CN115661113A - 吸湿排汗的面料及其制备工艺 - Google Patents
吸湿排汗的面料及其制备工艺 Download PDFInfo
- Publication number
- CN115661113A CN115661113A CN202211397867.6A CN202211397867A CN115661113A CN 115661113 A CN115661113 A CN 115661113A CN 202211397867 A CN202211397867 A CN 202211397867A CN 115661113 A CN115661113 A CN 115661113A
- Authority
- CN
- China
- Prior art keywords
- feature
- image block
- training
- neural network
- matrix
- 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
-
- 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
- Image Analysis (AREA)
Abstract
公开了一种吸湿排汗的面料及其制备工艺,其中,所述面料由相互交织的经线和纬线组成,并且,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时,基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
Description
技术领域
本申请涉及面料制备及质量检测技术领域,且更为具体地,涉及一种吸湿排汗的面料及其制备工艺。
技术背景
近年来,吸湿排汗面料被应用于各式各样的背包,尤其是旅行包中,以提升用户的旅途体验。面料的吸湿排汗功能的实现路径主要有两条:第一条是改变面料的结构,例如,中国专利CN 108819387所揭露的吸湿排汗面料;另一条,通过改变面料的编织结构来使得面料具有吸湿排汗的功能。
在第二条路径中,最关键的是对于编织工艺的设计,还有一个重要的技术问题是对编织物的编织质量的监测,以确保其编织之后的面料具有吸湿排汗的功能。
因此,期待一种优化的吸湿排汗的面料及其制备工艺。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种吸湿排汗的面料及其制备工艺,其中,所述面料由相互交织的经线和纬线组成,并且,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时,基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
相应地,根据本申请的一个方面,提供了一种吸湿排汗的面料,其由相互交织的经线和纬线组成,其中,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
根据本申请的另一方面,还提供了一种吸湿排汗的面料的制备工艺,其包括:
以预定模式将经线和纬线编织在一起以得到成型面料;以及
基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。
在上述吸湿排汗的面料的制备工艺中,所述基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测,包括:对所述检测图像进行分块处理以得到图像块序列;将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;以及,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
在上述吸湿排汗的面料的制备工艺中,所述将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量,包括:所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
在上述吸湿排汗的面料的制备工艺中,所述计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵,包括:以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;以及,将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
在上述吸湿排汗的面料的制备工艺中,所述将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵,包括:所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
在上述吸湿排汗的面料的制备工艺中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求,包括:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的 Softmax分类函数以得到所述分类结果。
在上述吸湿排汗的面料的制备工艺中,还包括训练步骤:对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
在上述吸湿排汗的面料的制备工艺中,所述训练步骤,包括:获取训练数据,所述训练数据包含所述成型面料的训练检测图像,以及,所述吸湿排汗的面料的成型质量是否满足预定要求的真实值;对所述训练检测图像进行分块处理以得到训练图像块序列;将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量;计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵;将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵;将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵;将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵;将所述训练分类特征矩阵通过分类器以得到分类损失函数值;计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;以及,以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
在上述吸湿排汗的面料的制备工艺中,所述计算所述多个训练图像块特征向量的多分布二元分类质量损失函数,包括:以如下公式计算计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;其中,所述公式为:
根据本申请的再一方面,还提供了一种吸湿排汗的面料的制备系统,其包括:
编织模块,用于以预定模式将经线和纬线编织在一起以得到成型面料;以及
成型质量检测模块,用于基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。
在上述吸湿排汗的面料的制备系统中,所述成型质量检测模块,包括:图像分块单元,用于对所述检测图像进行分块处理以得到图像块序列;图像编码单元,用于将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;拓扑构造单元,用于计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;拓扑编码单元,用于将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;全局排列单元,用于将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;图编码单元,用于将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;以及,成型质量结果生成单元,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
在上述吸湿排汗的面料的制备系统中,所述图像编码单元,包括:所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
在上述吸湿排汗的面料的制备系统中,所述拓扑构造单元,进一步用于:以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;以及,将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
在上述吸湿排汗的面料的制备系统中,所述拓扑编码单元,包括:所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
在上述吸湿排汗的面料的制备系统中,所述成型质量结果生成单元,进一步用于:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述吸湿排汗的面料的制备系统中,还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。
在上述吸湿排汗的面料的制备系统中,所述训练模块,进一步用于:获取训练数据,所述训练数据包含所述成型面料的训练检测图像,以及,所述吸湿排汗的面料的成型质量是否满足预定要求的真实值;对所述训练检测图像进行分块处理以得到训练图像块序列;将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量;计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵;将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵;将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵;将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵;将所述训练分类特征矩阵通过分类器以得到分类损失函数值;计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;以及,以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
与现有技术相比,本申请提供的吸湿排汗的面料及其制备工艺,其中,所述面料由相互交织的经线和纬线组成,并且,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时,基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的吸湿排汗的面料的制备工艺的流程图。
图2为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的应用场景图。
图3为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的流程图。
图4为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的架构示意图。
图5为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的流程图。
图6为根据本申请实施例的吸湿排汗的面料的制备系统的框图。
图7为根据本申请实施例的吸湿排汗的面料的制备系统中成型质量检测模块的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
相应地,在本申请的技术方案中,本申请的申请人从第二条路来设计吸湿排汗的面料。具体地,所述面料由相互交织的经线和纬线组成,其中,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
在所述面料的制造过程中,通过预设编织程序可使得所述经线和纬线能够以预定模式进行编织以得到所述具有吸湿排汗功能的面料,但是在制备过程中发现在面料成型后,发现存在其吸湿排汗功能的一致性会发生波动,且部分成型面料的吸湿排汗功能无法满足应用要求。因此,在制备过程中,期待对成型后的面料进行成型质量检测以取保其成型质量满足预定要求。
具体地,在本申请的技术方案中,本申请的申请人考虑到成型面料的成型质量与其表观特征有关,尤其是在本申请的技术方案中所述面料的吸湿排汗功能与其纹理结构密切相关,因此,本申请的申请人尝试基于成型面料的检测图像的图像特征来构建成型质量监测方案。
首先,获取由摄像头采集的成型面料的检测图像,特别的,在本申请的技术方案中,所述摄像头优选地被实施为高清摄像头,其能够采集待检测成型面料的高清图像作为所述检测图像。接着,对所述检测图像进行分块处理以得到图像块序列,优选地,对所述检测图像进行均匀分块处理以使得各个图像块具有相同的尺度和相近的外观呈现。
进而,将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述图像块序列中各个图像块的高维局部特征特征。本领域普通技术人员应知晓,所述卷积神经网络模型包括多个神经网络层,其中各个神经网络层包括卷积单元、池化单元和非线性激活单元。
同时,计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵。具体地,在本申请的技术方案中,以两个图像块的图像特征向量之间的余弦距离来表示两个图像块的高维图像特征在高维特征空间中的特征分布差异。应可以理解,如果成型面料的成型质量满足预定要求,则各个图像块的图像特征向量之间的余弦相似度相对较大。并且,在本申请的技术方案中,将各个图像块的图像特征向量之间的余弦相似度构造为相似度拓扑矩阵以进一步利用所述图像块序列中所有图像块之间的空间拓扑信息。进而,将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵。也就是,进一步地利用在局部特征提取领域具有优异性能表现的卷积神经网络模型来提取所述相似度拓扑特征矩阵的高维局部隐含特征,即,各个图像块之间的相似度之间的高维隐含关联特征。
进一步地,将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵,并将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵。也就是,在本申请的技术方案中,以所述各个图像块特征向量作为节点的高维特征表示,以所述相似度拓扑特征矩阵来表示节点与节点之间的边的高维特征表示,并以所述图神经网络模型通过可学习的神经网络参数对由所述相似度拓扑特征矩阵和所述图像全局特征矩阵组成的图结构数据进行编码以得到包含不规则的图像块的相似度拓扑特征特征和各个图像块的高维图像特征信息的所述分类特征矩阵,以此来提高对于成型面料的成型质量的分类判断的精准度。也就是,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
特别地,在本申请的技术方案中,对于所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型得到的所述多个图像块特征向量,由于每个图像块特征向量的特征分布都是对应于所述检测图像的整体特征的局部特征分布,并且图神经网络是在全局图像语义特征中并入各个图像块之间的语义相似性拓扑关联特征,反而会扩大局部特征分布之间的差异度。因此,期望提升所述多个图像块特征向量之间的局部分布关联度,以提升所述多个图像块特征向量进行二维排列得到的所述图像全局特征矩阵的整体特征表达能力,从而进一步提升所述分类特征矩阵的分类结果准确性。
通常,可以通过对每个图像块特征向量设置权重来解决,但是,由于权重需要作为超参数通过训练得到,这将增加模型的训练负担。因此,本申请的申请人引入了针对所述多个图像块特征向量的多分布二元分类质量损失函数,表示为:
这里,为了避免每个图像块特征向量在二维排列之后在相应的多分布分类时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难,通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式,可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样,通过以此对模型进行训练,就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题,并改进所述图像全局特征矩阵的整体特征表达能力,从而提升所述分类特征矩阵的分类结果准确性。
基于此,本申请提供了一种吸湿排汗的面料及其制备工艺,所述面料由相互交织的经线和纬线组成,其中,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的吸湿排汗的面料的制备工艺的流程图。如图1 所示,根据本申请实施例的吸湿排汗的面料的制备工艺,包括:S110,以预定模式将经线和纬线编织在一起以得到成型面料;以及,S120,基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。
在步骤S110中,以预定模式将经线和纬线编织在一起以得到成型面料。如上述技术背景所言,本申请的申请人从第二条路来设计吸湿排汗的面料。这里,所述面料由相互交织的经线和纬线组成,其中,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸。通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
在步骤S120中,基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。在所述面料的制造过程中,通过预设编织程序可使得所述经线和纬线能够以预定模式进行编织以得到所述具有吸湿排汗功能的面料,但是在制备过程中发现在面料成型后,发现存在其吸湿排汗功能的一致性会发生波动,且部分成型面料的吸湿排汗功能无法满足应用要求。因此,在制备过程中,期待对成型后的面料进行成型质量检测以取保其成型质量满足预定要求。
具体地,在本申请的技术方案中,本申请的申请人考虑到成型面料的成型质量与其表观特征有关,尤其是在本申请的技术方案中所述面料的吸湿排汗功能与其纹理结构密切相关,因此,本申请的申请人尝试基于成型面料的检测图像的图像特征来构建成型质量监测方案。
图2为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的应用场景图。如图2所示,在该应用场景中,首先,获取由摄像头(例如,如图1中所示意的C)采集的所述成型面料10的检测图像,其中,所述面料10由相互交织的经线11和纬线12组成,并且,在所述经线11 和纬线12之间具有多个中空部100,所述中空部100具有预定尺寸,通过这样的结构布置以使得所述面料10具有吸湿排汗的功能。进而,将所述成型面料的检测图像输入至部署有吸湿排汗的面料的制备算法的服务器(例如,如图1 所示意的S)中,其中,所述服务器能够基于所述吸湿排汗的面料的制备算法对所述成型面料的检测图像进行处理,以得到用于表示吸湿排汗的面料的成型质量是否满足预定要求的分类结果。
图3为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的流程图。如图3所示,所述基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测,包括:S210,对所述检测图像进行分块处理以得到图像块序列;S220,将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;S230,计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;S240,将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;S250,将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;S260,将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;以及,S270,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
图4为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述成型面料进行成型质量检测的架构示意图。如图4所示,在该架构中,首先,对所述检测图像进行分块处理以得到图像块序列。接着,将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量。然后,计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵。进而,将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵。接着,将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵。然后,将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵。进而,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
具体地,在步骤S210中,对所述检测图像进行分块处理以得到图像块序列。这里,所述成型面料的检测图像由摄像头采集,特别的,在本申请的技术方案中,所述摄像头优选地被实施为高清摄像头,其能够采集待检测成型面料的高清图像作为所述检测图像。接着,对所述检测图像进行分块处理以得到图像块序列,优选地,对所述检测图像进行均匀分块处理以使得各个图像块具有相同的尺度和相近的外观呈现。
具体地,在步骤S220中,将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量。也就是,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来提取所述图像块序列中各个图像块的高维局部特征特征。本领域普通技术人员应知晓,所述卷积神经网络模型包括多个神经网络层,其中各个神经网络层包括卷积单元、池化单元和非线性激活单元。
更具体地,在本申请实施例中,所述将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量,包括:所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
具体地,在步骤S230中,计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵。也就是,以两个图像块的图像特征向量之间的余弦距离来表示两个图像块的高维图像特征在高维特征空间中的特征分布差异。应可以理解,如果成型面料的成型质量满足预定要求,则各个图像块的图像特征向量之间的余弦相似度相对较大。并且,在本申请的技术方案中,将各个图像块的图像特征向量之间的余弦相似度构造为相似度拓扑矩阵以进一步利用所述图像块序列中所有图像块之间的空间拓扑信息。
更具体地,在本申请实施例中,所述计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵,包括:以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;以及,将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
具体地,在步骤S240中,将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵。也就是,进一步地利用在局部特征提取领域具有优异性能表现的卷积神经网络模型来提取所述相似度拓扑特征矩阵的高维局部隐含特征,即,各个图像块之间的相似度之间的高维隐含关联特征。
更具体地,在本申请实施例中,所述将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵,包括:所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
具体地,在步骤S250中,将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵。在后续进行图结构数据的编码时,为了统一维度,在这里,将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵。
具体地,在步骤S260中,将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵。也就是,在本申请的技术方案中,以所述各个图像块特征向量作为节点的高维特征表示,以所述相似度拓扑特征矩阵来表示节点与节点之间的边的高维特征表示,并以所述图神经网络模型通过可学习的神经网络参数对由所述相似度拓扑特征矩阵和所述图像全局特征矩阵组成的图结构数据进行编码以得到包含不规则的图像块的相似度拓扑特征特征和各个图像块的高维图像特征信息的所述分类特征矩阵,以此来提高对于成型面料的成型质量的分类判断的精准度。
具体地,在步骤S270中,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
更具体地,在本申请实施例中,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求,包括:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在上述吸湿排汗的面料的制备工艺中,还包括对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
图5为根据本申请实施例的吸湿排汗的面料的制备工艺中对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的流程图。如图5所示,所述对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练,包括:S310,获取训练数据,所述训练数据包含所述成型面料的训练检测图像,以及,所述吸湿排汗的面料的成型质量是否满足预定要求的真实值;S320,对所述训练检测图像进行分块处理以得到训练图像块序列;S330,将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量;S340,计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵;S350,将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵;S360,将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵;S370,将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵;S380,将所述训练分类特征矩阵通过分类器以得到分类损失函数值;S390,计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;以及,S400,以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
特别地,在本申请的技术方案中,对于所述图像块序列中的各个图像块分别通过作为过滤器的第一卷积神经网络模型得到的所述多个图像块特征向量,由于每个图像块特征向量的特征分布都是对应于所述检测图像的整体特征的局部特征分布,并且图神经网络是在全局图像语义特征中并入各个图像块之间的语义相似性拓扑关联特征,反而会扩大局部特征分布之间的差异度。因此,期望提升所述多个图像块特征向量之间的局部分布关联度,以提升所述多个图像块特征向量进行二维排列得到的所述图像全局特征矩阵的整体特征表达能力,从而进一步提升所述分类特征矩阵的分类结果准确性。通常,可以通过对每个图像块特征向量设置权重来解决,但是,由于权重需要作为超参数通过训练得到,这将增加模型的训练负担。因此,本申请的申请人引入了针对所述多个图像块特征向量的多分布二元分类质量损失函数。
具体地,在本申请实施例中,所述计算所述多个训练图像块特征向量的多分布二元分类质量损失函数,包括:以如下公式计算计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;其中,所述公式为:
其中,V1到Vn是各个图像块特征向量,Vr是参考向量,优选地设置为所有图像块特征向量的均值特征向量,且表示特征向量的分类结果,‖·‖1表示向量的1范数,表示所述多个训练图像块特征向量的多分布二元分类质量损失函数,log表示以2为底的对数函数。
这里,为了避免每个图像块特征向量在二维排列之后在相应的多分布分类时由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别域的收敛困难,通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式,可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样,通过以此对模型进行训练,就可以将超参数在训练中的优化从反向传播转换为基于多二元分类的分类问题,并改进所述图像全局特征矩阵的整体特征表达能力,从而提升所述分类特征矩阵的分类结果准确性。
综上,基于本申请实施例的吸湿排汗的面料及其制备工艺被阐明,其中,所述面料由相互交织的经线和纬线组成,并且,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时,基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
示例性系统
图6为根据本申请实施例的吸湿排汗的面料的制备系统的框图。如图6所示,根据本申请实施例的吸湿排汗的面料的制备系统100,包括:编织模块 110,用于以预定模式将经线和纬线编织在一起以得到成型面料;以及,成型质量检测模块120,用于基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。
图7为根据本申请实施例的吸湿排汗的面料的制备系统中成型质量检测模块的框图。如图7所示,在上述吸湿排汗的面料的制备系统100中,所述成型质量检测模块120,包括:图像分块单元121,用于对所述检测图像进行分块处理以得到图像块序列;图像编码单元122,用于将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;拓扑构造单元123,用于计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;拓扑编码单元124,用于将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;全局排列单元125,用于将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;图编码单元126,用于将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;以及,成型质量结果生成单元127,用于将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,所述图像编码单元122,包括:所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,所述拓扑构造单元123,进一步用于:以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;以及,将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,所述拓扑编码单元124,包括:所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行通道维度的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,所述成型质量结果生成单元127,进一步用于:将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。
在一个示例中,在上述吸湿排汗的面料的制备系统100中,所述训练模块,进一步用于:获取训练数据,所述训练数据包含所述成型面料的训练检测图像,以及,所述吸湿排汗的面料的成型质量是否满足预定要求的真实值;对所述训练检测图像进行分块处理以得到训练图像块序列;将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量;计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵;将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵;将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵;将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵;将所述训练分类特征矩阵通过分类器以得到分类损失函数值;计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;以及,以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
综上,基于本申请实施例的吸湿排汗的面料的制备系统100被阐明,其中,所述面料由相互交织的经线和纬线组成,并且,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时,基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
如上所述,根据本申请实施例的吸湿排汗的面料的制备系统100可以实现在各种终端设备中,例如用于吸湿排汗的面料的制备的服务器等。在一个示例中,根据本申请实施例的吸湿排汗的面料及其制备工艺的系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该吸湿排汗的面料及其制备工艺的系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该吸湿排汗的面料及其制备工艺的系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该吸湿排汗的面料及其制备工艺的系统100与该终端设备也可以是分立的设备,并且该吸湿排汗的面料及其制备工艺的系统100 可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种吸湿排汗的面料,其特征在于,所述面料由相互交织的经线和纬线组成,其中,在所述经线和纬线之间具有多个中空部,所述中空部具有预定尺寸,通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
2.根据权利要求1所述的吸湿排汗的面料的制备工艺,其特征在于,包括:
以预定模式将经线和纬线编织在一起以得到成型面料;以及
基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测。
3.根据权利要求2所述的吸湿排汗的面料的制备工艺,其特征在于,所述基于由摄像头采集的所述成型面料的检测图像,对所述成型面料进行成型质量检测,包括:
对所述检测图像进行分块处理以得到图像块序列;
将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量;
计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵;
将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵;
将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵;
将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵;以及
将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
4.根据权利要求3所述的吸湿排汗的面料的制备工艺,其特征在于,所述将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量,包括:
所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量,所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
5.根据权利要求4所述的吸湿排汗的面料的制备工艺,其特征在于,所述计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵,包括:
以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度;以及
将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
6.根据权利要求5所述的吸湿排汗的面料的制备工艺,其特征在于,所述将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵,包括:
所述第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行通道维度的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵,所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
7.根据权利要求6所述的吸湿排汗的面料的制备工艺,其特征在于,所述将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求,包括:
将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.根据权利要求7所述的吸湿排汗的面料的制备工艺,其特征在于,还包括训练步骤:对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
9.根据权利要求8所述的吸湿排汗的面料的制备工艺,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包含所述成型面料的训练检测图像,以及,所述吸湿排汗的面料的成型质量是否满足预定要求的真实值;
对所述训练检测图像进行分块处理以得到训练图像块序列;
将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量;
计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵;
将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵;
将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵;
将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵;
将所述训练分类特征矩阵通过分类器以得到分类损失函数值;
计算所述多个训练图像块特征向量的多分布二元分类质量损失函数;以及
以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397867.6A CN115661113B (zh) | 2022-11-09 | 2022-11-09 | 吸湿排汗的面料及其制备工艺 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211397867.6A CN115661113B (zh) | 2022-11-09 | 2022-11-09 | 吸湿排汗的面料及其制备工艺 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661113A true CN115661113A (zh) | 2023-01-31 |
CN115661113B CN115661113B (zh) | 2023-05-09 |
Family
ID=85016115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211397867.6A Active CN115661113B (zh) | 2022-11-09 | 2022-11-09 | 吸湿排汗的面料及其制备工艺 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468699A (zh) * | 2023-04-23 | 2023-07-21 | 浙江酷趣网络科技有限公司杭州分公司 | 随光强弱变色的面料的智能化生产系统及其方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102312322A (zh) * | 2011-03-17 | 2012-01-11 | 苏州金科达纺织科技股份有限公司 | 吸湿排汗面料 |
CN107274409A (zh) * | 2017-06-21 | 2017-10-20 | 江阴芗菲服饰有限公司 | 机织物疵点分割方法 |
CN108414528A (zh) * | 2018-02-23 | 2018-08-17 | 杭州如涵控股股份有限公司 | 面料瑕疵图片标记辅助系统 |
CN110726729A (zh) * | 2019-11-25 | 2020-01-24 | 耒阳市康意电子箱包科技有限公司 | 布料来料检测装置 |
CN111125397A (zh) * | 2019-11-28 | 2020-05-08 | 苏州正雄企业发展有限公司 | 一种基于卷积神经网络的布料图像检索方法 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
JP2021009493A (ja) * | 2019-06-28 | 2021-01-28 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法及びプログラム |
CN112508917A (zh) * | 2020-12-11 | 2021-03-16 | 中山紫菜网络科技有限公司 | 基于深度神经网络的纺织面料的绒毛检测方法 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN114372972A (zh) * | 2022-01-11 | 2022-04-19 | 东阳市微盈网络科技有限公司 | 一种纺织面料生产在线检测方法、设备及计算机存储介质 |
CN114529622A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法及装置 |
CN114638779A (zh) * | 2021-07-29 | 2022-06-17 | 广州机智云物联网科技有限公司 | 纺织物质检系统、方法、装置、计算机设备和存储介质 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
CN115187789A (zh) * | 2022-05-24 | 2022-10-14 | 西安电子科技大学 | 基于卷积层激活差异的对抗图像检测方法及装置 |
-
2022
- 2022-11-09 CN CN202211397867.6A patent/CN115661113B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102312322A (zh) * | 2011-03-17 | 2012-01-11 | 苏州金科达纺织科技股份有限公司 | 吸湿排汗面料 |
CN107274409A (zh) * | 2017-06-21 | 2017-10-20 | 江阴芗菲服饰有限公司 | 机织物疵点分割方法 |
CN108414528A (zh) * | 2018-02-23 | 2018-08-17 | 杭州如涵控股股份有限公司 | 面料瑕疵图片标记辅助系统 |
JP2021009493A (ja) * | 2019-06-28 | 2021-01-28 | キヤノン株式会社 | 画像処理装置、画像処理装置の制御方法及びプログラム |
CN110726729A (zh) * | 2019-11-25 | 2020-01-24 | 耒阳市康意电子箱包科技有限公司 | 布料来料检测装置 |
CN111125397A (zh) * | 2019-11-28 | 2020-05-08 | 苏州正雄企业发展有限公司 | 一种基于卷积神经网络的布料图像检索方法 |
CN111310666A (zh) * | 2020-02-18 | 2020-06-19 | 浙江工业大学 | 一种基于纹理特征的高分辨率影像地物识别与分割方法 |
CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
CN112508917A (zh) * | 2020-12-11 | 2021-03-16 | 中山紫菜网络科技有限公司 | 基于深度神经网络的纺织面料的绒毛检测方法 |
CN112686850A (zh) * | 2020-12-24 | 2021-04-20 | 上海体素信息科技有限公司 | 基于空间位置和原型网络的ct图像的少样本分割方法和系统 |
CN114638779A (zh) * | 2021-07-29 | 2022-06-17 | 广州机智云物联网科技有限公司 | 纺织物质检系统、方法、装置、计算机设备和存储介质 |
CN114372972A (zh) * | 2022-01-11 | 2022-04-19 | 东阳市微盈网络科技有限公司 | 一种纺织面料生产在线检测方法、设备及计算机存储介质 |
CN114529622A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 通过引入自监督复合任务训练生成对抗网络生成高质量图像的方法及装置 |
CN115187789A (zh) * | 2022-05-24 | 2022-10-14 | 西安电子科技大学 | 基于卷积层激活差异的对抗图像检测方法及装置 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
李振东;钟勇;张博言;曹冬平;: "基于深度特征聚类的海量人脸图像检索" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468699A (zh) * | 2023-04-23 | 2023-07-21 | 浙江酷趣网络科技有限公司杭州分公司 | 随光强弱变色的面料的智能化生产系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115661113B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Anomalynet: An anomaly detection network for video surveillance | |
CN110378844B (zh) | 基于循环多尺度生成对抗网络的图像盲去运动模糊方法 | |
Scott et al. | Fusion of deep convolutional neural networks for land cover classification of high-resolution imagery | |
CN110245655B (zh) | 一种基于轻量级图像金字塔网络的单阶段物体检测方法 | |
Liu et al. | Improved robust tensor principal component analysis via low-rank core matrix | |
Mao et al. | Least squares generative adversarial networks | |
Zhao et al. | Persistence enhanced graph neural network | |
Yang et al. | Robust sparse coding for face recognition | |
Ding et al. | Robust multi-view subspace learning through dual low-rank decompositions | |
CN115661113B (zh) | 吸湿排汗的面料及其制备工艺 | |
EP3982322A1 (en) | Panoramic image and video splicing method, computer-readable storage medium, and panoramic camera | |
Giraldo et al. | Semi-supervised background subtraction of unseen videos: Minimization of the total variation of graph signals | |
Chen et al. | Error-optimized sparse representation for single image rain removal | |
Tan et al. | Learning on gradients: Generalized artifacts representation for gan-generated images detection | |
CN110503113A (zh) | 一种基于低秩矩阵恢复的图像显著性目标检测方法 | |
CN103780267A (zh) | 一种基于ldpc矩阵的测量矩阵设计方法 | |
Guo et al. | 3d-pruning: A model compression framework for efficient 3d action recognition | |
Khokher et al. | A super descriptor tensor decomposition for dynamic scene recognition | |
Pardamean et al. | RHC: a dataset for in-room and out-room human counting | |
CN116320459A (zh) | 一种基于人工智能的计算机网络通信数据处理方法及系统 | |
Zhang et al. | Tensor-based unsupervised multi-view feature selection for image recognition | |
Feng et al. | View-invariant human action recognition via robust locally adaptive multi-view learning | |
Horiuchi et al. | Spectral normalization and relativistic adversarial training for conditional pose generation with self-attention | |
CN112488238B (zh) | 一种基于对抗自编码器的混合异常检测方法 | |
Manoju et al. | Conductivity based agglomerative spectral clustering for community detection |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Moisture wicking fabric and its preparation process Effective date of registration: 20230825 Granted publication date: 20230509 Pledgee: Jiaxing Bank Co.,Ltd. Tongxiang Branch Pledgor: Zhejiang Kuqu Intelligent Technology Co.,Ltd. Registration number: Y2023980053892 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |