CN116542956B - 一种织物组分自动检测方法、***及可读存储介质 - Google Patents

一种织物组分自动检测方法、***及可读存储介质 Download PDF

Info

Publication number
CN116542956B
CN116542956B CN202310595901.9A CN202310595901A CN116542956B CN 116542956 B CN116542956 B CN 116542956B CN 202310595901 A CN202310595901 A CN 202310595901A CN 116542956 B CN116542956 B CN 116542956B
Authority
CN
China
Prior art keywords
textile
information
acquiring
production process
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.)
Active
Application number
CN202310595901.9A
Other languages
English (en)
Other versions
CN116542956A (zh
Inventor
黄灼
刘琰
黄锡雄
黄嘉治
邢雁
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.)
Gizwits Iot Technology Co ltd
Original Assignee
Gizwits Iot Technology 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 Gizwits Iot Technology Co ltd filed Critical Gizwits Iot Technology Co ltd
Priority to CN202310595901.9A priority Critical patent/CN116542956B/zh
Publication of CN116542956A publication Critical patent/CN116542956A/zh
Application granted granted Critical
Publication of CN116542956B publication Critical patent/CN116542956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种织物组分自动检测方法、***及可读存储介质，属于纺织生产检测技术领域，本发明通过引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，最后根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。本发明充分考虑了监测设备通过信息传输的合理性，使得监控设备的监控信息汇聚更加合理，能量消耗更低。最后，本发明通过在卷积层中引入线性判别分析算法以及奇异值分解算法对异常检测模型进行优化，进一步极大地降低了计算机***的计算量，而且还降低了计算机***的计算复杂度。

Description

一种织物组分自动检测方法、***及可读存储介质
技术领域
本发明涉及纺织生产检测技术领域，尤其涉及一种织物组分自动检测方法、***及可读存储介质。
背景技术
随着图像处理技术的不断发展和纺织产品质量要求的不断提高,织物图像识别在纺织工业中逐渐占据重要地位。而现如今，业内纺织物智能质检方案通常是在验布环节进行，发现时间晚无法减少实际损失。现有技术中，在布置相关监控设备时，没有考虑到监控设备的监控范围，可能存在一定的视野盲区，而且多个监控设备进行监控时往往需要一个监控信息的汇聚点来对信息进行汇聚，最后才传输到计算机监控终端，现有技术中没有充分考虑到监控设备的信息汇聚节点的能耗。最后，现有技术中，对于纺织异常的识别以及检测过程中，相应的检测算法计算复杂度过高，导致计算机***的计算量巨大，不利于生产过程中纺织物异常的快速识别以及检测。
发明内容
本发明克服了现有技术的不足，提供了一种织物组分自动检测方法、***及可读存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种织物组分自动检测方法，包括以下步骤：
获取当前纺织物的生产工艺流程数据信息，并根据当前纺织物的生产工艺流程数据信息构建监控网络；
基于监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。
进一步地，本发明的一个较佳实施例中，根据当前纺织物的生产工艺流程数据信息构建监控网络，具体包括以下步骤：
对当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
构建虚拟场景，并将子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
根据无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于无视野障碍拍摄区域设置监测节点，并根据监测节点构建监控网络。
进一步地，本发明的一个较佳实施例中，基于无视野障碍拍摄区域设置监测节点，并根据监测节点构建监控网络，具体包括以下步骤：
根据无视野障碍拍摄区域设置监测节点，并初始化无线信息汇聚节点，计算其中一个监测节点到无线信息汇聚节点的距离值，并获取传输信息时从该监测节点传输到无线信息汇聚节点的信息传输能耗值；
基于信息传输能耗值获取距离值与信息传输能耗值的相关性，并根据相关性计算出传输信息时从其余监测节点到无线信息汇聚节点的信息传输能耗值，并计算出第一总信息传输能耗值；
调整无线信息汇聚节点的位置，并根据无线信息汇聚节点的位置计算出传输信息时从每一监测节点到无线信息汇聚节点的信息能耗值，并计算出第二总信息传输能耗值；
按照此规律计算出第n总信息传输能耗值，并获取最小的总信息传输能耗值对应的无线信息汇聚节点作为无线信息汇聚节点的位置，当每增加一个监测节点时，则重新调整无线信息汇聚节点的位置，并根据无线信息汇聚节点以及监测节点构建监控网络。
进一步地，本发明的一个较佳实施例中，通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵，具体包括以下步骤：
获取当前纺织物的纺织加工工艺要求，通过对纺织物生产图像数据信息进行非纺织加工工艺要求区域进行裁剪，以获取纺织物生产图像数据的感兴趣区域；
通过对纺织物生产图像数据的感兴趣区域进行灰度化处理，获取纺织物生产图像数据的感兴趣区域的灰度化矩阵，并通过均值滤波法进行滤波处理，获取一次处理后的纺织物生产图像数据；
经过滤波处理之后，通过canny算子对一次处理后的纺织物生产图像数据进行边缘提取，以获取目标图像矩阵，并将目标图像矩阵进行输出。
进一步地，本发明的一个较佳实施例中，引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，具体包括以下步骤：
获取大量的纺织物异常样本数集，并将纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
通过对类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将特征向量标准化后，组成特征向量矩阵；
根据特征向量矩阵对纺织物异常样本数集进行转化，生成新的异常样本数据集，将新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
进一步地，本发明的一个较佳实施例中，根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示，具体包括以下步骤：
获取当前纺织物的生产工艺流程的历史纺织异常状况信息，并根据历史纺织异常状况信息构建关键词数据，基于关键词数据通过大数据进行检索，获取各纺织异常状况信息对应的运行状态信息以及相关的治理措施，存储于数据库中，并定期更新；
通过在每一子生产工艺流程中设置可视化显示设备，判断检测结果是否为异常检测结果，若检测结果为异常检测结果，则获取检测结果的异常信息，并获取当前子生产工艺流程中各纺织设备的运行状态信息；
通过灰色关联分析法计算检测结果的异常信息与当前子生产工艺流程中各纺织设备的运行状态信息的关联程度信息，获取关联程度信息大于预设关联程度信息的纺织设备，并将纺织设备作为异常的纺织设备；
获取当前异常的纺织设备的纺织异常状况信息，并将当前异常的纺织设备的纺织异常状况信息输入数据库中匹配，获取当前异常的纺织设备的纺织异常状况信息对应的相关的治理措施，并按照预设方式显示在可视化显示设备中提供参考。
本发明第二方面提供了一种织物组分自动检测***，检测***包括存储器以及处理器，存储器中包含织物组分自动检测方法程序，织物组分自动检测方法程序被处理器执行时，实现如下步骤：
获取当前纺织物的生产工艺流程数据信息，并根据当前纺织物的生产工艺流程数据信息构建监控网络；
基于监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。
在本实施例中，根据当前纺织物的生产工艺流程数据信息构建监控网络，具体包括以下步骤：
对当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
构建虚拟场景，并将子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
根据无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于无视野障碍拍摄区域设置监测节点，并根据监测节点构建监控网络。
在本实施例中，引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，具体包括以下步骤：
获取大量的纺织物异常样本数集，并将纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
通过对类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将特征向量标准化后，组成特征向量矩阵；
根据特征向量矩阵对纺织物异常样本数集进行转化，生成新的异常样本数据集，将新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质包括织物组分自动检测方法程序，织物组分自动检测方法程序被处理器执行时，实现任一项的织物组分自动检测方法的步骤。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
本发明通过获取当前纺织物的生产工艺流程数据信息，并根据当前纺织物的生产工艺流程数据信息构建监控网络，进一步通过基于监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵，进而基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，最后根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。本方法通过充分考虑了监测网络中监测设备的布置情况，使得监测设备能够全方位对纺织过程进行监测；其次，本发明还充分考虑了监测设备通过信息传输的合理性，使得监控设备的监控信息汇聚更加合理，能量消耗更低。最后，本发明通过在卷积层中引入线性判别分析算法以及奇异值分解算法对异常检测模型进行优化，进一步极大地降低了计算机***的计算量，而且还降低了计算机***的计算复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种织物组分自动检测方法的整体方法流程图；
图2示出了一种织物组分自动检测方法的第一方法流程图；
图3示出了一种织物组分自动检测方法的第二方法流程图；
图4示出了一种织物组分自动检测***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种织物组分自动检测方法，包括以下步骤：
S102:获取当前纺织物的生产工艺流程数据信息，并根据当前纺织物的生产工艺流程数据信息构建监控网络；
S104:基于监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
S106:基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
S108:根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。
需要说明的是，本方法通过充分考虑了监测网络中监测设备的布置情况，使得监测设备能够全方位对纺织过程进行监测；其次，本发明还充分考虑了监测设备通过信息传输的合理性，使得监控设备的监控信息汇聚更加合理，能量消耗更低。最后，本发明通过在卷积层中引入线性判别分析算法以及奇异值分解算法对异常检测模型进行优化，进一步极大地降低了计算机***的计算量，而且还降低了计算机***的计算复杂度。
如图2所示，进一步地，本发明的一个较佳实施例中，在步骤S102中，具体包括以下步骤：
S202:对当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
示例性的，工艺设备的外形尺寸信息包括生产设备的各零件的外形尺寸信息，如电机的外形尺寸、带轮的外形尺寸等数据。
S204:获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
示例性的，在该步骤中，通过三维建模软件(如SolidWorks、UG、Maya等软件)来根据外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图。而每个纺织设备均应有一个纺织加工的区域，该区域即为待监控区域的区域面积信息。
S206:构建虚拟场景，并将子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
示例性的，在本实施例中，通过AR或者VR技术来模拟相机在虚拟场景中的拍摄情况，从而选择出无视野障碍拍摄位置点。
S208:根据无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于无视野障碍拍摄区域设置监测节点，并根据监测节点构建监控网络。
示例性的，在本步骤中，无视野障碍拍摄位置点就会组成一个无视野障碍拍摄区域，在无视野障碍拍摄区域中可以随机设置监控设备均可满足监控要求。
需要说明的是，在S202到S208的步骤中，该四个步骤通过充分考虑了监测网络中监测设备的布置情况，使得监测设备能够全方位对纺织过程进行监测。
进一步地，本发明的一个较佳实施例中，其中在步骤S208中，具体包括以下步骤：
根据无视野障碍拍摄区域设置监测节点，并初始化无线信息汇聚节点，计算其中一个监测节点到无线信息汇聚节点的距离值，并获取传输信息时从该监测节点传输到无线信息汇聚节点的信息传输能耗值；
基于信息传输能耗值获取距离值与信息传输能耗值的相关性，并根据相关性计算出传输信息时从其余监测节点到无线信息汇聚节点的信息传输能耗值，并计算出第一总信息传输能耗值；
调整无线信息汇聚节点的位置，并根据无线信息汇聚节点的位置计算出传输信息时从每一监测节点到无线信息汇聚节点的信息能耗值，并计算出第二总信息传输能耗值；
按照此规律计算出第n总信息传输能耗值，并获取最小的总信息传输能耗值对应的无线信息汇聚节点作为无线信息汇聚节点的位置，当每增加一个监测节点时，则重新调整无线信息汇聚节点的位置，并根据无线信息汇聚节点以及监测节点构建监控网络。
需要说明的是，本发明充分考虑了监测设备通过信息传输的合理性，使得监控设备的监控信息汇聚更加合理，能量消耗更低。
进一步地，本发明的一个较佳实施例中，在步骤S104中，具体包括以下步骤：
获取当前纺织物的纺织加工工艺要求，通过对纺织物生产图像数据信息进行非纺织加工工艺要求区域进行裁剪，以获取纺织物生产图像数据的感兴趣区域；
通过对纺织物生产图像数据的感兴趣区域进行灰度化处理，获取纺织物生产图像数据的感兴趣区域的灰度化矩阵，并通过均值滤波法进行滤波处理，获取一次处理后的纺织物生产图像数据；
经过滤波处理之后，通过canny算子对一次处理后的纺织物生产图像数据进行边缘提取，以获取目标图像矩阵，并将目标图像矩阵进行输出。
进一步地，本发明的一个较佳实施例中，在步骤S106中，该步骤具体包括以下步骤：
S302:获取大量的纺织物异常样本数集，并将纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
S304:通过对类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将特征向量标准化后，组成特征向量矩阵；
S306:根据特征向量矩阵对纺织物异常样本数集进行转化，生成新的异常样本数据集，将新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
S308:最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
需要说明的是，在本实施例中，特征向量矩阵满足以下关系式：
其中，HB为通过线性判别分析算法降维之后的类间散射矩阵；HW为类内散射矩阵；整体表示为协方差矩阵；V为是协方差矩阵特征值分解后得到的特征向量按列所组成的特征向量矩阵；VT表示矩阵转置之后的适应值；∑2表示/>协方差矩阵所构成的对角矩阵。
通过以上关系式，充分利用了线性判别分析算法的类内信息以及类间信息，并通过结合奇异值分解算法重新对协方差矩阵进行降解，进一步对数据进行处理，极大地降低了计算机***的计算量，而且还降低了计算机***的计算复杂度，使得纺织物的异常状况识别速度进一步提高。
需要说明的是，纺织物异常样本数集包括有瑕疵、缺陷或者不满足工艺要求等情况的纺织物产品。
进一步地，本发明的一个较佳实施例中，根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示，具体包括以下步骤：
获取当前纺织物的生产工艺流程的历史纺织异常状况信息，并根据历史纺织异常状况信息构建关键词数据，基于关键词数据通过大数据进行检索，获取各纺织异常状况信息对应的运行状态信息以及相关的治理措施，存储于数据库中，并定期更新；
通过在每一子生产工艺流程中设置可视化显示设备，判断检测结果是否为异常检测结果，若检测结果为异常检测结果，则获取检测结果的异常信息，并获取当前子生产工艺流程中各纺织设备的运行状态信息；
通过灰色关联分析法计算检测结果的异常信息与当前子生产工艺流程中各纺织设备的运行状态信息的关联程度信息，获取关联程度信息大于预设关联程度信息的纺织设备，并将纺织设备作为异常的纺织设备；
获取当前异常的纺织设备的纺织异常状况信息，并将当前异常的纺织设备的纺织异常状况信息输入数据库中匹配，获取当前异常的纺织设备的纺织异常状况信息对应的相关的治理措施，并按照预设方式显示在可视化显示设备中提供参考。
需要说明的是，对于两个***之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在***发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。当关联程度信息大于预设关联程度信息时，说明检测结果的异常信息与某一纺织设备的运行状态信息的相关性很高，说明很有可能该类设备产生异常。
此外，本方法还可以包括以下步骤：
获取纺织生产过程中异常纺织产品的历史异常特征数据信息，并统计所述历史异常特征数据信息的历史修复情况数据，根据所述历史修复情况数据计算出每一异常特征数据的修复成功率，并定期更新所述修复成功率；
获取当前纺织生产过程中异常纺织产品的异常特征数据信息，并根据当前纺织生产过程中异常纺织产品的异常特征数据信息获取每一异常纺织产品的修复成功率；
判断所述修复成功率是否大于预设修复成功率，若所述修复成功率大于预设修改成功率，则根据所述异常特征数据信息进行异常纺织产品的修复纺织设备进行分配；
若所述修复成功率不大于所述预设修改成功率，则将所述当前纺织生产过程中异常纺织产品进行报废处理。
需要说明的是，本方法充分考虑了异常特征数据信息的修复可能性，有利于异常纺织产品后处理。
其中，根据所述异常特征数据信息进行异常纺织产品的修复纺织设备进行分配，具体包括：
获取当前纺织车间中纺织设备的历史纺织精度变化数据信息，并基于深度学习构建纺织精度变化预测模型，通过历史纺织精度变化数据信息输入到所述纺织精度变化预测模型中编码学习；
通过所述纺织精度变化预测模型获取当前纺织车间中纺织设备的纺织精度数据信息，并根据所述异常特征数据信息通过大数据检索修复精度要求数据；
判断所述修复精度要求数据是否低于所述纺织精度数据信息，当所述修复精度要求数据低于所述纺织精度数据信息，则选择该修复纺织设备进行任务分配；
若所述修复精度要求数据不低于当前纺织车间中所有纺织设备的纺织精度数据信息时，则将异常纺织产品进行报废处理。
需要说明的是，通过本方法能进一步提高异常纺织产品异常修复的可能性进行判断，提高对异常纺织产品的修复成功率。
如图4所示，本发明第二方面提供了一种织物组分自动检测***4，检测***4包括存储器41以及处理器62，存储器41中包含织物组分自动检测方法程序，织物组分自动检测方法程序被处理器62执行时，实现如下步骤：
获取当前纺织物的生产工艺流程数据信息，并根据当前纺织物的生产工艺流程数据信息构建监控网络；
基于监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
根据检测结果生成相关的治理措施，并按照预设方式进行可视化显示。
在本实施例中，根据当前纺织物的生产工艺流程数据信息构建监控网络，具体包括以下步骤：
对当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
构建虚拟场景，并将子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
根据无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于无视野障碍拍摄区域设置监测节点，并根据监测节点构建监控网络。
在本实施例中，引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，具体包括以下步骤：
获取大量的纺织物异常样本数集，并将纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
通过对类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将特征向量标准化后，组成特征向量矩阵；
根据特征向量矩阵对纺织物异常样本数集进行转化，生成新的异常样本数据集，将新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质包括织物组分自动检测方法程序，织物组分自动检测方法程序被处理器执行时，实现任一项的织物组分自动检测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种织物组分自动检测方法，其特征在于，包括以下步骤：
获取当前纺织物的生产工艺流程数据信息，并根据所述当前纺织物的生产工艺流程数据信息构建监控网络；
基于所述监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对所述纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
根据所述检测结果生成相关的治理措施，并按照预设方式进行可视化显示；
其中，根据所述当前纺织物的生产工艺流程数据信息构建监控网络，具体包括以下步骤：
对所述当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据所述每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
构建虚拟场景，并将所述子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据所述区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
根据所述无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于所述无视野障碍拍摄区域设置监测节点，并根据所述监测节点构建监控网络。
2.根据权利要求1所述的一种织物组分自动检测方法，其特征在于，基于所述无视野障碍拍摄区域设置监测节点，并根据所述监测节点构建监控网络，具体包括以下步骤：
根据所述无视野障碍拍摄区域设置监测节点，并初始化无线信息汇聚节点，计算其中一个监测节点到无线信息汇聚节点的距离值，并获取传输信息时从该监测节点传输到无线信息汇聚节点的信息传输能耗值；
基于所述信息传输能耗值获取所述距离值与信息传输能耗值的相关性，并根据所述相关性计算出传输信息时从其余监测节点到无线信息汇聚节点的信息传输能耗值，并计算出第一总信息传输能耗值；
调整所述无线信息汇聚节点的位置，并根据所述无线信息汇聚节点的位置计算出传输信息时从每一监测节点到无线信息汇聚节点的信息能耗值，并计算出第二总信息传输能耗值；
按照此规律计算出第n总信息传输能耗值，并获取最小的总信息传输能耗值对应的无线信息汇聚节点作为无线信息汇聚节点的位置，当每增加一个监测节点时，则重新调整无线信息汇聚节点的位置，并根据所述无线信息汇聚节点以及监测节点构建监控网络。
3.根据权利要求1所述的一种织物组分自动检测方法，其特征在于，通过对所述纺织物生产图像数据信息进行预处理，获取目标图像矩阵，具体包括以下步骤：
获取当前纺织物的纺织加工工艺要求，通过对所述纺织物生产图像数据信息进行非纺织加工工艺要求区域进行裁剪，以获取纺织物生产图像数据的感兴趣区域；
通过对所述纺织物生产图像数据的感兴趣区域进行灰度化处理，获取纺织物生产图像数据的感兴趣区域的灰度化矩阵，并通过均值滤波法进行滤波处理，获取一次处理后的纺织物生产图像数据；
经过滤波处理之后，通过canny算子对一次处理后的纺织物生产图像数据进行边缘提取，以获取目标图像矩阵，并将所述目标图像矩阵进行输出。
4.根据权利要求1所述的一种织物组分自动检测方法，其特征在于，引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，具体包括以下步骤：
获取大量的纺织物异常样本数集，并将所述纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对所述纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
通过对所述类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对所述协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将所述特征向量标准化后，组成特征向量矩阵；
根据所述特征向量矩阵对所述纺织物异常样本数集进行转化，生成新的异常样本数据集，将所述新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据所述优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
5.根据权利要求1所述的一种织物组分自动检测方法，其特征在于，根据所述检测结果生成相关的治理措施，并按照预设方式进行可视化显示，具体包括以下步骤：
获取当前纺织物的生产工艺流程的历史纺织异常状况信息，并根据所述历史纺织异常状况信息构建关键词数据，基于所述关键词数据通过大数据进行检索，获取各纺织异常状况信息对应的运行状态信息以及相关的治理措施，存储于数据库中，并定期更新；
通过在每一子生产工艺流程中设置可视化显示设备，判断所述检测结果是否为异常检测结果，若所述检测结果为异常检测结果，则获取所述检测结果的异常信息，并获取当前子生产工艺流程中各纺织设备的运行状态信息；
通过灰色关联分析法计算所述检测结果的异常信息与所述当前子生产工艺流程中各纺织设备的运行状态信息的关联程度信息，获取所述关联程度信息大于预设关联程度信息的纺织设备，并将所述纺织设备作为异常的纺织设备；
获取当前异常的纺织设备的纺织异常状况信息，并将所述当前异常的纺织设备的纺织异常状况信息输入所述数据库中匹配，获取当前异常的纺织设备的纺织异常状况信息对应的相关的治理措施，并按照预设方式显示在所述可视化显示设备中提供参考。
6.一种织物组分自动检测***，其特征在于，所述检测***包括存储器以及处理器，所述存储器中包含织物组分自动检测方法程序，所述织物组分自动检测方法程序被所述处理器执行时，实现如下步骤：
获取当前纺织物的生产工艺流程数据信息，并根据所述当前纺织物的生产工艺流程数据信息构建监控网络；
基于所述监控网络获取各纺织生产工艺流程的纺织物生产图像数据信息，并通过对所述纺织物生产图像数据信息进行预处理，获取目标图像矩阵；
基于神经网络构建纺织异常检测模型，并引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果；
根据所述检测结果生成相关的治理措施，并按照预设方式进行可视化显示；
其中，根据所述当前纺织物的生产工艺流程数据信息构建监控网络，具体包括以下步骤：
对所述当前纺织物的生产工艺流程数据信息分为多个子生产工艺流程数据信息，并获取当前每个子生产工艺流程所在的位置信息以及每个子生产工艺流程的工艺设备的外形尺寸信息；
获取每个子生产工艺流程对应工艺设备的待监控区域的区域面积信息，根据所述每个子生产工艺流程的工艺设备的外形尺寸信息构建每个子生产工艺流程的工艺设备的三维模型图；
构建虚拟场景，并将所述子生产工艺流程的工艺设备的三维模型图输入到虚拟场景中，并根据所述区域面积信息在虚拟场景中进行拍摄点模拟分析，获取无视野障碍拍摄位置点；
根据所述无视野障碍拍摄位置点生成无视野障碍拍摄区域，并基于所述无视野障碍拍摄区域设置监测节点，并根据所述监测节点构建监控网络。
7.根据权利要求6所述的一种织物组分自动检测***，其特征在于，引入线性判别分析算法以及奇异值分解算法对纺织异常检测模型进行优化，并对优化后的纺织异常检测模型以及目标图像矩阵获取检测结果，具体包括以下步骤：
获取大量的纺织物异常样本数集，并将所述纺织物异常样本数集输入到卷积层中，引入线性判别分析算法对所述纺织物异常样本数集进行降维处理，获取类间散射矩阵以及类内散射矩阵；
通过对所述类间散射矩阵以及类内散射矩阵进行组合生成协方差矩阵，引入奇异值分解算法对所述协方差矩阵进行特征值分解，取出最大的n个特征值对应的特征向量，并将所述特征向量标准化后，组成特征向量矩阵；
根据所述特征向量矩阵对所述纺织物异常样本数集进行转化，生成新的异常样本数据集，将所述新的异常样本数据集输入到池化层以及全连接层中，通过输出向量识别；
最后通过Softmax进行分类，保存模型参数，输出优化后的纺织异常检测模型，并根据所述优化后的纺织异常检测模型以及目标图像矩阵，获取检测结果。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括织物组分自动检测方法程序，所述织物组分自动检测方法程序被处理器执行时，实现如权利要求1-5任一项所述的织物组分自动检测方法的步骤。
CN202310595901.9A 2023-05-25 2023-05-25 一种织物组分自动检测方法、***及可读存储介质 Active CN116542956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310595901.9A CN116542956B (zh) 2023-05-25 2023-05-25 一种织物组分自动检测方法、***及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310595901.9A CN116542956B (zh) 2023-05-25 2023-05-25 一种织物组分自动检测方法、***及可读存储介质

Publications (2)

Publication Number Publication Date
CN116542956A CN116542956A (zh) 2023-08-04
CN116542956B true CN116542956B (zh) 2023-11-17

Family

ID=87445224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310595901.9A Active CN116542956B (zh) 2023-05-25 2023-05-25 一种织物组分自动检测方法、***及可读存储介质

Country Status (1)

Country Link
CN (1) CN116542956B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116931534B (zh) * 2023-09-19 2023-12-01 深圳市俱进纸品包装有限公司 基于物联网的刺绣产品生产控制方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
CN111709492A (zh) * 2020-07-03 2020-09-25 大连东软教育科技集团有限公司 高维电子医疗记录表的降维可视化方法、装置及存储介质
CN112836671A (zh) * 2021-02-26 2021-05-25 西北工业大学 一种基于最大化比率和线性判别分析的数据降维方法
WO2021151276A1 (zh) * 2020-05-20 2021-08-05 平安科技（深圳）有限公司 基于oct图像的图像识别方法、装置、设备及存储介质
CN113887600A (zh) * 2021-09-26 2022-01-04 浙江理工大学 一种基于改进的lda-gsvd织物图像瑕疵分类方法及***
CN114569129A (zh) * 2022-01-20 2022-06-03 内蒙古工业大学 畜禽的情绪监控方法以及畜禽的情绪监控装置
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***、方法、装置、计算机设备和存储介质
CN115578015A (zh) * 2022-12-07 2023-01-06 华南理工大学 基于物联网的污水处理全过程监管方法、***及存储介质
CN115880466A (zh) * 2023-02-14 2023-03-31 山东省地质测绘院 基于无人机遥感的城市工程测绘方法及***
CN116091883A (zh) * 2023-04-10 2023-05-09 深圳市普雷德科技有限公司 基于多源信息融合的目标检测识别方法、***及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019161362A (ja) * 2018-03-09 2019-09-19 京セラドキュメントソリューションズ株式会社 監視システム
CN111599001B (zh) * 2020-05-14 2023-03-14 星际（重庆）智能装备技术研究院有限公司 基于图像三维重建技术的无人机导航地图构建***及方法
KR20220014086A (ko) * 2020-07-28 2022-02-04 한국전자통신연구원 지능화된 인프라 운용 관리 방법 및 장치

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709511A (zh) * 2016-12-08 2017-05-24 华中师范大学 基于深度学习的城市轨道交通全景监控视频故障检测方法
WO2021151276A1 (zh) * 2020-05-20 2021-08-05 平安科技（深圳）有限公司 基于oct图像的图像识别方法、装置、设备及存储介质
CN111709492A (zh) * 2020-07-03 2020-09-25 大连东软教育科技集团有限公司 高维电子医疗记录表的降维可视化方法、装置及存储介质
CN112836671A (zh) * 2021-02-26 2021-05-25 西北工业大学 一种基于最大化比率和线性判别分析的数据降维方法
WO2022178978A1 (zh) * 2021-02-26 2022-09-01 西北工业大学 一种基于最大化比率和线性判别分析的数据降维方法
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***、方法、装置、计算机设备和存储介质
CN113887600A (zh) * 2021-09-26 2022-01-04 浙江理工大学 一种基于改进的lda-gsvd织物图像瑕疵分类方法及***
CN114569129A (zh) * 2022-01-20 2022-06-03 内蒙古工业大学 畜禽的情绪监控方法以及畜禽的情绪监控装置
CN115578015A (zh) * 2022-12-07 2023-01-06 华南理工大学 基于物联网的污水处理全过程监管方法、***及存储介质
CN115880466A (zh) * 2023-02-14 2023-03-31 山东省地质测绘院 基于无人机遥感的城市工程测绘方法及***
CN116091883A (zh) * 2023-04-10 2023-05-09 深圳市普雷德科技有限公司 基于多源信息融合的目标检测识别方法、***及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
矩阵奇异值分解及其在高维数据处理中的应用;尹芳黎;杨雁莹;王传栋;王士鹏;;数学的实践与认识(15);173-179 *
钱叶魁 ; 陈鸣 ; .基于奇异值分解更新的多元在线异常检测方法.电子与信息学报.2010,(10),122-127. *

Also Published As

Publication number Publication date
CN116542956A (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN104778481B (zh) 一种大规模人脸模式分析样本库的构建方法和装置
CN110110707A (zh) 人工智能cnn、lstm神经网络动态识别***
CN116542956B (zh) 一种织物组分自动检测方法、***及可读存储介质
CN111127631A (zh) 基于单图像的三维形状和纹理重建方法、***及存储介质
CN112367400B (zh) 一种边云协同的电力物联网智能巡检方法及***
CN113537180B (zh) 树障的识别方法、装置、计算机设备和存储介质
CN111723749A (zh) 一种安全帽佩戴识别方法、***及设备
CN117156442B (zh) 基于5g网络的云数据安全保护方法及***
CN114998830A (zh) 一种变电站人员安全帽佩戴检测方法及***
CN115856756A (zh) 一种电能计量箱故障评估方法
CN117095247B (zh) 基于数控加工的加工姿态运行优化方法、***及介质
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及***
CN116204846B (zh) 一种基于可见图的配电网传感器数据异常快速定位方法
CN116912774A (zh) 一种基于边缘计算的输变电设备红外图像目标识别方法、电子装置及存储介质
CN111158338A (zh) 一种基于主成分分析的化工风险监测方法
CN115310704A (zh) 一种基于***安全模型的多维度消防安全评估预警***
CN111429436B (zh) 一种基于多尺度注意力和标签损失的本质图像分析方法
CN112580442A (zh) 一种基于多维金字塔层次模型的行为识别方法
CN117152422B (zh) 一种紫外图像无锚框目标检测方法及存储介质、电子设备
CN117475431B (zh) 一种基于数字孪生技术的食品***方法及***
CN112464897B (zh) 一种电力作业人员甄别方法和装置
CN117830941A (zh) 电力风险识别方法、装置、计算机设备和存储介质
Zheng et al. Object detection based on sparse representation model for power safety supervision
CN117726322A (zh) 一种探头测试设备智能管理方法及***
CN116070915A (zh) 一种基于安防大脑的校园安全防控***

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