CN116657348B - 真丝前处理方法及其系统 - Google Patents
真丝前处理方法及其系统 Download PDFInfo
- Publication number
- CN116657348B CN116657348B CN202310648319.4A CN202310648319A CN116657348B CN 116657348 B CN116657348 B CN 116657348B CN 202310648319 A CN202310648319 A CN 202310648319A CN 116657348 B CN116657348 B CN 116657348B
- Authority
- CN
- China
- Prior art keywords
- silk
- classification
- real silk
- image
- feature vectors
- 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.)
- Active
Links
- 238000002203 pretreatment Methods 0.000 title claims abstract description 24
- 239000004744 fabric Substances 0.000 claims abstract description 38
- 238000004140 cleaning Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000001035 drying Methods 0.000 claims abstract description 22
- 239000007844 bleaching agent Substances 0.000 claims abstract description 18
- 238000002791 soaking Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004061 bleaching Methods 0.000 claims abstract description 12
- 239000003599 detergent Substances 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000003892 spreading Methods 0.000 claims abstract description 9
- 230000007480 spreading Effects 0.000 claims abstract description 9
- 238000005406 washing Methods 0.000 claims abstract description 9
- 238000004898 kneading Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 204
- 230000011218 segmentation Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 39
- 238000007781 pre-processing Methods 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 239000000835 fiber Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003825 pressing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Landscapes
- Treatment Of Fiber Materials (AREA)
- Treatments For Attaching Organic Compounds To Fibrous Goods (AREA)
- Chemical Or Physical Treatment Of Fibers (AREA)
- Image Analysis (AREA)
Abstract
公开了一种真丝前处理方法及其系统。该方法包括：将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及，将干燥后真丝进行整理和平展处理以得到处理后真丝。这样，可以得到一种优化的处理后真丝。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种真丝前处理方法及其系统。
背景技术
真丝是一种高档绸缎面料，由于其独特的物理性能和纤维结构，成为了服装、家居用品等领域中广泛使用的材料之一。在真丝的制作过程中，需要将真丝平铺在阴凉通风的地方进行干燥处理，以避免阳光直射或高温烘干导致褪色或老化问题。在实际进行真丝干燥过程中，真丝平铺的平整度是确保真丝质量和产品外观的重要因素。
然而，目前真丝平铺的平整度检测主要依赖人工检查和经验判断，不仅费时费力，检测的效率较低，而且还极易出现误差，导致真丝发生折叠、起皱或压根的情况，影响真丝后续加工的质量。
因此，期望一种优化的真丝前处理方案。
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真丝前处理方法及其系统。该方法包括：将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及，将干燥后真丝进行整理和平展处理以得到处理后真丝。这样，可以得到一种优化的处理后真丝。
根据本申请的一个方面，提供了一种真丝前处理方法，其包括：
将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；
将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；
将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；
将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及
将干燥后真丝进行整理和平展处理以得到处理后真丝。
在上述的真丝前处理方法中，将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝，包括：
获取由摄像头采集的真丝平铺拍摄图像；
对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；
将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；
将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；
计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；
对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。
在上述的真丝前处理方法中，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量，包括：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
在上述的真丝前处理方法中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量，包括：
以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；
其中，所述计算公式为：
其中，V1和V2分别是所述多个切分图像特征向量中每两个切分图像特征向量，dist(V1，V2)是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，v1i和v2i分别是所述多个切分图像特征向量中每两个切分图像特征向量的第i个位置的特征值；以及
将所述多个欧式距离值进行一维排列以得到所述分类特征向量。
在上述的真丝前处理方法中，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi′是所述优化分类特征向量的第i个位置的特征值。
在上述的真丝前处理方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求，包括：
使用所述分类器的全连接层对所述优化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。
根据本申请的另一个方面，提供了一种真丝前处理系统，其包括：
清洗模块，用于将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；
漂白模块，用于将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；
二次清洗模块，用于将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；
晾干模块，用于将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及
平展处理模块，用于将干燥后真丝进行整理和平展处理以得到处理后真丝。
在上述的真丝前处理系统中，所述晾干模块，包括：
图像获取单元，用于获取由摄像头采集的真丝平铺拍摄图像；
图像预处理单元，用于对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；
切分单元，用于将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；
卷积编码单元，用于将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；
欧式距离计算单元，用于计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；
特征分布优化单元，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
分类单元，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。
在上述的真丝前处理系统中，所述卷积编码单元，用于：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
在上述的真丝前处理系统中，所述欧式距离计算单元，用于：
以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；
其中，所述计算公式为：
其中，V1和V2分别是所述多个切分图像特征向量中每两个切分图像特征向量，dist(V1，V2)是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，v1i和v2i分别是所述多个切分图像特征向量中每两个切分图像特征向量的第i个位置的特征值；以及
将所述多个欧式距离值进行一维排列以得到所述分类特征向量。
与现有技术相比，本申请提供的真丝前处理方法及其系统，该方法包括：将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及，将干燥后真丝进行整理和平展处理以得到处理后真丝。这样，可以得到一种优化的处理后真丝。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的真丝前处理方法的流程图。
图2为根据本申请实施例的真丝前处理方法中子步骤S140的应用场景图。
图3为根据本申请实施例的真丝前处理方法中子步骤S140的流程图。
图4为根据本申请实施例的真丝前处理方法中子步骤S140的架构示意图。
图5为根据本申请实施例的真丝前处理方法的子步骤S147的流程图。
图6为根据本申请实施例的真丝前处理系统的框图。
图7为根据本申请实施例的真丝前处理系统中所述晾干模块的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
如上所述，在实际进行真丝干燥过程中，真丝平铺的平整度是确保真丝质量和产品外观的重要因素。然而，目前真丝平铺的平整度检测主要依赖人工检查和经验判断，不仅费时费力，检测的效率较低，而且还极易出现误差，导致真丝发生折叠、起皱或压根的情况，影响真丝后续加工的质量。因此，期望一种优化的真丝前处理方案。
具体地，在本申请的技术方案中，期望一种真丝前处理方法，如图1所示，其包括：S110，将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；S120，将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；S130，将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；S140，将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及，S150，将干燥后真丝进行整理和平展处理以得到处理后真丝。
相应地，考虑到在实际进行真丝前处理过程中，在真丝干燥时，需要将真丝平铺在阴凉通风的地方晾干，以避免阳光直射或高温烘干导致褪色或老化。具体地，在真丝平铺在阴凉通风的地方晾干时，需要确保真丝平整度以避免真丝发生折叠、起皱或者压根问题，从而影响后续的工艺生产质量。因此，在本申请的技术方案中，期望通过对于真丝平铺的拍摄图像进行分析来进行真丝平铺的平整度检测。但是，由于所述真丝平铺的拍摄图像中存在有大量的信息量，而关于真丝平铺的平整度特征在实际监测的过程中为小尺度的隐含特征信息，难以充分地进行捕捉，进而也就难以对于真丝的平整度进行全局充分地检测。因此，在此过程中，难点在于如何进行所述拍摄图像中关于真丝平铺的平整度隐含特征分布信息的充分表达，以此来充分且准确地进行真丝平铺的平整度检测，从而保证真丝的处理质量和后续工艺的正常进行。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述拍摄图像中关于真丝平铺的平整度隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，通过摄像头采集真丝平铺拍摄图像。应可以理解，考虑到实际进行所述真丝平铺拍摄图像的采集过程中，可能会存在噪声、光照不均等因素的影响，导致后续的图像分析和识别的精度较低，影响所述真丝平铺的平整度特征表达的充分性和准确性。因此，为了能够更好地提取真丝的平整度信息和特征，在本申请的技术方案中，进一步对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像。特别地，这里，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化。具体来说，所述图像灰度处理可以将彩色图像转换为灰度图像，简化了后续计算过程；所述图像滤波可以去除高斯噪声和椒盐噪声，使图像更加清晰；而所述直方图均衡化则能够增强图像的对比度，减少光照不均的影响，提高图像的质量，有利于后续处理和分析。
然后，由于真丝平整度是指真丝纤维在平铺状态下的平整程度。因此，为了更好地检测真丝平铺的平整度，需要针对真丝纤维的延展方向进行切分，将所述预处理后真丝平铺拍摄图像分割成多个切分子图像。这样，能够更精准地捕捉到真丝纤维的平整度信息和纤维特征，避免其他区域干扰影响检测结果。同时，通过对所述多个切分子图像进行特征提取和分析，可以有效地减少因为自然因素或设备误差所引起的数据偏差，从而使神经网络训练更加鲁棒，提高检测准确率。
进一步地，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述多个切分子图像的特征挖掘，以分别提取出所述各个切分子图像中关于所述真丝平铺的平整度隐含特征分布信息，从而得到多个切分图像特征向量。
应可以理解，由于在实际进行真丝平铺时，考虑到若平铺的平整度满足预定要求，那么则在所述各个切分子图像中关于真丝平铺的平整度特征信息之间的相似性和一致性程度较高，即差异性程度较低。因此，在进行平整度是否满足预定要求的检测评估时，期望通过对于所述各个切分子图像中的平整度特征信息进行特征对比，以此来提高检测的准确性。基于此，在本申请的技术方案中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，以此来表示所述各个切分子图像中关于真丝平铺的平整度隐含特征之间的差异性关联特征信息，从而得到由多个欧式距离值组成的分类特征向量。
接着，进一步再将所述分类特征向量通过分类器中进行分类处理，以得到用于表示真丝平铺的平整度是否满足预定要求的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括真丝平铺的平整度满足预定要求(第一标签)，以及，真丝平铺的平整度不满足预定要求(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“真丝平铺的平整度是否满足预定要求”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，真丝平铺的平整度是否满足预定要求的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“真丝平铺的平整度是否满足预定要求”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为真丝平铺的平整度是否满足预定要求的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来进行真丝平铺的平整度检测，从而保证真丝的处理质量和后续工艺的正常进行。
特别地，在本申请的技术方案中，对于所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分得到的所述多个切分子图像来说，其图像语义之间具有一致性差异，从而所述多个切分子图像分别通过作为过滤器的卷积神经网络模型得到的所述多个切分图像特征向量也存在表达图像特征语义的整体特征分布之间的一致性差异，由此，当计算表达所述多个切分图像特征向量中每两个切分图像特征向量在高维特征空间内的图像特征语义表达分布差异的欧式距离时，所述多个欧式距离值会存在相关度较高的局部距离值集合，导致由所述多个欧式距离值组成的分类特征向量的局部分布之间存在概率密度维度下的区分度问题，从而影响所述分类特征向量在分类任务下的类概率表达，降低了所述分类特征向量通过分类器得到的分类结果的准确性。
因此，优选地对所述分类特征向量，例如表示为V进行高斯概率密度的流形曲面维度正交化，具体为：
其中μ和σ是特征值集合vi∈V的均值和标准差，且vi′是优化后的所述分类特征向量的第i个位置的特征值。
这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量V的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够充分且准确地进行真丝平铺的平整度检测，从而保证真丝的处理质量和后续工艺的正常进行。
图2为根据本申请实施例的真丝前处理方法中子步骤S140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，图2中所示意的C)采集的真丝平铺拍摄图像(例如，图2中所示意的D)，然后，将所述真丝平铺拍摄图像输入至部署有真丝前处理算法的服务器中(例如，图2中所示意的S)，其中，所述服务器能够使用所述真丝前处理算法对所述真丝平铺拍摄图像进行处理以得到用于表示真丝平铺的平整度是否满足预定要求的分类结果。
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。
图3为根据本申请实施例的真丝前处理方法中子步骤S140的流程图。如图3所示，根据本申请实施例的真丝前处理方法，将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝，包括步骤：S141，获取由摄像头采集的真丝平铺拍摄图像；S142，对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；S143，将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；S144，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；S145，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；S146，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，S147，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。
图4为根据本申请实施例的真丝前处理方法中子步骤S140的架构示意图。如图4所示，在该网络架构中，首先，获取由摄像头采集的真丝平铺拍摄图像；接着，对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；然后，将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；接着，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；然后，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；接着，对所述分类特征向量进行特征分布优化以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。
更具体地，在步骤S141中，获取由摄像头采集的真丝平铺拍摄图像。在实际进行真丝前处理过程中，在真丝干燥时，需要将真丝平铺在阴凉通风的地方晾干，以避免阳光直射或高温烘干导致褪色或老化。具体地，在真丝平铺在阴凉通风的地方晾干时，需要确保真丝平整度以避免真丝发生折叠、起皱或者压根问题，从而影响后续的工艺生产质量。因此，在本申请的技术方案中可以通过对于真丝平铺的拍摄图像进行分析来进行真丝平铺的平整度检测。
更具体地，在步骤S142中，对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化。实际进行所述真丝平铺拍摄图像的采集过程中，可能会存在噪声、光照不均等因素的影响，导致后续的图像分析和识别的精度较低，影响所述真丝平铺的平整度特征表达的充分性和准确性。因此，为了能够更好地提取真丝的平整度信息和特征，在本申请的技术方案中，进一步对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像。
更具体地，在步骤S143中，将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像。由于真丝平整度是指真丝纤维在平铺状态下的平整程度。因此，为了更好地检测真丝平铺的平整度，需要针对真丝纤维的延展方向进行切分，将所述预处理后真丝平铺拍摄图像分割成多个切分子图像。这样，能够更精准地捕捉到真丝纤维的平整度信息和纤维特征，避免其他区域干扰影响检测结果。同时，通过对所述多个切分子图像进行特征提取和分析，可以有效地减少因为自然因素或设备误差所引起的数据偏差，从而使神经网络训练更加鲁棒，提高检测准确率。
更具体地，在步骤S144中，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量。使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述多个切分子图像的特征挖掘，以分别提取出所述各个切分子图像中关于所述真丝平铺的平整度隐含特征分布信息，从而得到多个切分图像特征向量。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
更具体地，在步骤S145中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量。由于在实际进行真丝平铺时，考虑到若平铺的平整度满足预定要求，那么则在所述各个切分子图像中关于真丝平铺的平整度特征信息之间的相似性和一致性程度较高，即差异性程度较低。因此，在进行平整度是否满足预定要求的检测评估时，期望通过对于所述各个切分子图像中的平整度特征信息进行特征对比，以此来提高检测的准确性。基于此，在本申请的技术方案中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，以此来表示所述各个切分子图像中关于真丝平铺的平整度隐含特征之间的差异性关联特征信息，从而得到由多个欧式距离值组成的分类特征向量。
相应地，在一个具体示例中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量，包括：以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；其中，所述计算公式为：
其中，V1和V2分别是所述多个切分图像特征向量中每两个切分图像特征向量，dist(V1，V2)是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，v1i和v2i分别是所述多个切分图像特征向量中每两个切分图像特征向量的第i个位置的特征值；以及，将所述多个欧式距离值进行一维排列以得到所述分类特征向量。
更具体地，在步骤S146中，对所述分类特征向量进行特征分布优化以得到优化分类特征向量。特别地，在本申请的技术方案中，对于所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分得到的所述多个切分子图像来说，其图像语义之间具有一致性差异，从而所述多个切分子图像分别通过作为过滤器的卷积神经网络模型得到的所述多个切分图像特征向量也存在表达图像特征语义的整体特征分布之间的一致性差异，由此，当计算表达所述多个切分图像特征向量中每两个切分图像特征向量在高维特征空间内的图像特征语义表达分布差异的欧式距离时，所述多个欧式距离值会存在相关度较高的局部距离值集合，导致由所述多个欧式距离值组成的分类特征向量的局部分布之间存在概率密度维度下的区分度问题，从而影响所述分类特征向量在分类任务下的类概率表达，降低了所述分类特征向量通过分类器得到的分类结果的准确性。因此，优选地对所述分类特征向量进行高斯概率密度的流形曲面维度正交化。
相应地，在一个具体示例中，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi′是所述优化分类特征向量的第i个位置的特征值。
这里，通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长，可以将所述分类特征向量的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影，从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整，以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性，从而改进优化后的所述分类特征向量通过分类器得到的分类结果的准确性。这样，能够充分且准确地进行真丝平铺的平整度检测，从而保证真丝的处理质量和后续工艺的正常进行。
更具体地，在步骤S147中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。在得到所述分类结果后，可基于所述分类结果来进行真丝平铺的平整度检测，从而保证真丝的处理质量和后续工艺的正常进行。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图5所示，所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求，包括：S1471，使用所述分类器的全连接层对所述优化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，S1472，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。
综上，基于本申请实施例的真丝前处理方法，其首先获取由摄像头采集的真丝平铺拍摄图像，接着，对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化，然后，将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像，接着，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量，然后，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量，接着，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示真丝平铺的平整度是否满足预定要求的分类结果。
图6为根据本申请实施例的真丝前处理系统100的框图。如图6所示，根据本申请实施例的真丝前处理系统100，包括：清洗模块110，用于将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；漂白模块120，用于将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；二次清洗模块130，用于将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；晾干模块140，用于将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及，平展处理模块150，用于将干燥后真丝进行整理和平展处理以得到处理后真丝。
在一个示例中，在上述真丝前处理系统100中，如图7所示，所述晾干模块140，包括：图像获取单元141，用于获取由摄像头采集的真丝平铺拍摄图像；图像预处理单元142，用于对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；切分单元143，用于将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；卷积编码单元144，用于将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；欧式距离计算单元145，用于计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；特征分布优化单元146，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及，分类单元147，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求。
在一个示例中，在上述真丝前处理系统100中，所述卷积编码单元144，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
在一个示例中，在上述真丝前处理系统100中，所述欧式距离计算单元145，用于：以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；其中，所述计算公式为：
其中，V1和V2分别是所述多个切分图像特征向量中每两个切分图像特征向量，dist(V1，V2)是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，v1i和v2i分别是所述多个切分图像特征向量中每两个切分图像特征向量的第i个位置的特征值；以及，将所述多个欧式距离值进行一维排列以得到所述分类特征向量。
在一个示例中，在上述真丝前处理系统100中，所述特征分布优化单元146，用于：以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且vi′是所述优化分类特征向量的第i个位置的特征值。
在一个示例中，在上述真丝前处理系统100中，所述分类单元147，用于：使用所述分类器的全连接层对所述优化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。
这里，本领域技术人员可以理解，上述真丝前处理系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的真丝前处理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的真丝前处理系统100可以实现在各种无线终端中，例如具有真丝前处理算法的服务器等。在一个示例中，根据本申请实施例的真丝前处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该真丝前处理系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该真丝前处理系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该真丝前处理系统100与该无线终端也可以是分立的设备，并且该真丝前处理系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (5)
1.一种真丝前处理方法，其特征在于，包括：
将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；
将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；
将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；
将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及
将干燥后真丝进行整理和平展处理以得到处理后真丝；
其中，在将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝时，还包括：
获取由摄像头采集的真丝平铺拍摄图像；
对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；
将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；
将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；
计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；
对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求；
其中，计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量，包括：
以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；
其中，所述计算公式为：
其中，和/>分别是所述多个切分图像特征向量中每两个切分图像特征向量，是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，和/>分别是所述多个切分图像特征向量中每两个切分图像特征向量的第/>个位置的特征值；以及
将所述多个欧式距离值进行一维排列以得到所述分类特征向量；
其中，对所述分类特征向量进行特征分布优化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，是所述分类特征向量的第/>个位置的特征值，/>和/>分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且/>是所述优化分类特征向量的第/>个位置的特征值。
2.根据权利要求1所述的真丝前处理方法，其特征在于，将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量，包括：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
3.根据权利要求2所述的真丝前处理方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求，包括：
使用所述分类器的全连接层对所述优化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。
4.一种真丝前处理系统，其特征在于，包括：
清洗模块，用于将真丝织物放置于浸泡槽中，并加入少量洗涤剂，经过轻揉搓后，再用清水冲洗干净以得到清洗后真丝织物；
漂白模块，用于将所述清洗后真丝织物放入漂白槽中，与漂白剂和清水混合并漫泡预定时间，直至颜色变白后，取出并进行清洗处理以得到漂白后真丝；
二次清洗模块，用于将所述漂白后真丝放入清洗槽中进行二次清洗，以去除残留的漂白剂和污垢得到去污后真丝；
晾干模块，用于将所述去污后真丝平铺在阴凉通风的地方晾干，避免阳光直射或高温烘干以得到干燥后真丝；以及
平展处理模块，用于将干燥后真丝进行整理和平展处理以得到处理后真丝；
其中，所述晾干模块，还包括：
图像获取单元，用于获取由摄像头采集的真丝平铺拍摄图像；
图像预处理单元，用于对所述真丝平铺拍摄图像进行图像预处理以得到预处理后真丝平铺拍摄图像，其中，所述图像预处理包括图像灰度处理、图像滤波和直方图均衡化；
切分单元，用于将所述预处理后真丝平铺拍摄图像沿着真丝延展方向进行切分以得到多个切分子图像；
卷积编码单元，用于将所述多个切分子图像分别通过作为过滤器的卷积神经网络模型以得到多个切分图像特征向量；
欧式距离计算单元，用于计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到由多个欧式距离值组成的分类特征向量；
特征分布优化单元，用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量；以及
分类单元，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示真丝平铺的平整度是否满足预定要求；
其中，所述欧式距离计算单元，用于：
以如下计算公式计算所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离以得到所述多个欧式距离值；
其中，所述计算公式为：
其中，和/>分别是所述多个切分图像特征向量中每两个切分图像特征向量，是所述多个切分图像特征向量中每两个切分图像特征向量之间的欧式距离，和/>分别是所述多个切分图像特征向量中每两个切分图像特征向量的第/>个位置的特征值；以及
将所述多个欧式距离值进行一维排列以得到所述分类特征向量；
其中，所述特征分布优化单元，包括：
以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，是所述分类特征向量的第/>个位置的特征值，/>和/>分别是所述分类特征向量中各个位置特征值集合的均值和标准差，且/>是所述优化分类特征向量的第/>个位置的特征值。
5.根据权利要求4所述的真丝前处理系统，其特征在于，所述卷积编码单元，用于：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个切分图像特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个切分子图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310648319.4A CN116657348B (zh) | 2023-06-02 | 2023-06-02 | 真丝前处理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310648319.4A CN116657348B (zh) | 2023-06-02 | 2023-06-02 | 真丝前处理方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116657348A CN116657348A (zh) | 2023-08-29 |
| CN116657348B true CN116657348B (zh) | 2023-11-21 |
Family
ID=87714865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310648319.4A Active CN116657348B (zh) | 2023-06-02 | 2023-06-02 | 真丝前处理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116657348B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108118430A (zh) * | 2017-12-19 | 2018-06-05 | 大连小萝莉服饰有限公司 | 一种复合面料、及其制备工艺 |
| CN108562250A (zh) * | 2018-05-16 | 2018-09-21 | 湖南大学 | 基于结构光成像的键盘键帽平整度快速测量方法与装置 |
| CN109559320A (zh) * | 2018-09-18 | 2019-04-02 | 华东理工大学 | 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统 |
| CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
| CN114800229A (zh) * | 2022-06-27 | 2022-07-29 | 江苏中清光伏科技有限公司 | 双面双玻表面抛光装置及其抛光方法 |
| CN116038147A (zh) * | 2022-12-28 | 2023-05-02 | 东莞市新法拉数控设备有限公司 | 激光金属切割机及其控制方法 |
-
2023
- 2023-06-02 CN CN202310648319.4A patent/CN116657348B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108118430A (zh) * | 2017-12-19 | 2018-06-05 | 大连小萝莉服饰有限公司 | 一种复合面料、及其制备工艺 |
| CN108562250A (zh) * | 2018-05-16 | 2018-09-21 | 湖南大学 | 基于结构光成像的键盘键帽平整度快速测量方法与装置 |
| CN109559320A (zh) * | 2018-09-18 | 2019-04-02 | 华东理工大学 | 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统 |
| CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
| CN114800229A (zh) * | 2022-06-27 | 2022-07-29 | 江苏中清光伏科技有限公司 | 双面双玻表面抛光装置及其抛光方法 |
| CN116038147A (zh) * | 2022-12-28 | 2023-05-02 | 东莞市新法拉数控设备有限公司 | 激光金属切割机及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116657348A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deformable patterned fabric defect detection with fisher criterion-based deep learning | |
| CN110349146B (zh) | 基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法 | |
| Deotale et al. | Fabric defect detection adopting combined GLCM, Gabor wavelet features and random decision forest | |
| Hasan et al. | Fingerprint image enhancement and recognition algorithms: a survey | |
| KR101836096B1 (ko) | 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 | |
| Yuen et al. | A hybrid model using genetic algorithm and neural network for classifying garment defects | |
| Wei et al. | Real-time implementation of fabric defect detection based on variational automatic encoder with structure similarity | |
| Cheng et al. | Fabric defect detection based on separate convolutional UNet | |
| CN116740384B (zh) | 洗地机的智能控制方法及系统 | |
| Mo et al. | Weighted double-low-rank decomposition with application to fabric defect detection | |
| Gao et al. | A novel VBM framework of fiber recognition based on image segmentation and DCNN | |
| Hanbay et al. | Real-time detection of knitting fabric defects using shearlet transform | |
| Zhou et al. | Fabric defect detection and classifier via multi-scale dictionary learning and an adaptive differential evolution optimized regularization extreme learning machine | |
| Du et al. | Learning associative representation for facial expression recognition | |
| Elemmi et al. | Defective and nondefective classif ication of fabric images using shallow and deep networks | |
| CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
| An et al. | Fabric defect detection using deep learning: An Improved Faster R-approach | |
| Anami et al. | Comparative analysis of SVM and ANN classifiers for defective and non-defective fabric images classification | |
| Basar et al. | A novel defocused image segmentation method based on PCNN and LBP | |
| KR20210067606A (ko) | 특징 생성 기술을 이용한 머신러닝 기반 결함 분류 장치 및 방법 | |
| Chandra et al. | Neural network trained morphological processing for the detection of defects in woven fabric | |
| Liu et al. | A dual-branch balance saliency model based on discriminative feature for fabric defect detection | |
| Zhang et al. | A review of woven fabric pattern recognition based on image processing technology | |
| CN116657348B (zh) | 真丝前处理方法及其系统 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |