CN115047070A - 一种基于摩擦振动信号的织物表面疵点检测方法 - Google Patents
一种基于摩擦振动信号的织物表面疵点检测方法 Download PDFInfo
- Publication number
- CN115047070A CN115047070A CN202210961508.2A CN202210961508A CN115047070A CN 115047070 A CN115047070 A CN 115047070A CN 202210961508 A CN202210961508 A CN 202210961508A CN 115047070 A CN115047070 A CN 115047070A
- Authority
- CN
- China
- Prior art keywords
- signal
- fabric
- friction vibration
- defects
- defect
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种基于摩擦振动信号的织物表面疵点检测方法,采用接触式探头提取织物表面的摩擦振动信号后,先对摩擦振动信号进行聚类分析,判断信号是否存在异常,如果信号不存在异常,则织物表面无疵点;如果信号存在异常,则对摩擦振动信号进行解构得到含有疵点信息的信号成分后,再对含有疵点信息的信号成分进行聚类分析确定织物表面疵点的种类数。本发明创新性地利用反映织物表面信息的摩擦振动信息来反映疵点信号信息,同时利用机器学习和时频分析算法来处理摩擦振动信号,以达到准确反映疵点信号的特征的目的,基于摩擦振动信号的纺织品疵点检测有助于推动纺织品疵点检测的数字化实现。
Description
技术领域
本发明属于纺织物疵点检测技术领域,涉及一种基于摩擦振动信号的织物表面疵点检测方法。
背景技术
近年来,随着计算机软硬件性能的提升,纺织品的数字化技术越来越受到重视,针对纺织品的各项性能分析都有数字化的需求。纺织品疵点检测方面的技术也在不断发展,越来越多的研究人员开始研究纺织品疵点检测技术。
目前,织物表面疵点检测主要依靠人的经验主观判断,人为判断疵点有几个方面的缺陷,一是人容易疲劳,影响工作效率,二是人的主观判断因人而异。因此,客观分析的方法是纺织品疵点检测的一个必须的途径,以突破主观判断的限制。一般而言,客观分析有主动接触式和非主动接触式,非主动接触式为图像处理的方法,以分析图像的灰度值来判断疵点和织物表面形貌的差异值,但是该方法容易受图像质量和织物表面染色质量的影响,判断效果不佳。接触式的分析方法可以避免织物表面染色和不洁净对疵点检测的干扰。
基于摩擦振动信号的织物表面检测方法是接触式测量的一种方案,目前摩擦振动信号应用于纺织品的触觉传感领域较多,触觉传感的真实表达依赖于完整的纺织品表面信息,因此基于摩擦振动信号应用于疵点检测具有一定的合理性。但是现有技术尚未有基于摩擦振动信号用于疵点相关应用。
发明内容
本发明的目的是解决现有技术中存在的上述问题,提供一种基于摩擦振动信号的织物表面疵点检测方法。
为达到上述目的,本发明采用的技术方案如下:
一种基于摩擦振动信号的织物表面疵点检测方法,提取织物表面的摩擦振动信号后,先对摩擦振动信号进行聚类分析,判断信号是否存在异常,如果信号不存在异常,则织物表面无疵点;如果信号存在异常,则对摩擦振动信号进行解构得到含有疵点信息的信号成分后,再对含有疵点信息的信号成分进行聚类分析确定织物表面疵点的种类数(织物表面疵点的种类包括破洞、抽丝、起球、回丝织入、浮经、粗结、纬纱不匀、斑点疵和细支纱疵等,每种疵点类型对应一种信号特征,疵点和信号特征具有一一对应关系,利用该对应关系通过聚类分析即可确定织物表面有多少种类的疵点);
所述摩擦振动信号采用接触式探头进行提取(在纺织品的触觉研究中,用接触式探头提取信号模拟人体的手指触摸织物,主要目的是为了测试织物对人体的舒适度等织物风格方面,但迄今没有用到织物疵点检测领域);
对摩擦振动信号进行解构的具体步骤如下:
(1)利用信号经验模态分解方法(EMD)将摩擦振动信号从高频到低频逐层分开,得到含有不同频带成分的信号分量;
其中,I(n)表示所提取的织物表面的摩擦振动信号,IMF m (n)代表信号经验模态分解方法分解出来的信号分量,n表示信号是变量的意思,数学公式的书写格式,无特定意义,m表示分解的信号分量的序号,M表示分解的信号分量的总个数,ResM(n)代表信号的残差信号;
(2)对各个含有不同频带成分的信号分量进行傅里叶分析,得到各个信号分量的频率分布,因为疵点信号的频率成分包含于整个信号的频率分布之内,因此根据不同信号分量的频率判别出含有疵点的信号分量;织物表面纹理的信号频率是可以根据织物结构进行计算的,v=λ*f (v是纺织品相对于接触探头的速度,λ是织物结构的宽度,f是织物结构的频率)。一般验布机的速度约为1m/s,对于一般的纺织品,其表面结构的纹理周期约为10~20mm,对应的信号频率约为50~100Hz。而疵点是随机出现的,因而其对应的信号一般是非常高的高频分量(断经、破洞等突然出现的疵点,导致信号跳变)或者低频分量(粗结等尺寸小的疵点)。100Hz以上的高频分量以及6 Hz以下的低频分量即被认定为是疵点信号;
(3)对含有疵点的信号分量进行小波分析,得到含有疵点的信号分量的时频分布图,根据时频分布图中频率随时间的变化关系,判断含有疵点的信号分量是否真实地含有疵点成分;理论上,含有疵点的信号分量并不是纯净的疵点信号,还含有其他的信号成分。但是疵点信号一定是频率不连续的信号,因为疵点是随机出现的,空间结构上就不连续,这就导致其信号的频率成分一定是随机出现。疵点空间结构的不连续性是本发明进行小波分析的理论依据。因此,将含有疵点的信号分量作为小波分析的输入变量,输出的变量则为含有疵点的信号分量的时频分布图,如图4所示。根据时频图中频率随时间的变化关系,可以准确判断所提取的含有疵点的信号分量的是否真实地含有疵点成分。
其中,X(a,b)表示重构之后的含有疵点的信号分量,x(t)表示提取的含有疵点的信号分量,a为信号的平移量,b为信号放缩的尺度,t为信号时间,为Morlet小波基。
作为优选的技术方案:
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,所述摩擦振动信号为幅值电压信号(代表加速度的信号,反映的是纹理变化对采集探头的冲击力作用。一般而言利用传感器提取的摩擦振动信号是以电压信号显示,传感器的采集界面中会有电压信号和加速度信号的标定关系,可以进行关系换算)。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,所述接触式探头为圆滚型接触式探头,探头长度与织物幅宽相等。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,在对摩擦振动信号进行聚类分析之前,对所述摩擦振动信号进行降噪和平滑处理,去掉噪音的干扰。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,对摩擦振动信号进行聚类分析以及对含有疵点信息的信号成分进行聚类分析均采用基于密度峰值的聚类算法,基于密度峰值的聚类算法是现有技术,其无需自定义核心点数目的优势比较适合分析纺织品摩擦振动信号,因为织物表面疵点在查验之前也是未知量,基于密度峰值的聚类算法具体如下:
聚类分析的输出量是信号点的自身密度值ρ i 和距离核心点的距离δ i 这样一个二维矩阵;
其中,ρ i、 ρ j 为信号点的自身密度值;i,j表示信号点的序号;d ij 表示计算任意两信号点之间的距离;d c为截断距离,设定值为0.02;表示经过计算之后,落在以0.02为半径的圆内信号点的个数;δ i 为各个信号点聚类核心类之间的距离。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,对摩擦振动信号进行聚类分析,当ρ i 的值为0~2,同时δ i 取最大值时,认为信号存在异常,即织物表面的摩擦振动信号中含有疵点信号,否则认为信号不存在异常。因为自身密度值ρ i 接近于0,说明整个织物表面没有信号成分和其是一致的,同时δ i 较大,说明该信号点与织物表面所有信号点的聚类都较远,说明它不是织物表面的主要结构形貌产生的信号。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,对含有疵点信息的信号成分进行聚类分析后,针对输出的ρ i 和δ i 的二维矩阵,将ρ i 和δ i 归一化之后进行相乘记为r i ,然后将r i 按照降序排列,得到r i 关于信号点的序号i的降序排列图(r i -i图),如果是核心点,则ρ i 和δ i 的值都会比较大,如果不是核心点,ρ i 和δ i 两者当中的任意一个的值会变小,因此在降序排列图中,图像会有一个阶跃的点,通个拟合直线求出降序排列图中的阶跃点,则该阶跃点之前的r i 值的个数,即为疵点种类数。如果二维矩阵中只有一对(ρ i ,δ i )符合条件,则说明疵点信号中只含有一类疵点;如果二维矩阵中含有多对(ρ i ,δ i )符合条件,则说明疵点信号中含有多类疵点。
如上所述的一种基于摩擦振动信号的织物表面疵点检测方法,所述织物优选为机织物,由于针织物弹性较大,表面孔洞结构较多,针对针织物的织物表面疵点检测,需要对采集探头进行改造,以确保提取的接触摩擦振动信号准确。
有益效果:
(1)本发明的一种基于摩擦振动信号的织物表面疵点检测方法,可以避免人为判断的主观性,保证疵点检测的准确性;
(2)本发明的一种基于摩擦振动信号的织物表面疵点检测方法,基于摩擦振动检测的方法可以提高疵点检测的效率;
(3)本发明的一种基于摩擦振动信号的织物表面疵点检测方法,基于摩擦振动信号的纺织品疵点检测有助于推动纺织品疵点检测的数字化实现。
附图说明
图1为长条纹理织物波形图;
图2为用信号经验模态分解方法得到的信号分量图;
图3为信号分量的频率分布图;
图4为信号时频图;
图5为降序排列图;
图6为疵点信号聚类结果。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于摩擦振动信号的织物表面疵点检测方法,检测步骤如下:
(1)采用圆滚型接触式探头提取织物表面的摩擦振动信号,探头长度与织物幅宽相等,提取摩擦振动信号为幅值电压信号;
(2)对步骤(1)提取的摩擦振动信号进行降噪和平滑处理后,采用基于密度峰值的聚类算法进行聚类分析,判断信号是否存在异常;
基于密度峰值的聚类算法如下:
其中,ρ i、 ρ j 为信号点的自身密度值;i,j表示信号点的序号;d ij 表示计算任意两信号点之间的距离;d c为截断距离,设定值为0.02;表示经过计算之后,落在以0.02为半径的圆内信号点的个数;δ i 为各个信号点聚类核心类之间的距离;
当ρ i 的值为0~2,同时δ i 取最大值时,认为信号存在异常,否则认为信号不存在异常;如果信号不存在异常,则织物表面无疵点;如果信号存在异常,则进入下一步;
(3)对摩擦振动信号进行解构,具体步骤如下:
(3.1)利用信号经验模态分解方法将摩擦振动信号从高频到低频逐层分开,得到含有不同频带成分的信号分量;
其中,I(n)表示所提取的织物表面的摩擦振动信号,IMF m (n)代表信号经验模态分解方法分解出来的信号分量,m表示分解的信号分量的序号,M表示分解的信号分量的总个数,ResM(n)代表信号的残差信号;
(3.2)对各个含有不同频带成分的信号分量进行傅里叶分析,得到各个信号分量的频率分布,根据不同信号分量的频率判别出含有疵点的信号分量;
(3.3)对含有疵点的信号分量进行小波分析,得到含有疵点的信号分量的时频分布图,根据时频分布图中频率随时间的变化关系,判断含有疵点的信号分量是否真实地含有疵点成分;
其中,X(a,b)表示重构之后的含有疵点的信号分量,x(t)表示提取的含有疵点的信号分量,a为信号的平移量,b为信号放缩的尺度,t为信号时间,为Morlet小波基;
(4)采用基于密度峰值的聚类算法对含有疵点信息的信号成分进行聚类分析确定织物表面疵点的种类数;对含有疵点信息的信号成分进行聚类分析后,针对输出的ρ i 和δ i 的二维矩阵,将ρ i 和δ i 归一化之后进行相乘记为r i ,然后将r i 按照降序排列,得到r i 关于信号点的序号i的降序排列图(r i -i图),如果是核心点,则ρ i 和δ i 的值都会比较大,如果不是核心点,ρ i 和δ i 两者当中的任意一个的值会变小,因此在降序排列图中,图像会有一个阶跃的点,通个拟合直线求出降序排列图中的阶跃点,则该阶跃点之前的r i 值的个数,即为疵点种类数。
实施例1
对于待测的长条纹理织物,纹理周期为5mm,提取其表面的摩擦振动信号(如图1所示),并降噪和平滑处理后,采用基于密度峰值的聚类算法进行聚类分析,聚类分析找异常的原理是将相同特征的信号归为一类,本发明基于密度峰值的聚类算法,对摩擦振动信号进行聚类分析,判断所获取的摩擦振动信号可以分为几个大类(大类即代表表面形貌的信号成分),同时可以找出异常值(偏离大类的点),异常值肯定对应织物表面异常的表面形貌;
接着对所获取的表面摩擦振动信号进行信号解构,首先对信号进行经验模态分解,得到如图2所示的各个信号分量,然后对每个信号分量进行傅里叶分析,得到如图3所示的各信号分量的频率分布(图中c1、c2、c3、c4、c5以及r是指将表面摩擦振动信号进行经验模态分解之后的信号分量,其中r表示分解到最后一层的信号分量,算法应用中称之为残差信号),最后利用小波分析的方法,计算不同信号分量的时频分布图,如图4所示。如果出现疵点,信号会在时频分布图上显示出频率跳变,完整的表面形貌其信号频率则随时间连续,从而进一步确认疵点;图中在0.2~0.3s;0.4~0.5s,0.9s~1.0s的区间中出现信号跳变,说明织物表面有疵点出现。
通过以上分析,能够从解构信号中分析出含有疵点信号的信号成分,由于疵点信号中也含有诸多信息,因而需要对疵点信号再次进行聚类分析,以分析异常的疵点信号中有几类疵点种类。利用降序排列图(聚类的中间步骤)可以分析疵点信号中含有几类疵点。从图5中可以看出,疵点种类分为三种。然后对所采集到的疵点信号进行归类,属于相同类的疵点信号就会被归为一类。分析结果如图6所示,图6可以知道疵点信号属于哪一类疵点。
实施例2~4
基本同实施例1,不同之处仅在于织物组织类型,具体如表1所示。
表1
实施例1 | 实施例2 | 实施例3 | 实施例4 | |
织物组织 | 长条纹理织物 | 平纹 | 平纹 | 平纹 |
经纬密/10cm | - | 316,162 | 321,238 | 312,252 |
经纬纱直径/mm | - | 0.342,0.380 | 0.356,0.210 | 0.335,0.271 |
经纬纱间距/mm | - | 0.691,1.404 | 0.708,1.024 | 0.643,0.853 |
织物表面疵点类别 | 破洞,起球,断线 | 破洞、纬密不匀 | 断经、抽丝 | 粗结、起球 |
<i>ρ</i><sub><i>i</i></sub>和<i>δ</i><sub><i>i</i></sub>值 | (0,0.63) | (0,0.7) | (1,0.55) | (2,0.8) |
算法计算有无疵点 | 有 | 有 | 有 | 有 |
疵点信号频率/Hz | 111,3,78 | 98,5 | 104,75 | 4,1 |
疵点聚类数 | 3 | 2 | 2 | 1 |
正确率 | 100% | 100% | 100% | 50% |
Claims (8)
1.一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于:提取织物表面的摩擦振动信号后,先对摩擦振动信号进行聚类分析,判断信号是否存在异常,如果信号不存在异常,则织物表面无疵点;如果信号存在异常,则对摩擦振动信号进行解构得到含有疵点信息的信号成分后,再对含有疵点信息的信号成分进行聚类分析确定织物表面疵点的种类数;
所述摩擦振动信号采用接触式探头进行提取;
对摩擦振动信号进行解构的具体步骤如下:
(1)利用信号经验模态分解方法将摩擦振动信号从高频到低频逐层分开,得到含有不同频带成分的信号分量;
其中,I(n)表示所提取的织物表面的摩擦振动信号,IMF m (n)代表信号经验模态分解方法分解出来的信号分量,m表示分解的信号分量的序号,M表示分解的信号分量的总个数,ResM(n)代表信号的残差信号;
(2)对各个含有不同频带成分的信号分量进行傅里叶分析,得到各个信号分量的频率分布,根据不同信号分量的频率判别出含有疵点的信号分量;
(3)对含有疵点的信号分量进行小波分析,得到含有疵点的信号分量的时频分布图,根据时频分布图中频率随时间的变化关系,判断含有疵点的信号分量是否真实地含有疵点成分;
其中,X(a,b)表示重构之后的含有疵点的信号分量,x(t)表示提取的含有疵点的信号分量,a为信号的平移量,b为信号放缩的尺度,t为信号时间,为Morlet小波基。
2.据权利要求1所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,所述摩擦振动信号为幅值电压信号。
3.根据权利要求1所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,所述接触式探头为圆滚型接触式探头,探头长度与织物幅宽相等。
4.根据权利要求1所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,在对摩擦振动信号进行聚类分析之前,对所述摩擦振动信号进行降噪和平滑处理。
6.根据权利要求5所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,对摩擦振动信号进行聚类分析,当ρ i 的值为0~2,同时δ i 取最大值时,认为信号存在异常,否则认为信号不存在异常。
7.根据权利要求6所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,对含有疵点信息的信号成分进行聚类分析后,针对输出的ρ i 和δ i 的二维矩阵,将ρ i 和δ i 归一化之后进行相乘记为r i ,然后将r i 按照降序排列,得到r i 关于信号点的序号i的降序排列图,通个拟合直线求出降序排列图中的阶跃点,则该阶跃点之前的r i 值的个数,即为疵点种类数。
8.根据权利要求1所述的一种基于摩擦振动信号的织物表面疵点检测方法,其特征在于,所述织物为机织物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961508.2A CN115047070B (zh) | 2022-08-11 | 2022-08-11 | 一种基于摩擦振动信号的织物表面疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210961508.2A CN115047070B (zh) | 2022-08-11 | 2022-08-11 | 一种基于摩擦振动信号的织物表面疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115047070A true CN115047070A (zh) | 2022-09-13 |
CN115047070B CN115047070B (zh) | 2022-12-20 |
Family
ID=83166405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210961508.2A Active CN115047070B (zh) | 2022-08-11 | 2022-08-11 | 一种基于摩擦振动信号的织物表面疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047070B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101285782A (zh) * | 2008-05-29 | 2008-10-15 | 西北工业大学 | 线性摩擦焊接整体叶盘接头质量检测方法 |
CN105548212A (zh) * | 2016-02-03 | 2016-05-04 | 杭州晶耐科光电技术有限公司 | 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法 |
CN106203536A (zh) * | 2016-08-30 | 2016-12-07 | 南京工业大学 | 一种织物疵点的特征提取及检测方法 |
CN106929977A (zh) * | 2017-05-04 | 2017-07-07 | 江苏工程职业技术学院 | 一种棉锦弹力小提花织物的设计与生产方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CN110021023A (zh) * | 2019-03-05 | 2019-07-16 | 西安工程大学 | 一种电子布疵点分割方法 |
CN210709949U (zh) * | 2019-08-29 | 2020-06-09 | 播种者工业智能科技(苏州)有限公司 | 一种面料疵点检测用报警装置 |
CN210709967U (zh) * | 2019-08-26 | 2020-06-09 | 播种者工业智能科技(苏州)有限公司 | 一种带有调速机构的面料疵点检测装置 |
CN114859022A (zh) * | 2022-07-05 | 2022-08-05 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
-
2022
- 2022-08-11 CN CN202210961508.2A patent/CN115047070B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN101285782A (zh) * | 2008-05-29 | 2008-10-15 | 西北工业大学 | 线性摩擦焊接整体叶盘接头质量检测方法 |
CN105548212A (zh) * | 2016-02-03 | 2016-05-04 | 杭州晶耐科光电技术有限公司 | 一种触摸屏玻璃表面瑕疵在线自动化检测系统及方法 |
CN106203536A (zh) * | 2016-08-30 | 2016-12-07 | 南京工业大学 | 一种织物疵点的特征提取及检测方法 |
CN106929977A (zh) * | 2017-05-04 | 2017-07-07 | 江苏工程职业技术学院 | 一种棉锦弹力小提花织物的设计与生产方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CN110021023A (zh) * | 2019-03-05 | 2019-07-16 | 西安工程大学 | 一种电子布疵点分割方法 |
CN210709967U (zh) * | 2019-08-26 | 2020-06-09 | 播种者工业智能科技(苏州)有限公司 | 一种带有调速机构的面料疵点检测装置 |
CN210709949U (zh) * | 2019-08-29 | 2020-06-09 | 播种者工业智能科技(苏州)有限公司 | 一种面料疵点检测用报警装置 |
CN114859022A (zh) * | 2022-07-05 | 2022-08-05 | 泉州市颖秀科技发展有限公司 | 一种织物品质评估方法、系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115047070B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Feature trend extraction and adaptive density peaks search for intelligent fault diagnosis of machines | |
CN109146705B (zh) | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 | |
Wang et al. | Fabric texture analysis using computer vision techniques | |
Amarnath et al. | Exploiting sound signals for fault diagnosis of bearings using decision tree | |
SUN et al. | Singularity analysis using continuous wavelet transform for bearing fault diagnosis | |
Hao et al. | Application of support vector machine based on pattern spectrum entropy in fault diagnostics of rolling element bearings | |
JP3484665B2 (ja) | 異常判定方法および装置 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Gao et al. | Total variation on horizontal visibility graph and its application to rolling bearing fault diagnosis | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN111678698B (zh) | 一种基于声振信号融合的滚动轴承故障检测方法 | |
CN112633132A (zh) | 基于二维振动图像增强的轴承故障诊断方法及系统 | |
CN110680302A (zh) | 一种心电信号特征波的自动识别方法 | |
CN112378633B (zh) | 机械故障诊断方法 | |
CN107563403B (zh) | 一种高速列车运行的工况识别方法 | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
CN115047070B (zh) | 一种基于摩擦振动信号的织物表面疵点检测方法 | |
CN111458144A (zh) | 一种基于卷积神经网络的风力发电机故障诊断方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
CN106175673B (zh) | 一种自动识别和提取睡眠脑电中纺锤波的方法 | |
CN112763155A (zh) | 一种压力容器气体泄漏检测方法 | |
CN115597868A (zh) | 一种基于小波信号处理和深度学习的轴承故障分类方法 |
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 |