[go: up one dir, main page]

CN114859022B - 一种织物品质评估方法、系统、电子设备和存储介质 - Google Patents

一种织物品质评估方法、系统、电子设备和存储介质 Download PDF

Info

Publication number
CN114859022B
CN114859022B CN202210780654.5A CN202210780654A CN114859022B CN 114859022 B CN114859022 B CN 114859022B CN 202210780654 A CN202210780654 A CN 202210780654A CN 114859022 B CN114859022 B CN 114859022B
Authority
CN
China
Prior art keywords
fabric
information
hand feeling
image
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.)
Active
Application number
CN202210780654.5A
Other languages
English (en)
Other versions
CN114859022A (zh
Inventor
惠林涛
张丽娜
赖团结
黄伟伟
张鲁燕
金夏伟
邵礼滨
柯志君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfang Technology Shaoxing Co ltd
Original Assignee
Dongfang Technology Shaoxing Co ltd
Shaoxing Keqiao District East Textile Industry Innovation Research Institute
Quanzhou Yingxiu Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dongfang Technology Shaoxing Co ltd, Shaoxing Keqiao District East Textile Industry Innovation Research Institute, Quanzhou Yingxiu Technology Development Co ltd filed Critical Dongfang Technology Shaoxing Co ltd
Priority to CN202210780654.5A priority Critical patent/CN114859022B/zh
Publication of CN114859022A publication Critical patent/CN114859022A/zh
Application granted granted Critical
Publication of CN114859022B publication Critical patent/CN114859022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/36—Textiles
    • G01N33/367—Fabric or woven textiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medicinal Chemistry (AREA)
  • Textile Engineering (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本公开涉及织物质量评价领域，具体涉及一种织物品质评估方法、系统、电子设备和存储介质，所述方法包括如下步骤：获取织物的触觉传感器获取的触感信息、与触觉传感器相对应的第一图像信息以及第二图像信息；根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分。本公开能够解决现有技术无法实现新研发和样式偏多的织物品质评估的问题，利用触感信息和图像信息获取织物在不同状态下的图像，分析出织物图像中所具有的手感和疵点信息。

Description

一种织物品质评估方法、系统、电子设备和存储介质
技术领域
本公开涉及织物质量评价领域，具体涉及一种织物品质评估方法、系统、电子设备和存储介质。
背景技术
织物的品质一般可由织物材质组成、纺织工艺以及质量决定，其品质高低主要根据内在质量和外观疵点来评估，一般认为外衣类织物应重视耐用性和外观疵点的多少，内衣类织物应用耐用性和舒适性来测试。
实际上，除了耐用性的要求，很多产品对织物等原材料的要求是需要同时满足外观疵点和舒适性的要求的，因此，对织物品质的评估也需要同时满足上述两者的评估；现有技术中，通常采用自动化的方式如图像识别来实现外观疵点的评估，而舒适性则直接根据材质或布料的厚薄来直接确定，实际上，由于生产工艺条件或者流程的不同，会导致舒适性的评估主要还是以专家认定为准。如ZL201510483814.X公开的经编织物的手感评估方法以及经编方法，测量重量和厚度中至少有一项不同的多个样本经编织物的柔软度、光滑度或刚度；以样本经编织物的重量和厚度作为样本节点的位置属性信息、以该样本经编织物的柔软度、光滑度或刚度作为样本节点的值，来建立经编织物的柔软度、光滑度或刚度的BSP树结构；以目标经编织物的重量和厚度作为目标节点的位置属性信息，并根据BSP树结构计算出目标节点的值，即得到目标经编织物的柔软度、光滑度或刚度。实际上，上述方法是先通过厚度和重量相对应的织物的柔软度、光滑度和刚度的BSP树结构，进而再根据测得的重量和厚度来评估织物的手感信息。该种方式需要采用AATCC测试方法202-2013进行测量来实现，而且由于考虑到影响织物手感的因素较多，如织物组织、幅宽、经纬向密度、经纬向缩水率、一平方米重量,染色牢度等，评估织物的主观性和随机性较多，以及同种织物生产规模和样式偏多的问题，这种评估方式并不适合大部分的生产后的织物评估，而且也无法适用到新研发出的织物品质评估中。
发明内容
本公开提供一种织物品质评估方法、系统、电子设备和存储介质，能够解决现有技术无法实现新研发和样式偏多的织物品质评估的问题，实现对织物外观疵点和织物手感的同时评估。为解决上述技术问题，本公开提供如下技术方案：
作为本公开实施例的一个方面，提供一种织物品质评估方法，包括如下步骤：
获取织物的触觉传感器获取的触感信息、与触觉传感器相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
多次执行上述步骤，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
可选地，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息之前，还包括如下步骤：
获取若干个触感信息和与所述触感信息相对应的第一图像信息；
根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；
根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息。
可选地，根据织物纹理参数和织物孔径分布参数与所述触感信息在进行模糊识别得到模糊聚类信息，具体包括如下步骤：
获取织物纹理参数和织物孔径分布参数以及触感信息；
采用K-Means 算法将上述具有多个点位的织物信息划分到对应的模糊聚类信息。
可选地，根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分，具体包括如下步骤：
根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；
如果不相匹配，则根据织物疵点大小和等级更新织物手感织物疵点级别和计数信息；
并根据更新后的织物手感、织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
可选地，所述模糊识别的步骤具体为：
获取若干组触感信息、第一图像信息和第二图像信息，根据第一图像信息和第二图像信息进行图像识别得到的织物纹理参数和织物孔径分布参数进行分组；
根据对分组中的组触感信息、织物纹理参数和织物孔径分布参数相应的织物在织物手感和织物疵点级别进行多领域专家打分；
将所述多领域专家的打分进行汇总求取平均值，得到基于多领域专家评分的关于织物手感、织物疵点级别的模糊识别模型。
作为本公开实施例的另一方面，还提供一种织物品质评估系统，包括：
织物信息获取模块，获取织物的触觉传感器获取的触感信息、与触觉传感器相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
织物信息评估模块，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
织物信息验证模块，根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
验布报告生成模块，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
可选地，所述织物信息评估模块还用于：
获取若干个触感信息和与所述触感信息相对应的第一图像信息；
根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；
根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息。
可选地，所述织物信息验证模块还用于：根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；如果不相匹配，则根据织物疵点大小和等级更新织物手感织物疵点级别和计数信息；并根据更新后的织物手感、织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
作为本公开实施例的另一方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的织物品质评估方法。
作为本公开实施例的另一方面，还一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的织物品质评估方法的步骤。
本公开的有益效果是：通过获取触感信息和被触觉传感器压力所拉伸的第一图像信息共同评估织物的手感评分和织物疵点情况，再根据织物恢复平整后获取的织物图像对织物疵点情况进行验证，同时还能根据获得的织物图像情况微调织物手感评分，本公开实施例利用触感信息和图像信息获取织物在不同状态下的图像，进而分析出织物图像中所具有的手感和疵点信息，最终准确快速的得到验布报告，提升了验布效率，上述实施例中的方法的适用性也很强。
附图说明
图1为根据本公开实施例1中的织物品质评估方法的流程图；
图2为实现织物图像和触感信息采集的装置示意图；
图3为根据织物第一图像信息和触感信息进行模糊识别的步骤流程图；
图4为建立模糊识别模型的步骤流程图；
图5为微调手感评分的获取步骤流程图；
图6为本公开实施例2中的织物品质评估系统示意框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
此外，本公开还提供了织物品质评估系统、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种织物品质评估方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
织物品质评估方法的执行主体可以是计算机或者其他能够实现织物品质评估的装置，例如，方法可以由终端设备或服务器或其它处理设备执行，其中，终端设备可以为用户设备（User Equipment，UE）、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理（Personal Digital Assistant，PDA）、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该织物品质评估方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
实施例1
本实施例提供一种织物品质评估方法，如图1所示，包括如下步骤：
S10、获取织物的触觉传感器11获取的触感信息、与触觉传感器11相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器11接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
S20、根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
S30、根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
S40、多次执行上述S10-S30步骤，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
基于上述配置本公开实施例通过获取触感信息和被触觉传感器11压力所拉伸的第一图像信息共同评估织物的手感评分和织物疵点情况，再根据织物恢复平整后获取的织物图像对织物疵点情况进行验证，同时还能根据获得的织物图像情况微调织物手感评分，本公开实施例利用触感信息和图像信息获取织物在不同状态下的图像，进而分析出织物图像中所具有的手感和疵点信息，最终准确快速的得到验布报告，提升了验布效率，上述实施例中的方法的适用性也很强。
下面分别对本公开实施例的各步骤进行详细说明。
S10、获取织物的触觉传感器11获取的触感信息、与触觉传感器11相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器11接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
其中，所述触觉传感器11可选为柔性触觉传感器，例如，采用光电式触觉传感器，由光源和光电探测器组成，当施加在接触面上的压力发生变化时，传感器敏感元件的光反射强度、波长、频率、偏振或相位发生变化，通过检测这些参数实现触觉检测。当触觉传感器11移动到织物所在平面的下方时，织物会由于触觉传感器11的压迫，反向给触觉传感器11的接触面一个压力，使得触觉传感器11中的敏感元件发生变化，进而通过对感光元件获取的图像进行分析进而得出压力的方向和大小，进而得到织物的触觉信息。
在一些实施例中，所述第一图像信息为触觉传感器11对织物进行压迫后的织物图像，主要用于识别织物图像中有无织物孔径异常或者走线异常等情况，如在织物被压迫后，如果织物中的丝线粗细出现不一致等各种情况时，通过对同一方向运行的触觉传感器11后的织物进行持续拍摄，通过对图像异常点的识别即可获得上述缺陷情况。因此，要求第一图像信息为同一批次织物中的图像信息，所述第一图像信息的获得可以根据在先的无瑕疵的织物作为参考，可以采用聚类算法如采用K-Means 算法、BIRCH或DBSCAN算法进行聚类来识别异常点，也可以采用局部离群值因素之类的算法来检测图像中的离群值，将所述离群值作为异常点。
在一些实施例中，如图2所示，为实现织物图像和触感信息采集的装置示意图，所述第一图像信息和所述第二图像信息对应有不同的图像获取模块：第一图像获取模块12和第二图像获取模块13，所述第一图像获取模块12设置在所述触觉传感器11后，优选位于所述触觉传感器11与织物接触轨迹的中轴线上；所述第二图像获取模块13位于第一图像获取模块12后，或者位于与第一图像获取模块12不同侧的另一位置，主要用于获取织物相近位置或者相同位置的平整织物表面图像。在一些实施例中，所述触觉传感器11和第一图像获取模块12和第二图像获取模块13均设置在能够沿轴滑动的滑动框架200上，用于测量不同位置的织物图像和织物触感信息。在一些实施例中，所述第二图像信息与所述第一图像信息的获取方式一致，例如，采用高清摄像头的方式拍摄获取；既可以在织物静止时拍摄获取，也可以在织物运动的过程中获取。获取织物图像和织物触感信息的设备可为计算机100如台式机、工控机、笔记本等计算设备。所述计算机100还用于控制滑动框架200的滑动进而控制检测设备处于不同的测量位置。
在一些实施例中，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息之前，如图3所示，还包括如下步骤：
S102、获取若干个触感信息和与所述触感信息相对应的第一图像信息；获取多组触感信息和第一图像信息，例如获得30组数据打包发送至计算机100；
S104、根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；其中，所述图像识别算法可为聚类识别算法，例如BIRCH和DBSCAN算法，上述算法在应用时会首先获得织物纹理参数和孔径分布参数，可采用灰度纹理特征提取方式如灰度共生矩阵来获取相应的织物纹理参数和孔径分布参数，织物纹理参数可反映织物的纹理特征以及纹理特征是否符合要求；所述孔径分布参数可反映孔径的大小以及分布的位置特征是否符合要求。
S106、根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息；而聚类识别算法还包括不同纹理特征的织物类型进行分类（分簇），例如，正常簇、劈缝簇、断经簇、经线黏连簇和浆斑簇等，在对图像进行聚类时，首先对聚类特征进行是否是正常簇的判断，如果为非正常簇，即从根节点开始从上往下寻找，与哪个簇近，就将该聚类特征分到哪个簇，这样就自发的形成多个簇的聚类识别；根据聚类识别后的织物可以对织物疵点的级别和计数信息进行更新。触感信息识别能够得到的织物类型的软硬程度，在同一压力深度也即下压距离相同的情况下，触感传感器获得的触感信息是不同的，根据触感传感器感受到的压力和摩擦力可将织物手感分类为刚硬挺括感、滑爽柔糯感、蓬松丰满感、糙涩感等不同类型，根据不同类型手感的织物类型与获得的织物纹理参数和织物孔径分布参数进行模糊聚类，进而得到不同的聚类信息，也即不同手感的织物是否存在不同纹理特征的不同分类，例如，在刚硬挺括感手感的织物中还存在劈缝簇类型的疵点。
在一些实施例中，根据织物纹理参数和织物孔径分布参数与所述触感信息在进行模糊识别得到模糊聚类信息，具体包括如下步骤：
获取织物纹理参数和织物孔径分布参数以及触感信息；在进行在线识别之前，预先获取若干组不同点位的织物纹理参数和织物孔径分布参数以及触感传感器获取的触感信息。
采用K-Means 算法将上述具有多个点位的织物信息划分到对应的模糊聚类信息。
在一些实施例中，如图4所示，所述模糊识别的步骤具体为：
S1、获取若干组触感信息、第一图像信息和第二图像信息，根据第一图像信息和第二图像信息进行图像识别得到的织物纹理参数和织物孔径分布参数进行分组；
S2、根据对分组中的触感信息、织物纹理参数和织物孔径分布参数相应的织物在织物手感和织物疵点级别进行多领域专家打分；所述多领域专家可为纺织领域、服饰领域、纤维领域和商业领域等对织物或服饰比较了解的专家；可通过多领域专家现场或者根据寄样后专家在线为织物手感和织物疵点级别进行打分；所述织物手感包括如下类型：刚硬挺括感、滑爽柔糯感、蓬松丰满感、糙涩感等不同类型；织物疵点级别可定为如下类型：无疵点、微疵点、中疵点和多疵点等类型。
S3、将所述多领域专家的打分进行汇总求取平均值，得到基于多领域专家评分的关于织物手感、织物疵点级别的模糊识别模型。例如，打分规则为：如果织物要求为硬挺类的手感，则根据符合程度打分，满分为10分，根据织物类型要求进行打分，去掉最高分和最低分取算术平均值为织物手感打分；而疵点级别预先根据疵点情况标定标准，各领域专家根据疵点情况标定标准进行打分，如果认为疵点级别为无疵点，打分为满分10分，如果认为为多疵点，评分为1分，各领域专家对疵点的打分在去掉最高分和最低分取算术平均值为该织物的织物手感、织物疵点级别。然后将若干组的织物中触感信息、织物纹理参数和织物孔径分布参数进行评分进行模糊对应，进而建立了模糊识别模型。
S20、根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
其中，在输入相应的触感信息和第一图像信息评估织物手感和织物疵点，由上述步骤S3中建立的模糊识别模型，即可得到相对应的织物手感评分和织物疵点级别，同时也可以得到疵点的准确计数信息，所述计数信息由织物疵点识别过程中的疵点计数得到。
S30、根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
其中，如图5所示，步骤S30中的微调手感评分的获取具体包括如下步骤：
S302、根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；所述疵点检测算法可采用现有的织物疵点检测算法，同时需要将疵点检测算法的检测结果与所述织物疵点级别进行对应，即织物疵点大小和等级与步骤S20中的织物疵点级别进行一一对应，由于步骤S20中的织物是经过拉伸后的，两个步骤相对应的级别所对应的图像中的疵点大小也是不同的，采用不同的疵点检测算法也能提高整体识别的鲁棒性。
S304、如果不相匹配，则根据织物疵点大小和等级更新织物疵点级别和计数信息。
S306、根据更新后的织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
在步骤S306中，在更新了疵点级别后，可以根据更新后的织物疵点级别和织物纹理参数以及获取的触感信息输入模糊识别模型中，以获取相对应的织物手感评分，进而将所述织物手感评分作为微调手感评分。
S40、多次执行上述S10-S30步骤，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
其中，所述验布报告可为1米验布报告，即1米长的织物所对应的织物品质参数，所述织物品质参数为织物手感评分以及疵点级别和疵点个数信息等。
实施例2
作为本公开实施例的另一方面，还提供一种织物品质评估系统，如图6所示，包括：
织物信息获取模块1，获取织物的触觉传感器11获取的触感信息、与触觉传感器11相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器11接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
织物信息评估模块2，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
织物信息验证模块3，根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
验布报告生成模块4，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
基于上述配置本公开实施例通过获取触感信息和被触觉传感器11压力所拉伸的第一图像信息共同评估织物的手感评分和织物疵点情况，再根据织物恢复平整后获取的织物图像对织物疵点情况进行验证，同时还能根据获得的织物图像情况微调织物手感评分，本公开实施例利用触感信息和图像信息获取织物在不同状态下的图像，进而分析出织物图像中所具有的手感和疵点信息，最终准确快速的得到验布报告，提升了验布效率，上述实施例中的方法的适用性也很强。
下面分别对本公开实施例的各个模块进行详细说明。
织物信息获取模块1，获取织物的触觉传感器11获取的触感信息、与触觉传感器11相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器11接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
其中，所述触觉传感器11可选为柔性触觉传感器，例如，采用光电式触觉传感器，由光源和光电探测器组成，当施加在接触面上的压力发生变化时，传感器敏感元件的光反射强度、波长、频率、偏振或相位发生变化，通过检测这些参数实现触觉检测。当触觉传感器11移动到织物所在平面的下方时，织物会由于触觉传感器11的压迫，反向给触觉传感器11的接触面一个压力，使得触觉传感器11中的敏感元件发生变化，进而通过对感光元件获取的图像进行分析进而得出压力的方向和大小，进而得到织物的触觉信息。
在一些实施例中，所述第一图像信息为触觉传感器11对织物进行压迫后的织物图像，主要用于识别织物图像中有无织物孔径异常或者走线异常等情况，如在织物被压迫后，如果织物中的丝线粗细出现不一致等各种情况时，通过对同一方向运行的触觉传感器11后的织物进行持续拍摄，通过对图像异常点的识别即可获得上述缺陷情况。因此，要求第一图像信息为同一批次织物中的图像信息，所述第一图像信息的获得可以根据在先的无瑕疵的织物作为参考，可以采用聚类算法如采用K-Means 算法、BIRCH或DBSCAN算法进行聚类来识别异常点，也可以采用局部离群值因素之类的算法来检测图像中的离群值，将所述离群值作为异常点。
在一些实施例中，如图2所示，所述第一图像信息和所述第二图像信息对应有不同的图像获取模块：第一图像获取模块12和第二图像获取模块13，所述第一图像获取模块12设置在所述触觉传感器11后，优选位于所述触觉传感器11与织物接触轨迹的中轴线上；所述第二图像获取模块13位于第一图像获取模块12后，或者位于与第一图像获取模块12不同侧的另一位置，主要用于获取织物相近位置或者相同位置的平整织物表面图像。在一些实施例中，所述触觉传感器11和第一图像获取模块12和第二图像获取模块13均设置在能够沿轴滑动的滑动框架200上，用于测量不同位置的织物图像和织物触感信息。在一些实施例中，所述第二图像信息与所述第一图像信息的获取方式一致，例如，采用高清摄像头的方式拍摄获取；既可以在织物静止时拍摄获取，也可以在织物运动的过程中获取。获取织物图像和织物触感信息的设备可为计算机100如台式机、工控机、笔记本等计算设备。所述计算机100还用于控制滑动框架200的滑动进而控制检测设备处于不同的测量位置。
织物信息评估模块2，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
织物信息验证模块3，根据第二图像信息验证织物疵点情况，并用于纠正织物手感织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
验布报告生成模块4，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告。
在一些实施例中，所述验布报告可由打印机打印出来或者通过网络打印机打印出PDF报告供参考。
在一些实施例中，所述织物信息评估模块还用于：
获取若干个触感信息和与所述触感信息相对应的第一图像信息；
根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；
根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息。
在一些实施例中，所述织物信息验证模块3还用于：根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；如果不相匹配，则根据织物疵点大小和等级更新织物手感织物疵点级别和计数信息；并根据更新后的织物手感、织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
实施例3
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1中的织物品质评估方法。
本公开实施例3仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备的组件可以包括但不限于：至少一个处理器、至少一个存储器、连接不同系统组件（包括存储器和处理器）的总线。
总线包括数据总线、地址总线和控制总线。
存储器可以包括易失性存储器，例如随机存取存储器（RAM）和/或高速缓存存储器，还可以进一步包括只读存储器（ROM）。
存储器还可以包括具有一组（至少一个）程序模块的程序工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器通过运行存储在存储器中的计算机程序，从而执行各种功能应用以及数据处理。
电子设备也可以与一个或多个外部设备（例如键盘、指向设备等）通信。这种通信可以通过输入/输出（I/O）接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID（磁盘阵列）系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述程序被处理器执行时实现实施例1中的织物品质评估方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本公开还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1中所述的织物品质评估方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
尽管已经示出和描述了本公开的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本公开的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本公开的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种织物品质评估方法，其特征在于，包括如下步骤：
获取织物的触觉传感器获取的触感信息、与触觉传感器相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
根据第二图像信息验证织物疵点情况，并用于纠正织物手感、织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
多次执行上述步骤，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告；
根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息之前，还包括如下步骤：
获取若干个触感信息和与所述触感信息相对应的第一图像信息；
根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；
根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息。
2.如权利要求1所述的织物品质评估方法，其特征在于，根据织物纹理参数和织物孔径分布参数与所述触感信息在进行模糊识别得到模糊聚类信息，具体包括如下步骤：
获取织物纹理参数和织物孔径分布参数以及触感信息；
采用K-Means 算法将上述具有多个点位的织物信息划分到对应的模糊聚类信息。
3.如权利要求1或2所述的织物品质评估方法，其特征在于，根据第二图像信息验证织物疵点情况，并用于纠正织物手感、织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分，具体包括如下步骤：
根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；
如果不相匹配，则根据织物疵点大小和等级更新织物疵点级别和计数信息；
并根据更新后的织物手感、织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
4.如权利要求1或2所述的织物品质评估方法，其特征在于，所述模糊识别的步骤具体为：
获取若干组触感信息、第一图像信息和第二图像信息，根据第一图像信息和第二图像信息进行图像识别得到的织物纹理参数和织物孔径分布参数进行分组；
根据对分组中的组触感信息、织物纹理参数和织物孔径分布参数相应的织物在织物手感和织物疵点级别进行多领域专家打分；
将所述多领域专家的打分进行汇总求取平均值，得到基于多领域专家评分的关于织物手感、织物疵点级别的模糊识别模型。
5.一种织物品质评估系统，其特征在于，包括：
织物信息获取模块，获取织物的触觉传感器获取的触感信息、与触觉传感器相对应的第一图像信息以及第二图像信息，所述第一图像为触觉传感器接触路径上的具有拉伸的织物图像，所述第二图像信息为平整的织物图像；
织物信息评估模块，根据所述触感信息和第一图像信息评估织物手感和织物疵点得到织物手感评分和织物疵点级别和计数信息；
织物信息验证模块，根据第二图像信息验证织物疵点情况，并用于纠正织物手感、织物疵点级别和计数信息，并微调相应的织物手感评分得到微调手感评分；
验布报告生成模块，根据获得的多个所述微调手感评分和织物手感织物疵点级别和计数信息得到验布报告；所述织物信息评估模块还用于：
获取若干个触感信息和与所述触感信息相对应的第一图像信息；
根据第一图像信息通过图像识别算法获得织物纹理参数和织物孔径分布参数；
根据织物纹理参数和织物孔径分布参数与所述触感信息进行模糊识别得到模糊聚类信息，所述模糊聚类信息包括织物手感评分和织物疵点级别和计数信息。
6.如权利要求5所述的织物品质评估系统，其特征在于，所述织物信息验证模块还用于：根据第二图像信息采用疵点检测算法获取织物疵点大小和等级，根据所述织物疵点大小和等级以判断是否与织物疵点级别相匹配；如果不相匹配，则根据织物疵点大小和等级更新织物手感织物疵点级别和计数信息；并根据更新后的织物手感、织物疵点级别和织物纹理参数以及所述触感信息进行模糊识别得到模糊聚类信息以更新微调手感评分。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的织物品质评估方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的织物品质评估方法的步骤。
CN202210780654.5A 2022-07-05 2022-07-05 一种织物品质评估方法、系统、电子设备和存储介质 Active CN114859022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780654.5A CN114859022B (zh) 2022-07-05 2022-07-05 一种织物品质评估方法、系统、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780654.5A CN114859022B (zh) 2022-07-05 2022-07-05 一种织物品质评估方法、系统、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114859022A CN114859022A (zh) 2022-08-05
CN114859022B true CN114859022B (zh) 2022-09-02

Family

ID=82626364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780654.5A Active CN114859022B (zh) 2022-07-05 2022-07-05 一种织物品质评估方法、系统、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114859022B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047070B (zh) * 2022-08-11 2022-12-20 江苏恒力化纤股份有限公司 一种基于摩擦振动信号的织物表面疵点检测方法
CN116168034B (zh) * 2023-04-25 2023-07-18 深圳思谋信息科技有限公司 编织物的缺陷检测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0742431A1 (en) * 1995-05-10 1996-11-13 Mahlo GmbH & Co. KG Method and apparatus for detecting flaws in moving fabrics or the like
CN1588058A (zh) * 2004-08-10 2005-03-02 东华大学 一种织物和纱线力学指标的组合测量装置及用途
CN109978830A (zh) * 2019-02-28 2019-07-05 西安工程大学 一种织物疵点检测方法
CN110400306A (zh) * 2019-07-29 2019-11-01 恒天嘉华非织造有限公司 基于形态学滤波和卷积神经网络的无纺布疵点检测方法
CN111337509A (zh) * 2020-04-16 2020-06-26 常州工业职业技术学院 一种纺织品织物表面瑕疵检测装置、检测系统及其检测方法
WO2021098323A1 (zh) * 2019-11-19 2021-05-27 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法
AU2021103046A4 (en) * 2021-06-03 2021-07-29 Inner Mongolia University Of Technology Intelligent detection device for fabric defects
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN114299056A (zh) * 2021-12-31 2022-04-08 中国联合网络通信集团有限公司 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0742431A1 (en) * 1995-05-10 1996-11-13 Mahlo GmbH & Co. KG Method and apparatus for detecting flaws in moving fabrics or the like
CN1588058A (zh) * 2004-08-10 2005-03-02 东华大学 一种织物和纱线力学指标的组合测量装置及用途
CN109978830A (zh) * 2019-02-28 2019-07-05 西安工程大学 一种织物疵点检测方法
CN110400306A (zh) * 2019-07-29 2019-11-01 恒天嘉华非织造有限公司 基于形态学滤波和卷积神经网络的无纺布疵点检测方法
WO2021098323A1 (zh) * 2019-11-19 2021-05-27 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法
CN111337509A (zh) * 2020-04-16 2020-06-26 常州工业职业技术学院 一种纺织品织物表面瑕疵检测装置、检测系统及其检测方法
AU2021103046A4 (en) * 2021-06-03 2021-07-29 Inner Mongolia University Of Technology Intelligent detection device for fabric defects
CN113989542A (zh) * 2021-09-27 2022-01-28 浙江大学绍兴微电子研究中心 一种基于多分辨率特征融合的纹理图像疵点分类系统及方法
CN114299056A (zh) * 2021-12-31 2022-04-08 中国联合网络通信集团有限公司 图像的瑕疵点的识别方法、瑕疵图像识别模型训练方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《织物自动检验系统的发展与应用》;马昀 等;《南通纺织职业技术学院学报（综合版）》;20040331;第4卷(第1期);第17-19页 *
A Learning-Based Approach for Automatic Defect Detection in Textile Images;Daniel Yapi 等;《IFAC-Papers OnLine》;20151231;第2423-2428页 *
Linear flaw detection in woven textiles using model-based clustering;J.G. Campbell 等;《Pattern Recognition Letters》;19971231;第18卷;第1539-1548页 *
运用模糊专家系统智能评价织物风格;吴赞敏 等;《纺织学报》;20050831;第26卷(第4期);第115-117页 *

Also Published As

Publication number Publication date
CN114859022A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114859022B (zh) 一种织物品质评估方法、系统、电子设备和存储介质
WO2019117065A1 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
CN102027488B (zh) 使用梯度直方图的指纹表示
CN103168227B (zh) 用于分配评级的方法、设备和系统
CN116758491B (zh) 应用于3d打印的打印监控图像分析方法及系统
KR101872342B1 (ko) 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치
CN109474483A (zh) 一种设备异常情况的检测方法、检测装置及终端设备
CN112036426B (zh) 利用高维传感器数据的多数表决进行无监督异常检测和责任的方法和系统
CN103221807B (zh) 快速处理和检测幅材型材料中的不均匀因素
CN115719344A (zh) 用于纺织布料质检的面料缺陷分析识别方法
US11580425B2 (en) Managing defects in a model training pipeline using synthetic data sets associated with defect types
CN114237427B (zh) 一种高灵敏度触控压力检测方法及系统
CN111767273B (zh) 基于改进som算法的数据智能检测方法及装置
TW202147250A (zh) 異常晶圓圖像分類
Margraf et al. An evolutionary learning approach to self-configuring image pipelines in the context of carbon fiber fault detection
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
Xiao et al. Recognition for woven fabric pattern based on gradient histogram
Kosarevych et al. Detection of pixels corrupted by impulse noise using random point patterns
Hesarian et al. Angle analysis of fabric wrinkle by projected profile light line method, image processing and neuro-fuzzy system
CN110458809B (zh) 一种基于亚像素边缘检测的纱线条干均匀度检测方法
CN101299242B (zh) 一种人体肤色检测中阈值的确定方法及装置
CN111767192A (zh) 基于人工智能的业务数据检测方法、装置、设备和介质
Liu et al. Evaluation of yarn evenness in fabric based on image processing
CN114387089A (zh) 客户信用风险评估方法、装置、设备及存储介质
CN114187292B (zh) 棉纺纸筒的异常检测方法、装置、设备及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240311

Address after: Room 109, Building 8, China Textile City Cross border E-commerce Industrial Park, Huashe Street, Keqiao District, Shaoxing City, Zhejiang Province, 312030

Patentee after: Dongfang Technology (Shaoxing) Co.,Ltd.

Country or region after: China

Address before: 362012 xiabazi 21, Chaoyang community, Shuangyang street, Luojiang District, Quanzhou City, Fujian Province

Patentee before: Quanzhou Yingxiu Technology Development Co.,Ltd.

Country or region before: China

Patentee before: Shaoxing Keqiao District East Textile Industry Innovation Research Institute

Patentee before: Dongfang Technology (Shaoxing) Co.,Ltd.