CN115115555A - 一种基于图像处理的织物单向导湿检测方法 - Google Patents
一种基于图像处理的织物单向导湿检测方法 Download PDFInfo
- Publication number
- CN115115555A CN115115555A CN202210625795.XA CN202210625795A CN115115555A CN 115115555 A CN115115555 A CN 115115555A CN 202210625795 A CN202210625795 A CN 202210625795A CN 115115555 A CN115115555 A CN 115115555A
- Authority
- CN
- China
- Prior art keywords
- fabric
- moisture
- image
- wetting
- outer layer
- 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.)
- Pending
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 277
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 118
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 112
- 238000009792 diffusion process Methods 0.000 claims abstract description 59
- 230000035699 permeability Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000007788 liquid Substances 0.000 claims description 63
- 238000009736 wetting Methods 0.000 claims description 59
- 238000010521 absorption reaction Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000002347 injection Methods 0.000 claims description 18
- 239000007924 injection Substances 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000035515 penetration Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 18
- 238000002474 experimental method Methods 0.000 abstract description 9
- 238000012905 input function Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000011410 subtraction method Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 18
- 239000000835 fiber Substances 0.000 description 17
- 230000000694 effects Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 239000012530 fluid Substances 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 210000004243 sweat Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000002209 hydrophobic effect Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010020112 Hirsutism Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 229920000297 Rayon Polymers 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N13/00—Investigating surface or boundary effects, e.g. wetting power; Investigating diffusion effects; Analysing materials by determining surface, boundary, or diffusion effects
- G01N2013/003—Diffusion; diffusivity between liquids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Dispersion Chemistry (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种基于图像处理的织物单向导湿检测方法,本发明的主要步骤为:先对织物进行水滴实验,获取其在织物内外层不同时间的扩散图像,经预处理后,采用的是图像相减法分割出水滴轮廓图,计算各时刻水滴的半径与面积,获得水分在织物中的扩散速率,然后检测了织物单向导湿能力,并对图像法检测结果与MMT检测结果做了相关性分析。最后,将图像法所测的各项导湿指标作为输入函数,将MMT测得的织物对应的导湿等级作为输出函数代入到BP神经网络的评级训练中,实现对织物导湿性能的评级,本发明将织物导湿理论与流体方程引入到吸水速率与扩散速率的相互计算中,增加了图像法性能指标的多样性,提升了此方法检测结果的准确性与科学性。
Description
技术领域
本发明涉及织物单向导湿级别检测方法领域,具体涉及一种基于图像处理的织物单向导湿检测方法。
背景技术
单向导湿织物是通过一定的物理或者化学方法使织物内外层的吸水性能产生较大差异达到水分只能沿单一方向传递的效果。例如在织物外层做拒水拒油处理;或者在织造时,利用原料的不同如在外层使用吸水性较差涤纶,而里层则为棉、丙纶等具有较强吸水性的纤维;还有人通过特殊的网眼结构等,上述方法都使织物内外层在吸水性能上产生差异从而达到单向导湿的目的,将织物分为内外两层,由于人体运动产生的汗液需要从织物内层向织物外层排除排出,故通常情况下织物外层吸水性要大于织物内层。就人体贴身衣物面料的纤维含量而言,其内层会同时含有亲水和疏水两种纤维,但外层则全部由亲水性纤维组成。当人在剧烈运动而出汗时,由于织物不同层面在对汗液的吸收效果有异,即汗水在织物各个层面的化学势能存在差异,汗液会自发地由织物里层的亲水区快速吸收转移到织物的外层,并迅速地蒸发于外界环境。同时在水分的吸收散失过程中,因为织物内层中含有一定量的疏水纤维存在,汗液在被吸收的同时也不会与人体产生直接接触,避免了黏附感的产生,从而增加了汗液在织物外层快速蒸发给穿着者带来舒适的凉爽感。
图像法检测织物导湿性能是一种通过获取不同时段水滴在织物内外层的扩散情况,计算其导湿性能的方法。但该方法只能涉及到水滴的扩散速率,对于织物导湿性能的核心指标—织物的吸水速率无法检测。
发明内容
针对现有的误匹配检测方法的不足,本发明提出一种基于图像处理的织物单向导湿检测方法。
为解决以上技术问题,本发明采用以下技术方案:
一种基于图像处理的织物单向导湿检测方法,包括以下步骤:
步骤1、向织物上滴加液体,并获取各时刻织物内、外层润湿图像;
步骤2、对织物内、外层润湿图像进行图像增强、中值滤波和改进的二值化方法处理,得到处理后的图像;
步骤3、根据处理后的图像,计算各时刻织物内、外层液滴润湿,得到织物内、外层液滴润湿半径-时间曲线图,计算液滴润湿半径的方法为:当液滴渗透痕迹在经向纬向上半径差异低于20%,即形状为圆或者近似圆时,半径采用以与润湿面积相等的圆对应的半径作为织物的润湿半径,当液滴渗透痕迹为椭圆或条形时,则根据经纬方向上润湿半径的权重计算其润湿半径;
步骤4、利用织物内、外层液滴润湿半径-时间曲线先计算得到各时刻织物内、外层水分的扩散速率,然后对所得速率累加求和得到织物内、外层水分扩散速率;
步骤5、利用织物内、外层水分扩散速率和织物内、外层液滴润湿半径-时间曲线求得织物内、外层的吸水速率-时间曲线,将织物内/外层吸水过程中的平均速率作为织物内/外层水分吸收速率;
步骤7、将织物内、外层水分吸收速率,织物内、外层水分扩散速率和织物单向导湿传递能力作为训练样本的输入参数输入检测神经网络,检测神经网络输出训练样本的单向导湿级别检测值,通过最小化MMT方法测得的训练样本单向导湿级别和单向导湿级别检测值的差异对检测神经网络进行训练,训练后得到最佳神经网络模型;
步骤8、利用步骤1-6的方法计算得到待测织物的内、外层水分吸收速率,待测织物内、外层水分扩散速率和待测织物单向导湿传递能力并输入最终检测神经网络,得到待测织物的单向导湿级别。
进一步的,所述步骤2中改进的二值化方法中,求得最佳分割阈值的方法为:
步骤2.1、则像素点i在图像中的概率为:
M×N表示图像总像素点个数,fi(x,y)表示像素点i对应的灰度值,将{0,L-1}记作GL;
设定阈值t将图像分为前景(0,t)和背景(t,L-1)两部分,则前景区域比例为ω0(t),背景区域比例为ω1(t),前景部分的平均灰度μ0(t),背景部分平均灰度为μ1(t),图像总体均值为:
μ=ω0(t)×μ0(t)+ω1(t)×μ1(t)
当液滴渗透痕迹为椭圆或条形时,液滴润湿半径的计算公式为:
其中,rj和rw分别为液滴在经纬方向上的最大润湿半径。
进一步的,所述步骤5中,水分扩散速率v的计算公式为:
式中,ti第i时刻,ΔR代表第i时刻和第i-1时刻的液滴湿润半径的差值。
进一步的,所述步骤5中,计算任一时刻织物内/外层的吸水速率的方法为,计算该时刻的织物内/外层的注水速率,将注水速率视为吸水速率,任一时刻注水速率的计算公式为:qθ=ρdr(1-ξ)v;式中,qθ为注水速率,ρ为液体密度,d为织物厚度,r为润湿半径,ξ为织物紧度,v为该时刻的织物扩散速率。
本发明采用以上技术方案后,与现有技术相比,具有以下优点:
本发明利用改进Otsu算法,去除因素像素比率ω的影响,直接通过平均灰度方差最大化划分最佳阈值,实现了图像的精准分割,获得了织物各时刻的润湿轮廓,最后经像素的量化计算测得了织物的实际润湿半径和面积;本发明将织物导湿理论与流体方程引入到吸水速率与扩散速率的相互计算中,从而增加图像法性能指标的多样性,提升了此方法检测结果的准确性与科学性,同时测试过程高效,该方法运用到纺织行业的面料导湿检测中,能提高工作效率,且试验数据更加精确,为单向导湿面料的导湿性能测试提供了一个高效实用的方案。
下面结合附图和实施例对本发明进行详细说明。
附图说明
图1为本发明的方法总体流程示意图;
图2为本发明使用的实验台示意图;
图3为改进的Otsu算法的二值化效果图;
图4为内外层水分扩散速率拟合图;
图5为织物吸水速率时间曲线图;
图6为内外层水分吸收速率拟合图;
图7为单向导湿传递能力数据拟合图;
图8为检测神经网络训练流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
以下利用具体实验对本发明的方法进行验证,本实施例整体可以分为两大部分。第一部分是图像法检测:它是先对织物进行水滴实验,获取其在织物内外层不同时间的扩散图像,经与处理后,采取适当的方法(本发明最终采用的是图像相减法)分割出水滴轮廓图,计算各时刻水滴的半径与面积,获得水分在织物中的扩散速率。然后,通过对织物导湿理论模型的简化以及实验条件的限定,将流体力学方程引入到织物扩散速率与吸收速率的计算中。并以此为基础检测了织物单向导湿能力,并对图像法检测结果与MMT检测结果做了相关性分析。最后,将图像法所测的各项导湿指标作为输入函数,将MMT测得的织物对应的导湿等级作为输出函数带入到BP神经网络的评级训练中,实现对织物导湿性能的评级,如图1为本实施例方法的整体设计流程图。
一、液体润湿面积的测量
1.1实验平台的设计与图像的采集
1.1.1实验台的设计
在传统的滴液实验部分测量织物导湿性能时,往往是在织物表面画同心圆或者方格后将其放置于实验平台上,然后在织物上方用胶头滴管滴落适量液体,观察并记录水润润湿到各个圆或者方格所用的时间,该方法得到的润湿半径较为粗略且存在一定的主观性。最主要的是由于织物和实验平台贴合,使平台引导水分从织物下层溢出,影响织物表面水分的吸收与扩散。同时,液态水份管理测试仪(MMT)中铜环的存在也会起到类似作用,使检测完毕后铜环上会存有一定水分影响实验结果的准确性。解决这一缺陷,本实施例重新设计一个试验台,如图2所示,设计时,承物台采用镂空设计,利用两个有8*8cm镂空区域的铁片组成。镂空可以保证织物润湿后下层的液体不会因为导流的作用而溢出。同时,使用两块铁片保证织物能平铺在承物台上,并赋予织物一定张力,也能避免部分织物湿润部分因水滴质量而出现下垂而影响织物扩散。最后,并在承物台正上方和正下方各安装一个高清摄像头以便同时获取各个时刻水分在织物上下层的扩散情况;此外,为了控制水分能被织物充分吸收,严格控制液体的低落速度与重量。实验时确保每三秒滴落一次液体,每次滴在织物表面的水滴总重量在1g±0.05g,且让所有液体在20秒内均匀滴完最后让液体在织物中继续润湿40秒保证水分的充分吸收。
1.1.2图像的采集
在采集织物图像时,为了更加真实客观反映织物的单向导湿性能,实验时在织物上下两侧各放置一个高清摄像头,获取织物内外层水分的扩散情况,并将录摄得到织物图像用数字讯号的方式传送到电脑中等待后续的相关处理。本发明由于要涉及到织物的定时拍照以及要对大量图像的批量采集处理。通常而言,摄像头分辨率越高;录摄获取的织物图像也就越清楚,质量较差的织物图像将严重干扰后续识别的效果;同时,当摄像头的分辨率超过一定范围后,会造成织物图像像素太大而增加了计算机的计算量,会提高对实验设备的性能要求。对本发明而言,对采集的织物图像分辨在600dpi以上即可,大多数的而都满足这个要求。另外在利用高清摄像头采集织物图像时需要注意减少不必要因素的干扰引入干扰。例如,实验布样要尽可能洁净,没有毛羽、疵点,实验室织物要放置在试验台中心位置,同时也要利用加持装置赋予织物适当的张力,使实验过程中织物表面平整光滑。
1.2织物图像的预处理由于设备的关系,在织物图像的获取和截取过程中往往会产生不同成都的噪声,使图像质量降低。对此,需要利用图像的预处理技术去除点这些无关的噪声和信息,保留或恢复有用的信息,从而加强目标信息的可检测性以及尽可能地将复杂数据简单化,进而增加特征信号提取、图像阈值分割等方面的可靠性。例如,对于清晰度不高的图像,可以通过图像的增强改变图像的灰度分布从而体感图像的清晰度;对于光源问题给图像带来的影响,可以通过同态滤波的处理改善其关照不匀等。
1.2.1水滴轮廓的提取
由于纱线的存在,织物表面呈现凹凸不平,加上织物花色等因素的影响,织物本身在图像各个位置的灰度值就存在较大差异。同时,随着水分在织物中的不断扩散,润湿区域的边缘区域中含水量明显低于中心区域,该部分水分对图像灰度值的影响较弱。因此,利用传统分割算法难以准确获取水滴轮廓,容易使得二值化图像整体“瘦于”原始图像。
但滴液后,织物由于水分的作用会让其润湿部分的透光度增加,其灰度值随之下降,越靠近中心区域的灰度值下降越明显。而图像的减法运算可以很好的突出这一特性。在对织物原图与润湿后各时刻图像做灰度化处理后,用织物原图与润湿后图像组做减法运算,能有效突出织物吸水前后灰度值的变化,消除织物本身灰度值差异带来的影响,从而实现对水滴轮廓的提取。由于润湿后织物吸水后灰度值下降,相减后灰度值为正值图像偏亮,而未润湿部分灰度值不变,相减后灰度值为0,图像为黑色。而部分花色织物润湿后与织物本身颜色相近,相减后的差值较小,图像仍会较暗,或者对于有些水滴轮廓不明显的图像也会有类似情况。对此可以对相减后图像乘以一个大于1的常数。这样可以使图像润湿部分整体变亮,增加织物润湿前后的差异,有利于后期图像的二值化处理。
1.2.2图像的增强处理
在进行了减法操作之后,织物图像的灰度值会有所下降,故而其图像会明显变暗,而且像素间的灰度差异也会随之减小,灰度值都在90到120之间。而当灰度在大于120或者小于90的范围内像素点分布明显。在此情况下,该图形的灰度值在空间上的分布范围过于窄、亮度偏低、像素相差较少,因此在进行图像的分割时会出现某些细微的遗失,因此要增加图像的强度和像素的差别,因此必须对图像的灰度做出调整。灰度直方化可以准确地显示出图像的灰度分布状况,并可以很好地显示出图像的各灰度点所占的比例以及图像内的每一灰级像素的数目。利用图像所体现的灰度值在全图内的分配情况来实现织物图像的对比增强,通常采用的是直方图均衡化。直方图均衡是指尽可能扩展图像中灰度级占比相对多的像素,减少灰度灰度级战比较少的像素,使整个灰度区域平均,提高织物的灰度变化范围,从而提高对比度;而本实施例在使用均衡滤波的基础上,使用规定化建立目标直方图有初始直方图的关系,即通过灰度映射函数将与初始图改成所需要的直方图。设r、z分别为原始织物图像灰度级和规定化后织物图像灰度级,规定化的具体步骤如下:
(1)利用直方图均衡法对原织物图像进行处理,取得转化函数s=T(r),s为初始图像均衡化后的灰度级。
(2)对步骤1继续均衡化处理,得到新的转化函数v=G(r);v为新的均衡化后灰度级。
(3)由于均衡运算运用于相同的织物图像,所以其结果应当相同,因此,有s=v,得到复合函数(3)因为是对同一织物图片进行均衡化操作,其结果应该是相等的,则有s=v,得到复合函数z=G-1(s)=G-1(T(r))。
(4)利用所得到的复合函数之间的相互关系,能够对原织物图像进行规定化图规范处理。
经过直方图的修改后图像的灰度分布由原来的相对集中,变为了之后的均匀分布,使得图像亮度有了明显的提高,有了明显的提高,其图像灰度之间的差异也明显增大,这可以有效地避免后续图像的分割过程中造成重要细节的遗失。
1.2.3图像的中值滤波处理
水滴在织物的扩散过程中,边缘处吸水量逐渐减少,对该处织物灰度值影响也随之减弱。水滴在其边缘处相对模糊。同时,在织物图像的录入传输过程中容易受到脉冲噪声的影响才产生大量的白色小噪点,影响轮廓的提取。中值滤波能较好地改善以上状况。中值滤波是一种典型的非线性滤波,它的核心思路是在单通道中将相邻邻域的灰度值按大小进行排列,并选择该邻域所有灰度值的中间值来取代原有像素点的亮度值。它是现今消除掉椒盐噪声最好的方式。
中值滤波算法的原理是,选取一个m*n的滤波窗口,然后利用这个二维滤波窗口在灰度图像中按照特定的顺序移动,接着用移动窗口内全部像素点的灰度值的中位值来替代原来像素点的灰度值,最后所得滤波结果输出。其定义如下:
设A表示二维滤波滑动窗口,X(i,j)表示滤波窗口内某一点的灰度值,其中(i,j)属于A,Y(i,j)示进行二维中值滤波后输出的值,则有:
1.2.4图像的二值化处理
图像的二值化就是将灰度图上所有点的灰度值转化为0或255,也就是让图像在色彩上只展现黑色和白色两种效果。即将原本有256个灰度等级的图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在图像处理技术中,其二值处理占有极其重要的地位。尤其是对于需要获取图片特定部分的处理操作中,以二值化技术为核心的处理系统应用十分广泛。对一张图像进行二值化分析,首先要把原图灰度并二值化,得到其二值化图像。如此变只需要针对图像像素点位置坐标以及灰度值0和255对应的位置做分析,不在原有的多灰度级,简化了原有的处理过程。
Otsu算法是一种常见的二值化方法,它是由Kittler等和Otsu提出的,最大类间方差法(Otsu)是基于二维类间方差法以及最小二乘法进一步推导得出的。它的核心思想是:利用一个阈值的设置将图像分成两类,即图像的背景部分和目标物部分,这个阈值的最优选取方法是通过计算这两个部分灰度值的方差值,即方差达到最大值对应的阈值即为最佳阈值,其原理公式如下:
假设f(x,y)为图像M×N某一点的灰度值,其灰度级为L,则f(x,y)∈{0,L-1,}记作:GL。
灰度值i在图像中的概率为:
M×N表示图像总像素点个数、fi(x,y)表示像素点i对应的灰度值,设定阈值t将图像分为前景(0,t)和背景(t,L-1)两部分,则前景区域比例为ω0(t),背景区域比例为ω1(t),前景部分的平均灰度μ0(t)背景部分平均灰度为μ1(t),图像总体均值为:
μ=ω0(t)×μ0(t)+ω1(t)×μ1(t) 式(3)
两者之间的方差即最佳阈值取值,表述如下:
运行过程中于GL范围内依次为t赋值,当t为某一值使得的值为最大时,表明此时的t值为最佳分割阈值。根据上面Otsu算法的分析,该算法要求目标和背景的灰度平均值都最大限度地远离灰度平均值,对于织物上疵点,目标相对于背景具有明显偏向性,导致上述大津算法很难划分目标与背景,得到理想阈值。
对此,首先尝试通过去除因素像素比率ω的影响,如公式5所示,直接通过平均灰度方差最大化划分最佳阈值。相较于原来算法,这种算法的阈值会小于大津算法阈值,使处理后的目标像素更加突出;此外,本发明在式5的基础上,如公式6所示,通过带入新因素灰度概率P,减少灰度概率对平均灰度的影响,使最佳阈值更具偏向性。如图3所示为利用三种方法对织物二值化分割的之后的效果图,图中由左往右分别为织物原图,Otsu算法、改进方法1、改进方法2的效果图。由图可看出,改进后,图像的分割效果有了明显的改善,图像中的各种杂质噪点得到了较好的去除,但图(b)和(c)的对比可知,改进方法1的效果没有改进方法2的稳定效果好。
根据上面Otsu算法的分析,该算法要求目标和背景的灰度平均值都最大限度地远离灰度平均值,对于织物上疵点,目标相对于背景具有明显偏向性,导致上述大津算法很难划分目标与背景,得到理想阈值。
1.2.5像素比法求润湿面积
经过前期的图像减法运算、滤波以及二值化等操作处理后,已经能近似的获取水滴轮廓。在最终处理后的图片中,仅存在代表润湿区域的白色部分以及代表未润湿区域的黑色部分。分别统计白色像素个数和图像总像素个数,利用白色像素个数与图像总像素之比乘以织物实际面积既可以得到轮廓实际面积。
经过图像的形态学运算、改进Otsu算法对分割图像等处理手段,获得织物在润湿过程中的完整图像,随后利用像素的量化计算将织物的像素尺寸转化实际面积,并将图像法测得的面积与称重法测得面积做对比。结果显示,改进Otsu算法改善原算法对图像的分割效果。同时图像法得到的润湿面积与实际结果接近,但所用测量时间远小于称重法。
二、织物水分扩散速率的计算
2.1.1水滴半径的确定
传统图像法经二值化并换算得到织物润湿面积后,往往局限于作出面积-时间曲线。该曲线能直观地反映水分在织物中的动态扩散过程,受织物在经向、纬向或横列、纵列方向上密度的影响,水分的实际润湿并非是一个均匀向四周扩散的过程,有时甚至有明显的方向差异性。而在液态水分管理测试仪的指标评定中,该指标是对水分在润湿过程中,润湿半径达到最大前扩散速率的累加。为了使本发明所得指标具有科学性,对该性能指标的计算采用相同的方式,便于后期两种方法的相关性研究。
水分在织物中的扩散主要可以分为两个阶段,第一个是由织物一面向另一面渗透的芯吸阶段。对于部分吸水性能较好的纯棉、粘胶等织物,发生的时间通常较短,往往会在几秒内完成,用人工或图像处理的方法都不容易捕捉到,因此对于这一过程通常不做研究。第二个阶段就是毛细输送阶段,经过芯吸后,水分已经扩散到织物内部,表面已经没有水分存在。织物是由多数纤维构成的几何体,纤维之间存在着孔洞、间隙的毛细管。由于构成纤维的分子中存在亲水性基团,对孔洞、间隙间的水分子产生作用力,使水分子沿着毛细管向四周渗透扩散。结合泊肃叶定律,发现流体流速符合如公式7示,
式中所示,当控制注水速度相同时,流体扩散半径的2.5次方与织物的孔隙率成正相关,而织物孔隙率越大,织物间的缝隙越大,织物的密度越小。因此受织物在经纬/横纵方向上密度存在的差异,并且经纬/横纵密度的差异越大,水分在各个方向上的流动差异也就越大。通过对不同密度织物滴液实验发现,水滴的渗透痕迹大致可以分为四种类型,分别为:圆形、条形、椭圆和特殊花型。
有鉴于上述四种情况中,液滴在经向和纬向上扩散半径的巨大差异。本发明对不同情况下半径的计算采取不同的方法。当液滴渗透痕迹在经向纬向上半径差异低于20%,即形状为圆或者近似圆时,该半径采用以与润湿面积相等的圆对应的半径作为织物的润湿半径,即如公式8所示;当液滴渗透痕迹为椭圆或条形时,则根据经纬方向上润湿半径的权重计算其润湿半径,即如公式9所示:式中,rj、rw分别为液滴在经纬方向上的最大润湿半径。
2.1.2织物水分扩散速率的计算
如上图获得织物半径-时间润湿曲线后,本设计参考MMT中扩散速率的计算方式,先计算得到各时刻水分的扩散速率,然后对所得速率累加求和,并以该速率作为水分在织物中扩散的最终参考评价指标,其计算公式如式10所示。同时为了验证本方法结果的准确性,本设计在用图像法检测的同时,还将实验结果与MMT所得结果进行误差分析。两种方法测得数据的部分结果对比,由表可知,两者所得结果接近,且绝大多数误差都在10%以内。
式中,ti、Si分别代表第i时刻对应的水分润湿半径,i=1,2,3...。
2.1.3扩散速率的相关性分析
在MMT的水分扩散速率的测量中,当液体缓慢滴落到织物上后,由于织物吸湿作用开始向四周渗透,在该过程中每接触一组铜环时,会引起一次电阻变化,系统同时记录该次电阻变化的时间。通过多次记录变化的时间就可以测量水滴扩散成中各个时刻的速率。而在图像法中,是测量不同时刻下的扩散半径。因此前者速度计算为测量一定长度距离所花费的时间,而后者属于测量一定时长所经过的距离。二者测量方法有所不同,也是测量结果出现误差的最大原因。为了找到二者之间的定量关系。如图4所示,对两种方法所得结果进行数据拟合分析,从拟合图可以看出,二者有很强的线性关系,且相关系数都在0.98以上。
2.1.4织物吸水速率的计算
织物的吸水性是指在一定的时间段里,织物内水分含量的变化速率。它是反映面料对水分吸收的主要衡量指标。液体在织物中的渗入,其实质上就是液相物质的扩散,也就是物质的弥散。织物是由纱线及其间隙组成的一种多孔性媒介,而在这种多孔性媒质中,液体的传导是非常复杂的,它包含了分子的传播和热的传播;分子在场力和体积力的影响。在实际中,这些影响因素常常是同时存在。这些因素对水分传递影响的权重不同,若要综合考虑各个方面的影响,就会给理论的研究工作造成相当的难度。通过对纤维的渗透特性和动力学特性的分析,发现纤维是一种具有各向异性的纤维,在不同的方位下,其湿气传导特性也不尽相同。另外,由于流体的种类及其浓度、纤维性质、纱线结构、织物组织结构、试验时的外部空气条件等,在此基础上将上述因素纳入到一个公式中是不实际的。因此,应对上述因素进行简化分析,仅从影响织物表面的流体流动速度、填充率和织物的厚度等几个方面来分析,并对织物的性能和空气条件进行了一定的限制:
第一,选择的织物应是一种均一的介质;第二,液体要充分被布料所吸附,不能外溢。第三,大气相对湿度100%,无液态汽化。
在以上假设下,如果不计算水分蒸发,以速率q(g/s)均匀地滴进织物,那么,从织物中央滴下的液体就会从纤维中央向四周散开。假定液滴进的速率很低,滴在布料上的液滴就会沿着纤维的断面流动,而不会从面料的另外一侧漏出来在此基础上可以应用流体力学方程求解。
注水时,液体沿着o点连续均匀地注入到织物中,在纤维的毛细管道中移动,并对织物在角AOB内部的流体进行测试。液体的扩散位移OA是L,而织物厚度是d,在液体沿着纤维的各个方向上的传播半径相同的情况下,在弧表面AOB中的液体流动;
由流体力学原理,在管道截面上液体流入量等于液体流出量,如果AB弧截面是液体扩散前沿位置,织物厚度为h,织物截面填充系数为ξ,则在该截面上液体流入量等于液体流出量,即:
qθ=ρ·d·r(1-ξ)v (式11)
式中,qθ为注水速率、ρ为液体密度、d为织物厚度、r为润湿半径、ξ为织物紧度,v为织物扩散速率。
该理论通过模型的简化,探究了滴液时,注水速率与液体扩散速率的理论方程。当注水速率足够小,织物吸水性能性足够高,水分被织物快速吸收,注水速率则等于织物吸水速率,该方程可以认为是织物吸水速率与扩散速率的理论方程,即可以通过液滴扩散速度计算其吸水速度;随着注水速率增加,受织物吸湿性能限制,部分液体来不及被立刻吸收,会出现液体在织物表面聚积,等待被吸收的现象,但随着时间增加,剩余液体仍会被完全吸收。这时,其吸水速率会小于注水速率。对于这种情况,为了测量织物吸水速率,不妨将该过程微分,将整个吸湿过程微分为若干小过程,则对于每个小过程都会有部分液体被织物快速完全吸收,即每个小过程中,液体滴落速度(注水速率)与织物吸水速率相等。在前面章节中,通过图像法已经可以准确提取液滴润湿过程中各个时刻的轮廓及其扩散速率,因此将该理论方程分别用于润湿的各个过程中,即用织物水分各个时刻扩散速率求出吸水速率,如此便可以弥补传统图像法只能测量扩散速率带来所测性能指标单一的弊端。
吸水速率曲线的绘制,在前面几个步骤中,经图像的预处理以及分割,可以得到织物在整个润湿过程中各个时刻的润湿轮廓,经过像素的量化测得了其各个时刻的润湿半径,并以此求得对应的扩散速率。后利用密度分镜与织物厚度仪测得了织物厚度,最后利用拆分法测得织物的号数。从而获得了理论方程中用于织物吸水速率所需要的所有参数指标,通过注水速率计算公式即可计算得到每一时刻的吸水速率,就能绘制出如图5所示的某4块织物各时刻的吸水速率曲线图。
受织物原料组成、密度等多方面的应影响,其吸水速率曲线会有很大区别。如图5中(a)和(b)就具有一定的规律性。滴液时,织物开始吸收水分呢,随着分水继续注入,织物吸水速率逐渐增大,并逐渐达到最大值;但随着时间增加,织物内部含水量逐渐增多,织物中纤维对水分的捕捉能力开始下降,吸水速率开始下降。在前20s左右内就完成了该速率的骤升与骤降过程。在此之后,外界不在往织物滴入液体,织物开始吸收表面聚积的为吸收水分,速率开始缓慢下降,直至被完全吸收,速率将为0;而对于图5(c)和(d)而言,没有如图5(a)和(b)中表现得有规律性,其吸水速率在注水期间出现了较大的波动性。
2.1.5织物吸水速率指标的最终评定
要想实现检测织物吸水速率的检测,首先要做到对织物含水量的测量。织物含水率的检测主要有直接发法和间接法两种。直接法是直接称量织物在干、湿两种状态下的质量并带入公式计算,但该方法是织物最终润湿状态而非其实时状态的检测;间接法则是利用某引起物理量,如电阻,介电系数等外来辐射的吸引与原材料含水量之间的关系间接测得含水量。例如在微波衰减法当中,微波能量的衰减主要是由织物水分引起,并具有定量关系,因此通过检测实验中微波能量的变化就可以实现织物含水量。而电阻法根据织物含水率和导电性能之间存在着指数函数的关系特性来检测织物含水率,是目前国内外最常用的湿度在线检测方法。针对所有的电性能来说,织物的导电性与其含水率之间的关系最为紧密,百分之几的含水率差异可以使织物导电性能发生十余倍的变化。
虽然测量织物含水量的方法有很多,但大多采用的是间接法测量,而在定义织物的吸水速率时,是指织物吸水前后的变化率,通常用百分表示。当斜率k=tan15时,其对应的时刻为24s,用积分法求出24秒前每个时刻曲线与x周围城的面积,即可绘制织物含水量-时间曲线。参考定义,即可获得定义法下的速率曲线。最后与MMT相同,以吸水过程中的平均速率作为其吸水速率的最终评价指标。
在上述方法获得所各测织物的吸水速率后,为了探究图像法与MMT法检测结果的定量关系,本发明利用多次函数,三角函数以及对数等对两种方法结果拟合分析,最终发现,当对图像法结果去对数,MMT法结果取0.5次方后,然会利用三角函数分析后二者拟合效果最好,具有如公式12和公式13所示的函数关系。如图6所示为利用公式换算后的拟合效果图;由拟合图可以看出,经拟合后绝大多数图像法所得数据结果与MMT法测的结果接近,普遍误差在5%以内,可以认为两种方法具有公式所示的函数关系:
三、织物单向导湿传递能力的计算
织物单向导湿出传递能力衡量的是织物内外层累计含水之差,但在实际MMT的检测结果中发现,该指标以%为单位。最后经查询该仪器使用说明书以及咨询该仪器的管理人员得知,它是水分引起仪器铜环电阻变化后,通过电阻与只去含水量的关系作出织物内外层含水量-时间曲线图,计算内外层织物各时刻含水量变化百分比并累加,最后以二者累加值之差作为该指标的评价标准。而在上文吸水速率的计算中,已经将织物含水量曲线图作为中间过程绘制出来,本发明参考MMT的计算方法(即如公式17所示)对织物单向导湿能力计算。同时,为了探究两种方法测量结果存在的相关性,也对两种结果进行了拟合分析。其最终拟合关系如公式15所示。式中,g(t)是两者关系的修正函数,这主要是MMT的总测量时间为120s,大于本发明的测量时间,而在者多出的时间内,由于水分蒸发的原因,仍会产生一定织物含水量的变化率,造成二者拟合结果的差异。如图7为对MMT法、图像法测得的此指标数据分别取对数、0.5次方变换后,代入式15后,二者的拟合过图,由图可以看出作出变换后具有良好的二次函数关系。
式中,M、N分别表示第i时刻织物的外、内层含水量,RR为织物单向导湿传递能力
log(y)=1.03x2-2.42x+4.28+g(t)
g(t)=(120-t)tan(3)式(15)
式中,x、y分别为图像法和MMT法检测的单向导传递湿能力,g(t)为修正函数。
结果显示,图像法所测水分扩散速率与MMT所测值具有较强的线性关系;而图像法所测得的吸水速率、单向导湿传递能力数据结果的对数与MMT测得对应结果的0.5次方有较好的函数关系,前者近似为三角函数,后者有较强的二次关系,但会多出一个与时间t相关的函数对该线性关系修正。
四、BP神经网络与织物导湿能力的评级训练
4.1神经网络的基本原理
如图8所示,BP神经网络由输入层、中间层和输出层构成,它通过预先准备的训练样本和训练函数对整个网络模型进行不断的训练,使网络持续地调节其权值和阈值矩阵以获得最优性能神经网络模型参数,最终逼近训练样本输入与输出的对应关系。输入样本利用预先设定好的初始权值和阈值逐步向后求取各层神经元对应的权值、阈值及输出矩阵,训练函数通过依次计算出每层实际输出与理论输出的差值并根据差值的大小来反馈调整各层神经元的权值和阈值,最后使得误差趋近于最小,BP神经网络的结构原理如下图所示:它是一个典型的三层BP网络结构示意图,该网络模型的结构简单,可实现性强,并具有良好的可扩展性。标准BP神经网络的训练过程主要包括输入信息的正向传播和误差信号的反向传播两个阶段,当学习样本输入到神经网络后,便开始沿着输入层,隐藏层,输出层的方向进行正向传递,依据每层的权重和偏置向量,最后得到实际输出。
4.2 BP神经网络训练结果
BP神经网络的参数设定完成后,即可进行神经网络的训练阶段。在本发明中,通过织物导湿理论的引入、以及参考流态液体管理测试仪(MMT)性能指标的计算方法,测量了织物内外层水分扩散速率、织物内外层水分吸收速率以及织物导湿指数。而这五个性能指标也是影响织物综合导湿指数的主要因素。将这5个特征值参数作为输入函数输入进BP神经网络的训练模型开始对该网络模型进行训练。经由隐含层的非线性变化,通过输出层输出实际值,再经过反向修正,不断修正各层之间的权值后,输出层的输出结果为织物导湿性能等级。将MMT测得织物对用的导湿性能等级作为输入函数放入到BP网络中训练评级,结果表明,网络对于导湿等级为2-4级的训练结果较好,都能稳定在90%的准确率以上,最高达到了95%的准确率。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (5)
1.一种基于图像处理的织物单向导湿检测方法,其特征在于,包括以下步骤:
步骤1、向织物上滴加液体,并获取各时刻织物内、外层润湿图像;
步骤2、对织物内、外层润湿图像进行图像增强、中值滤波和改进的二值化方法处理,得到处理后的图像;
步骤3、根据处理后的图像,计算各时刻织物内、外层液滴润湿,得到织物内、外层液滴润湿半径-时间曲线图,计算液滴润湿半径的方法为:当液滴渗透痕迹在经向纬向上半径差异低于20%,即形状为圆或者近似圆时,半径采用以与润湿面积相等的圆对应的半径作为织物的润湿半径,当液滴渗透痕迹为椭圆或条形时,则根据经纬方向上润湿半径的权重计算其润湿半径;
步骤4、利用织物内、外层液滴润湿半径-时间曲线先计算得到各时刻织物内、外层水分的扩散速率,然后对所得速率累加求和得到织物内、外层水分扩散速率;
步骤5、利用织物内、外层水分扩散速率和织物内、外层液滴润湿半径-时间曲线求得织物内、外层的吸水速率-时间曲线,将织物内/外层吸水过程中的平均速率作为织物内/外层水分吸收速率;
步骤6、将织物内、外层水分吸收速率,织物内、外层水分扩散速率和织物单向导湿传递能力作为训练样本的输入参数输入检测神经网络,检测神经网络输出训练样本的单向导湿级别检测值,通过最小化MMT方法测得的训练样本单向导湿级别和单向导湿级别检测值的差异对检测神经网络进行训练,训练后得到最佳神经网络模型;
步骤8、利用步骤1-6的方法计算得到待测织物的内、外层水分吸收速率,待测织物内、外层水分扩散速率和待测织物单向导湿传递能力并输入最终检测神经网络,得到待测织物的单向导湿级别。
2.根据权利要求1所述的基于图像处理的织物单向导湿检测方法,其特征在于,所述步骤2中改进的二值化方法中,求得最佳分割阈值的方法为:
步骤2.1、则像素点i在图像中的概率为:
M×N表示图像总像素点个数,fi(x,y)表示像素点i对应的灰度值,将{0,L-1}记作GL;
设定阈值t将图像分为前景(0,t)和背景(t,L-1)两部分,则前景区域比例为ω0(t),背景区域比例为ω1(t),前景部分的平均灰度μ0(t),背景部分平均灰度为μ1(t),图像总体均值为:
μ=ω0(t)μ0(t)+ω1(t)μ1(t)
5.根据权利要求1所述的基于图像处理的织物单向导湿检测方法,其特征在于,所述步骤5中,计算任一时刻织物内/外层的吸水速率的方法为,计算该时刻的织物内/外层的注水速率,将注水速率视为吸水速率,任一时刻注水速率的计算公式为:qθ=ρ·d·r(1-ξ)v;式中,qθ为注水速率,ρ为液体密度,d为织物厚度,r为润湿半径,ξ为织物紧度,v为该时刻的织物扩散速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625795.XA CN115115555A (zh) | 2022-06-02 | 2022-06-02 | 一种基于图像处理的织物单向导湿检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625795.XA CN115115555A (zh) | 2022-06-02 | 2022-06-02 | 一种基于图像处理的织物单向导湿检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115555A true CN115115555A (zh) | 2022-09-27 |
Family
ID=83326445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210625795.XA Pending CN115115555A (zh) | 2022-06-02 | 2022-06-02 | 一种基于图像处理的织物单向导湿检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115555A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561140A (zh) * | 2022-10-12 | 2023-01-03 | 宁波得立丰服饰有限公司 | 一种服装透气性检测方法、系统、存储介质及智能终端 |
CN117153713A (zh) * | 2023-10-25 | 2023-12-01 | 江苏惠达电子科技有限责任公司 | 频率元器件残留污染物的检测方法、系统和设备控制方法 |
-
2022
- 2022-06-02 CN CN202210625795.XA patent/CN115115555A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561140A (zh) * | 2022-10-12 | 2023-01-03 | 宁波得立丰服饰有限公司 | 一种服装透气性检测方法、系统、存储介质及智能终端 |
CN115561140B (zh) * | 2022-10-12 | 2023-08-04 | 宁波得立丰服饰有限公司 | 一种服装透气性检测方法、系统、存储介质及智能终端 |
CN117153713A (zh) * | 2023-10-25 | 2023-12-01 | 江苏惠达电子科技有限责任公司 | 频率元器件残留污染物的检测方法、系统和设备控制方法 |
CN117153713B (zh) * | 2023-10-25 | 2024-02-02 | 江苏惠达电子科技有限责任公司 | 频率元器件残留污染物的检测方法、系统和设备控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115115555A (zh) | 一种基于图像处理的织物单向导湿检测方法 | |
CN107256553B (zh) | 一种经纱上浆效果的检测方法 | |
CN114627111A (zh) | 一种纺织品缺陷检测识别装置 | |
CN103745239B (zh) | 一种基于卫星遥感技术的森林资源测量方法 | |
CN107578386A (zh) | 一种无人机拍摄图像的优化去雾处理方法 | |
CN106680086A (zh) | 一种应用于塑料材料的高速拉伸实验的视频引伸计 | |
CN103472077A (zh) | 一种短切碳纤维在硬化水泥浆体中的分散性检测方法 | |
CN115272303B (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN110987954B (zh) | 一种消除皮革表面缺陷检测盲区的方法及系统 | |
CN115267180B (zh) | 一种层析免疫检测方法及装置 | |
US7782458B2 (en) | Method and device for the analysis of movement in a scattering medium | |
CN110378885A (zh) | 一种基于机器学习的wsi病灶区域自动标注方法及系统 | |
Bellens et al. | Evaluating conventional and deep learning segmentation for fast X-ray CT porosity measurements of polymer laser sintered AM parts | |
CN111257318B (zh) | 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN116309599A (zh) | 基于污水前置处理的水质视觉监测方法 | |
Gong et al. | Image-analysis techniques. Part I: The measurement of pore-size distribution | |
Li et al. | A direct measurement method of yarn evenness based on machine vision | |
CN113192050A (zh) | 一种煤泥水在线监测装置、方法及电子设备 | |
KR100285897B1 (ko) | 부직포의 균제도 측정방법 | |
CN114707301B (zh) | 一种基于分形理论的骑行服织物阻力危机预测方法 | |
Barbosa et al. | Neutron imaging of exchange flow between biopore and matrix for Bt versus C horizons | |
Katircioğlu et al. | Determination of Denim fabric’s air permeability with image processing using fuzzy C means | |
KR102613961B1 (ko) | 골수가 도말된 슬라이드 샘플 이미지의 셀 존 결정 방법 및 셀 존의 고배율 촬상 방법 | |
CN109164014A (zh) | 一种基于高光谱图像处理的多色织物润湿区域识别方法 |
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 |