CN111797930B - 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 - Google Patents

一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 Download PDF

Info

Publication number
CN111797930B
CN111797930B CN202010647025.6A CN202010647025A CN111797930B CN 111797930 B CN111797930 B CN 111797930B CN 202010647025 A CN202010647025 A CN 202010647025A CN 111797930 B CN111797930 B CN 111797930B
Authority
CN
China
Prior art keywords
near infrared
infrared spectrum
sample
fabric material
identification
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
CN202010647025.6A
Other languages
English (en)
Other versions
CN111797930A (zh
Inventor
徐华
赵浩宇
刘浩
闫晓剑
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.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric 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 Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN202010647025.6A priority Critical patent/CN111797930B/zh
Publication of CN111797930A publication Critical patent/CN111797930A/zh
Application granted granted Critical
Publication of CN111797930B publication Critical patent/CN111797930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，该方法所述方法包括：S100：收集不同材质的织物样本，并标记类别；S102：完成采集不同类别样本的近红外光谱数据，保证每类样本一条及以上的近红外光谱数据；对近红外光谱数据进行预处理，构建近红外光谱样本数据库；S104：构建孪生网络，随机提取近红外光谱样本数据库中织物材质的光谱样本数据部分特征作为近红外光谱样本子集，训练得到孪生网络模型；S106：获取待识别及鉴定的织物的光谱数据，随机提取多个样本子集；S108：将步骤S106中随机提取的多个样本子集，输入步骤S104中训练好的孪生网络模型，根据输出结果来判别输入样本子集的配备程度，并通过投票来判断不同子集最后的预测结果。

Description

一种基于孪生网络的织物材质近红外光谱识别及鉴定方法
技术领域
本发明属于近红外光谱物质识别及鉴定领域，尤其是一种基于孪生网络的织物材质近红外光谱识别及鉴定方法。
背景技术
当前，智能家电已经涉及各个家电类别，除了电视外，冰箱、空调、洗衣机也都越来越多的融入智能属性。但对很多普通消费来说，产品越智能，功能越多，操作也越繁琐。智能洗衣机也面临这样的问题，控制面板越来越复杂。传统的全自动洗衣机通过洗衣机的电脑控制板上预先设定的某个程序，洗衣机为根据洗涤衣物材质等提供不同的洗涤程序选项供用户选择，洗衣服的时候选择某一个程序，洗衣机就会自动完成浸泡、洗涤、漂洗、脱水等一系列操作，洗涤完成自动停止并蜂鸣器发出响声通知晾晒。但一般用户并不完全具备准确分辨洗涤衣服材质的能力，可能给出不合适的选择，更多的时候都直接选择一种标准模式，减低了洗涤效果。公开号为CN201710047604.5“洗衣机及其基于衣物性质的洗涤控制方法和装置”，CN201910389465.3“材质识别装置、方法、洗衣机及其控制方法”等专利，采用了衣物材质识别技术及装置，自动识别洗涤衣物材质，并推荐洗涤程序，一定程度上优化了洗衣模式。但是衣物材质种类繁多，棉、丝绸、涤纶、麻等等，每类能获得样本又少，而且含量千差万别，难以做到准确的识别及鉴定。
基于上述现状，针对织物材质种类多且类型不固定，每类样本少的情况，如何提供一种快速识别及鉴定方法，仍旧是一项亟待解决的技术问题。
发明内容
本发明的目的是解决上述问题，提出一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，能够针对织物种类多，样本少，以及近红外光谱特殊的数据格式，构建快速检测识别及鉴定方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，所述方法包括：
S100：收集不同材质的织物样本，并标记类别；
S102：完成采集不同类别样本的近红外光谱数据，保证每类样本一条及以上的近红外光谱数据；对近红外光谱数据进行预处理，构建近红外光谱样本数据库；
S104：构建孪生网络，随机提取近红外光谱样本数据库中织物材质的光谱样本数据部分特征作为近红外光谱样本子集，训练得到孪生网络模型；
S106：获取待识别及鉴定的织物的光谱数据，随机提取多个样本子集；
S108：将步骤S106中随机提取的多个样本子集，输入步骤S104中训练好的孪生网络模型，根据输出结果来判别输入样本子集的配备程度，并通过投票来判断不同子集最后的预测结果。
进一步的，所述S100：收集不同材质的织物样本，并标记类别，包括：不同材质织物样本收集，收集各种材质的织物，不同含量成分的材质都可以单独归类，每种类别收集少量样本，构成织物样本库；扫描样本库中的样本，得到对应的近红外光谱数据Xi＝{xi1,xi2....xin},标记对应的样本类别Ynum，其中i为样本数量，n为近红外光谱的维度,num为样本的类别数量。
进一步的，所述S104中，所述构建孪生网络，包括织物材质的近红外光谱特征提取子网和近红外光谱特征距离计算决策子网，通过近红外光谱特征提取子网，数个高纬的近红外光谱数据映射为低纬的光谱特征向量；近红外光谱特征距离计算决策子网，使同类织物材质类别的特征光谱距离更近，反之不同类别的距离更远，通过距离计算决策子网判断近红外光谱的匹配程度。
进一步的，所述织物材质的近红外光谱特征提取子网，包括：近红外光谱数据是一维序列，特征提取子网采用两个完全一致一维卷积神经网络，特征提取子网数据就是近红外光谱的n维数据，输出m维光谱特征向量。
进一步的，所述织物材质的近红外光谱特征距离计算决策子网，包括：近红外光谱特征距离计算决策子网输入为两个一维卷积神经网络的m维光谱特征向量输出，通过距离计算决策子网，计算判断两个m维光谱特征向量的相似度。
本发明与现有技术相比具有的有益效果是：
该方法针对织物材质近红外光谱识别及鉴定，这类目标种类多且不固定，另外每类样本又少的情况。同时根据光谱数据一维序列的情况，专门设计的孪生网络的特征提取子网。该方法的特点是采用了具有强大特征提取能力的一维卷积神经网络提取织物材质近红外光谱数据特征，通过孪生网络比对两个织物材质近红外光谱数据随机特征子集相似程度，并投票判断输出结果。优点是满足小样本，多类别的近红外光谱数据的快速识别。同时采用特征子集综合投票判断，模型更具有泛化性，在原理与实施方案上有明显的独创性。
附图说明
图1是本发明的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法中织物材质近红外光谱识别及鉴定方法的孪生网络结构图；
图2是本发明的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法的流程示意图；
图3是本发明的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法的特征提取子网；
图4是本发明的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法的完整网络；
图5是本发明的基于孪生网络的织物材质近红外光谱识别及鉴定方法训练预测结果。
图6是同一织物不同位置的两条光谱图。
具体实施方式
下面结合实施例对本发明作进一步的描述，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的其他所用实施例，都属于本发明的保护范围。
实施例1:
如图1所示，用于织物材质近红外光谱识别及鉴定的孪生网络主要包括两部分组成，织物材质的近红外光谱特征提取子网和近红外光谱特征距离计算决策子网。其中织物材质的近红外光谱特征提取子网由两个完全一致的网络组成。根据输入的近红外光谱数据特征，两个网络设计为一维卷积神经网络，作用就是提取近红外光谱数据的特征。
近红外光谱特征距离计算决策子网输入为两个近红外光谱特征提取子网的输出，通过距离计算决策子网，计算判断两个特征向量的相似度。
如图2所示，基于孪生网络的织物材质近红外光谱识别及鉴定方法，包括以下步骤：
步骤一、不同材质织物样本收集，收集各种材质的织物，不同含量成分的材质都可以单独归类，每种类别收集少量样本，构成织物样本库。
步骤二、扫描样本库中的样本，得到对应的近红外光谱数据Xi＝{xi1,xi2....xin},标记对应的样本类别Ynum。其中i为样本数量，n为近红外光谱的维度,num为样本的类别数量。
步骤三、对近红外光谱数据预处理，构建织物材质训练近红外样本库。
步骤四、搭建孪生网络，并用织物材质的光谱数据训练近红外样本库随机特征子集对进行训练，得到织物材质近红外光谱识别孪生网络模型；
步骤五、对于分类问题，扫描待测织物样本近红外光谱数据，与训练样本库中的近红外光谱数据依次组队，并随机提取特征子集对，输入孪生网络模型，投票判断相似度最高的类别作为最终的类别输出，完成预测织物材质类别。对于鉴定问题，待鉴定织物样本近红外光谱数据与训练样本库中需鉴定类别的近红外光谱数据组对，并随机提取特征子集对，输入孪生网络模型，投票判断相似度高为鉴定为同类。
其中，所述构建并用织物材质的光谱数据训练得到孪生网络模型具体包括：
构建的孪生网络有两个重要部分组成，织物材质的近红外光谱特征提取子网和近红外光谱特征距离计算决策子网。通过特征提取子网，数百上千维的高纬近红外光谱数据映射为低纬的光谱特征向量。近红外光谱特征距离计算决策子网，使同类织物材质类别的特征光谱距离更近，反之不同类别的距离更远，简而言之就是通过距离计算决策子网判断近红外光谱的匹配程度。
织物材质的近红外光谱特征提取子网具体如下：
由于近红外光谱数据是一维序列，因此特征提取子网采用两个完全一致一维卷积神经网络(1D CNN)，特征提取子网数据就是近红外光谱的n维数据，输出m为光谱特征向量。
近红外光谱特征距离计算决策子网具体如下：
所述织物材质的近红外光谱特征距离计算决策子网，包括：近红外光谱特征距离计算决策子网输入为两个一维卷积神经网络的m维光谱特征向量输出，通过距离计算决策子网，计算判断两个m维光谱特征向量的相似度。
织物材质孪生网络训练数据为成对的织物材质近红外光谱数据。对于N个样本的织物材质光谱训练样本数据集来说，织物材质孪生网络输入有N*(N-1)对。同时我们设计了随机提取成对的织物材质近红外光谱数据的特征子集对作为最终训练数据，少量样本就可以提供充足的训练集，当每对两组光谱数据来源于同一类别时，标记为同一类别，否则为不同类别，作为孪生网络的输出。
完成孪生网络训练后，就可用于待测织物材质样本的识别及鉴定。同样随机特征子集，对于识别问题，待识别织物样本依次与训练样本库组对构成待测试样本集合，依次输入孪生网络模型，每对有多组随机特征子集，投票输出结果最小的及匹配程度最高的对应训练样本集为识别类别。对于鉴定问题，只需待鉴定样本与训练样本集对应要鉴定的类别集中样本构成待测试样本集合，每对有多组随机特征子集，投票输出结果大小为待测试样本与样本库的匹配程度。
如图3所示，为一具体实施例的近红外光谱特征提取子网，采用一维卷积神经网络，由卷积层，池化层，全连接层等组合而成。该网络结构，可以提取不同织物材质近红外光谱特征。
如图4所示，为基于孪生网络的织物材质近红外光谱识别及鉴定方法具体一实施例完整网络。两个近红外光谱特征提取子网的输出作为近红外光谱特征距离计算决策子网的输入，近红外光谱特征距离计算决策子网采用欧几里得距离。最后的输出为两个输入样本的匹配程度，距离越小，匹配程度越高。
如图5所示，为该实施例训练预测结果，对于多分类问题，可以把待验证样本依次与训练样本集中样本构成输入待验证样本对，输出最小的对应训练样本集就是待验证样本的类别归属。对于织物材质鉴定问题，只需把待鉴定样本与对应训练样本集构成输入待验证样本对，根据输出判断织物材质匹配程度。从结果看，孪生网络模型训练收敛速度很快，预测能达到很高的准确率，对比在同样样本集上，对比传统机器学习方法，在织物材质近红外光谱识别上准确率有明显的提升。
如图6是同一织物不同位置的两条光谱图，可以看到两条光谱曲线多数位置是比较相近的，这样采用随机提取子特征对作为训练及预测，并最终投票判断最终结果，可以得到更高的准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，其特征在于，所述方法包括：
S100：收集不同材质的织物样本，并标记类别；
S102：完成采集不同类别样本的近红外光谱数据，保证每类样本一条及以上的近红外光谱数据；对近红外光谱数据进行预处理，构建近红外光谱样本数据库；
S104：构建孪生网络，随机提取近红外光谱样本数据库中织物材质的光谱样本数据部分特征作为近红外光谱样本子集，训练得到孪生网络模型；
S106：获取待识别及鉴定的织物的光谱数据，随机提取多个样本子集；
S108：将步骤S106中随机提取的多个样本子集，输入步骤S104中训练好的孪生网络模型，根据输出结果来判别输入样本子集的配备程度，并通过投票来判断不同子集最后的预测结果。
2.根据权利要求1所述的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，其特征在于，所述S100：收集不同材质的织物样本，并标记类别，包括：不同材质织物样本收集，收集各种材质的织物，不同含量成分的材质都可以单独归类，每种类别收集少量样本，构成织物样本库；扫描样本库中的样本，得到对应的近红外光谱数据Xi＝{xi1,xi2....xin},标记对应的样本类别Ynum，其中i为样本数量，n为近红外光谱的维度,num为样本的类别数量。
3.根据权利要求1所述的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，其特征在于，所述S104中，所述构建孪生网络，包括织物材质的近红外光谱特征提取子网和近红外光谱特征距离计算决策子网，通过近红外光谱特征提取子网，数个高纬的近红外光谱数据映射为低纬的光谱特征向量；近红外光谱特征距离计算决策子网，使同类织物材质类别的特征光谱距离更近，反之不同类别的距离更远，通过距离计算决策子网判断近红外光谱的匹配程度。
4.根据权利要求3所述的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，其特征在于，所述织物材质的近红外光谱特征提取子网，包括：近红外光谱数据是一维序列，特征提取子网采用两个完全一致一维卷积神经网络，特征提取子网数据就是近红外光谱的n维数据，输出m维光谱特征向量。
5.根据权利要求3所述的一种基于孪生网络的织物材质近红外光谱识别及鉴定方法，其特征在于，所述织物材质的近红外光谱特征距离计算决策子网，包括：近红外光谱特征距离计算决策子网输入为两个一维卷积神经网络的m维光谱特征向量输出，通过距离计算决策子网，计算判断两个m维光谱特征向量的相似度。
CN202010647025.6A 2020-07-07 2020-07-07 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法 Active CN111797930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010647025.6A CN111797930B (zh) 2020-07-07 2020-07-07 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010647025.6A CN111797930B (zh) 2020-07-07 2020-07-07 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法

Publications (2)

Publication Number Publication Date
CN111797930A CN111797930A (zh) 2020-10-20
CN111797930B true CN111797930B (zh) 2021-12-17

Family

ID=72810134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010647025.6A Active CN111797930B (zh) 2020-07-07 2020-07-07 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法

Country Status (1)

Country Link
CN (1) CN111797930B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112831976A (zh) * 2021-01-07 2021-05-25 格力电器（武汉）有限公司 衣物材质识别及洗涤方案确定方法、洗衣机和服务器
CN112801986A (zh) * 2021-02-01 2021-05-14 深圳市创景数据科技有限责任公司 一种纺织材料匹配方法、装置、设备、存储介质及***
CN113255838A (zh) * 2021-06-29 2021-08-13 成都数之联科技有限公司 图像分类模型训练方法及***及装置及介质及分类方法
CN114119984A (zh) * 2021-09-06 2022-03-01 池明旻 基于一维卷积神经网络的纤维成分分类方法
CN114062305B (zh) * 2021-10-15 2024-01-26 中国科学院合肥物质科学研究院 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及***
CN114062307A (zh) * 2021-10-25 2022-02-18 池明旻 用于近红外织物纤维成分无损清洁分析的数据采集规范
CN115345239B (zh) * 2022-08-17 2023-10-13 无锡迅杰光远科技有限公司 样品含量识别方法、装置和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006007509A1 (de) * 2006-02-16 2007-08-30 Contitech Antriebssysteme Gmbh Keilrippenriemen mit verbessertem Geräuschverhalten
CN105224961A (zh) * 2015-11-04 2016-01-06 中国电子科技集团公司第四十一研究所 一种高识别度的红外光谱特征提取与匹配方法
CN205609936U (zh) * 2016-04-29 2016-09-28 广州市槿泓电子有限公司 网线拉直机
CN106676822A (zh) * 2017-01-22 2017-05-17 无锡小天鹅股份有限公司 洗衣机及其基于衣物性质的洗涤控制方法和装置
CN107478598A (zh) * 2017-09-01 2017-12-15 广东省智能制造研究所 一种基于一维卷积神经网络的近红外光谱分析方法
CN207672165U (zh) * 2017-12-27 2018-07-31 苏州扬昇纺织科技有限公司 一种fdy长丝的拉伸定型结构
CN108490204A (zh) * 2011-09-25 2018-09-04 赛拉诺斯知识产权有限责任公司 用于多重分析的***和方法
CN109726756A (zh) * 2018-12-25 2019-05-07 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN110222773A (zh) * 2019-06-10 2019-09-10 西北工业大学 基于不对称分解卷积网络的高光谱图像小样本分类方法
CN110438746A (zh) * 2019-05-10 2019-11-12 青岛海尔智能技术研发有限公司 材质识别装置、方法、洗衣机及其控制方法
CN110717368A (zh) * 2018-07-13 2020-01-21 北京服装学院 一种纺织品定性分类方法
CN111126563A (zh) * 2019-11-25 2020-05-08 中国科学院计算技术研究所 基于孪生网络的时空数据的目标识别方法及***
CN111247535A (zh) * 2017-10-13 2020-06-05 Sualab有限公司 基于深度的图像比较装置、方法及存储于计算机可读介质的计算机程序

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9507980B2 (en) * 2014-04-02 2016-11-29 Trimble Navigation Limited Intelligent container

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006007509A1 (de) * 2006-02-16 2007-08-30 Contitech Antriebssysteme Gmbh Keilrippenriemen mit verbessertem Geräuschverhalten
CN108490204A (zh) * 2011-09-25 2018-09-04 赛拉诺斯知识产权有限责任公司 用于多重分析的***和方法
CN105224961A (zh) * 2015-11-04 2016-01-06 中国电子科技集团公司第四十一研究所 一种高识别度的红外光谱特征提取与匹配方法
CN205609936U (zh) * 2016-04-29 2016-09-28 广州市槿泓电子有限公司 网线拉直机
CN106676822A (zh) * 2017-01-22 2017-05-17 无锡小天鹅股份有限公司 洗衣机及其基于衣物性质的洗涤控制方法和装置
CN107478598A (zh) * 2017-09-01 2017-12-15 广东省智能制造研究所 一种基于一维卷积神经网络的近红外光谱分析方法
CN111247535A (zh) * 2017-10-13 2020-06-05 Sualab有限公司 基于深度的图像比较装置、方法及存储于计算机可读介质的计算机程序
CN207672165U (zh) * 2017-12-27 2018-07-31 苏州扬昇纺织科技有限公司 一种fdy长丝的拉伸定型结构
CN110717368A (zh) * 2018-07-13 2020-01-21 北京服装学院 一种纺织品定性分类方法
CN109726756A (zh) * 2018-12-25 2019-05-07 北京旷视科技有限公司 图像处理方法、装置、电子设备及存储介质
CN110438746A (zh) * 2019-05-10 2019-11-12 青岛海尔智能技术研发有限公司 材质识别装置、方法、洗衣机及其控制方法
CN110222773A (zh) * 2019-06-10 2019-09-10 西北工业大学 基于不对称分解卷积网络的高光谱图像小样本分类方法
CN111126563A (zh) * 2019-11-25 2020-05-08 中国科学院计算技术研究所 基于孪生网络的时空数据的目标识别方法及***

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Deep Heterogeneous Network Embedding based on Siamese Neural Networks";Chen Zhang 等;《Neurocomputing》;20200507;第388卷;1-11 *
"Siamese neural networks for one-shot image recognition";Koch, Gregory 等;《ICML deep learning workshop》;20150710;第2卷;1-30 *
"基于深度学习的织物图像疵点区域定位算法研究";刘祥惠;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20180715(第2018/07期);B024-21 *
"基于深度学***衡小样本异物检测识别技术研究";余亚萍;《中国优秀硕士学位论文全文数据库 (社会科学Ⅰ辑)》;20200215(第2020/02期);G108-386 *
"绿泥石矿物近红外光谱吸收谱带的位移机理与控制机制研究";杨敏;《中国博士学位论文全文数据库 (基础科学辑)》;20200115(第2020/01期);A011-8 *
"颜料和丝织品类文物材料光致变色的分子光谱评价研究";武敬青;《中国优秀硕士学位论文全文数据库 (哲学与人文科学辑)》;20120615(第2012/06期);F097-2 *
B. Bäuml 等."Deep n-Shot Transfer Learning for Tactile Material Classification with a Flexible Pressure-Sensitive Skin".《IEEE》.2019,4262-4268. *

Also Published As

Publication number Publication date
CN111797930A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797930B (zh) 一种基于孪生网络的织物材质近红外光谱识别及鉴定方法
CN108914489B (zh) 洗衣机的控制方法、装置、洗衣机及存储介质
Wu et al. Robust latent factor analysis for precise representation of high-dimensional and sparse data
Inoue et al. Multi-label fashion image classification with minimal human supervision
Dong et al. Non-intrusive signature extraction for major residential loads
CN103714077B (zh) 物体检索的方法、检索校验的方法及装置
CN103902591B (zh) 构建决策树分类器的方法及装置
US11048976B2 (en) Method and system for controlling machines based on object recognition
CN107682109B (zh) 一种适用于无人机通信***的干扰信号分类识别方法
CN109886284B (zh) 基于层次化聚类的欺诈检测方法及***
CN110210567A (zh) 一种基于卷积神经网络的服装图像分类与检索方法及***
CN105653171A (zh) 基于指纹识别的终端控制方法、终端控制装置及终端
Bilski et al. Generalized algorithm for the non-intrusive identification of electrical appliances in the household
CN108628721A (zh) 用户数据值的异常检测方法、装置、存储介质及电子装置
CN104424944B (zh) 一种信息处理方法及电子设备
CN115151952A (zh) 一种变电设备高精度识别方法及***
CN115346082A (zh) 图像的生成方法、装置、存储介质及电子装置
CN106407281B (zh) 图像检索方法及装置
Yuan et al. A novel current signal feature and its application in noninvasive load monitoring
CN111191659B (zh) 服装生产***多形状衣架识别方法
Ho et al. Evaluation of attribute selection measures in decision tree induction
Gay et al. Should we reload time series classification performance evaluation?(a position paper)
Bianchi et al. An interpretable graph-based image classifier
CN110004640B (zh) 一种洗衣机的衣物处理方法
CN109840336B (zh) 服装设计样本推荐方法和装置

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