异度检测方法
CN112649391A (zh) * 2020-12-03 2021-04-13 浙江大学 一种纤维质量等级在线检测系统及其应用
CN114372983A (zh) * 2022-03-22 2022-04-19 武汉市富甸科技发展有限公司 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN114549522A (zh) * 2022-04-24 2022-05-27 启东新朋莱纺织科技有限公司 基于目标检测的纺织品质量检测方法
CN114529550A (zh) * 2022-04-25 2022-05-24 启东新朋莱纺织科技有限公司 一种基于图像处理的纺织品色牢度检测方法及系统

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082445A (zh) * 2022-07-25 2022-09-20 山东鲁泰防水科技有限公司 一种建筑防水卷材表面缺陷检测方法
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN115049653B (zh) * 2022-08-15 2022-12-06 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统
CN115115621A (zh) * 2022-08-24 2022-09-27 聊城市泓润能源科技有限公司 一种基于图像处理的润滑油污染程度检测方法
CN115100436A (zh) * 2022-08-29 2022-09-23 江苏永银化纤有限公司 一种基于图像识别的有色丝染色方法
CN115266536A (zh) * 2022-09-26 2022-11-01 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115266536B (zh) * 2022-09-26 2022-12-13 南通钧儒卫生用品有限公司 一种纸尿裤吸水性能检测方法
CN115311286A (zh) * 2022-10-12 2022-11-08 南通佳布鲁服装有限公司 一种染色纺织品的染色缺陷识别方法
CN115439663A (zh) * 2022-11-07 2022-12-06 山东经发孔府宴酒业有限公司 基于图像数据的荷香大曲质量识别方法
CN115439663B (zh) * 2022-11-07 2023-02-17 山东经发孔府宴酒业有限公司 基于图像数据的荷香大曲质量识别方法
CN115761013A (zh) * 2022-11-11 2023-03-07 东华大学 一种基于有无纹理分类的布匹色差检测方法
CN115761017A (zh) * 2023-01-06 2023-03-07 潍坊亚贝涂料有限公司 一种醇酸类树脂油漆颜色的视觉测定方法
CN115761017B (zh) * 2023-01-06 2023-04-25 潍坊亚贝涂料有限公司 一种醇酸类树脂油漆颜色的视觉测定方法
CN116109933A (zh) * 2023-04-13 2023-05-12 山东省土地发展集团有限公司 一种用于废弃矿山生态修复的动态识别方法
CN116721067A (zh) * 2023-05-29 2023-09-08 宿迁凯达环保设备制造有限公司 一种基于机器视觉的浸渍纸浸渍质量检测方法
CN116721067B (zh) * 2023-05-29 2024-04-12 宿迁凯达环保设备制造有限公司 一种基于机器视觉的浸渍纸浸渍质量检测方法
CN116823834A (zh) * 2023-08-30 2023-09-29 济南玖通志恒信息技术有限公司 基于机器视觉电泳线排放的废水处理等级检测方法
CN116823834B (zh) * 2023-08-30 2023-11-24 江苏锡澄环境科学研究院有限公司 基于机器视觉电泳线排放的废水处理等级检测方法
CN117726622A (zh) * 2024-02-07 2024-03-19 武汉船舶职业技术学院 一种用于扎染工艺的计算机控制方法及系统
CN117726622B (zh) * 2024-02-07 2024-04-30 武汉船舶职业技术学院 一种用于扎染工艺的计算机控制方法及系统

Also Published As

Publication number Publication date
CN114782562B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114782562B (zh) 基于数据识别的服装布料浸染监测方法及人工智能系统
CN109584221B (zh) 一种基于监督式生成对抗网络的异常图像检测方法
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN115115615B (zh) 一种基于图像识别的纺织面料质量评估方法及系统
CN104680519B (zh) 基于轮廓和颜色的七巧板识别方法
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN118196068B (zh) 一种基于人工智能的纺织品印染质量监控系统
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN117253024B (zh) 一种基于机器视觉的工业盐质检管控方法及系统
CN110057820B (zh) 在线检测氯化氢合成炉氯氢配比的方法、系统及存储介质
CN114581376B (zh) 基于图像识别的纺织用蚕茧自动拣选方法及系统
CN114693677B (zh) 一种针织面料轧染工艺异常检测方法
CN118134062B (zh) 数控机床铸件质量追踪系统
CN116823817A (zh) 一种基于深度学习的纺织提花缺陷检测方法及系统
Margraf et al. An evolutionary learning approach to self-configuring image pipelines in the context of carbon fiber fault detection
CN115311286A (zh) 一种染色纺织品的染色缺陷识别方法
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
CN116934787A (zh) 基于边缘检测的图像处理方法
CN116563276B (zh) 一种化纤长丝在线缺陷检测方法及检测系统
CN115082480B (zh) 一种基于颜色共生矩阵的家纺耐摩擦色牢度检测方法
CN114511646B (zh) 一种基于图像处理的布匹风格识别方法及系统
Benchikhi et al. An optimization approach of parameters in image processing based on PSO: Case of quality control
Hu et al. Detection of Residual Yarn in Bobbin Based on Hough Transform and BP Neural Network

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