CN117273554B - 一种基于数据识别的纺织品生产质量预测方法 - Google Patents
一种基于数据识别的纺织品生产质量预测方法 Download PDFInfo
- Publication number
- CN117273554B CN117273554B CN202311574158.5A CN202311574158A CN117273554B CN 117273554 B CN117273554 B CN 117273554B CN 202311574158 A CN202311574158 A CN 202311574158A CN 117273554 B CN117273554 B CN 117273554B
- Authority
- CN
- China
- Prior art keywords
- data
- textile
- quality
- raw material
- sample
- 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
- 239000004753 textile Substances 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 239000002994 raw material Substances 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 239000000463 material Substances 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 239000000835 fiber Substances 0.000 claims description 69
- 238000012360 testing method Methods 0.000 claims description 24
- 229920000742 Cotton Polymers 0.000 claims description 11
- 210000002268 wool Anatomy 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 10
- 230000000704 physical effect Effects 0.000 claims description 10
- 244000025254 Cannabis sativa Species 0.000 claims description 9
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 claims description 9
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 claims description 9
- 235000009120 camo Nutrition 0.000 claims description 9
- 235000005607 chanvre indien Nutrition 0.000 claims description 9
- 239000011487 hemp Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000004043 dyeing Methods 0.000 claims description 5
- 238000011496 digital image analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000009864 tensile test Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000009987 spinning Methods 0.000 claims description 3
- 230000000844 anti-bacterial effect Effects 0.000 claims description 2
- 238000005452 bending Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000000845 anti-microbial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及纺织技术领域,且公开了一种基于数据识别的纺织品生产质量预测方法,方法步骤如下:S1:采集与纺织品质量相关的数据,包括:纺织材料、生产工艺参数和纺织机械传感器数据;S2:对S1中采集到的数据进行清洗和预处理,包括:处理缺失值:填充和删除缺失数据;处理异常值:识别并处理异常数据点;特征工程:根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据;S3:建立用于纺织品生产质量的预测模型:包括采用决策树模型,对S2中创建新的特征数据进行模型训练,导入原材料特征数据,得出纺织品质量预测结果;S4:针对S2中不在A、B、C以及Ⅰ、Ⅱ、Ⅲ类的原材料,采用异常检测算法来识别和处理异常原材料。
Description
技术领域
本发明涉及纺织品质量预测技术领域,具体为一种基于数据识别的纺织品生产质量预测方法。
背景技术
基于数据识别的纺织品生产质量预测方法是一种利用数据分析、机器学习和统计方法来预测纺织品生产质量的技术。这种方法通过收集和分析与生产过程和产品质量相关的数据,以提前识别潜在的质量问题,从而采取适当的措施来改进质量和生产效率。
现代纺织品生产通常使用各种传感器来监测生产过程中的关键参数,如温度、湿度、张力、压力等。这些传感器可以实时收集数据,用于监测和控制生产过程,以及后续的质量预测。
采集到的数据可以通过机器学习和数据分析技术进行处理。常见的方法包括回归分析、分类、聚类、时间序列分析等。这些方法可以用来识别与生产质量相关的模式和趋势。
对于纺织品的质量预测,图像处理技术也很重要。通过拍摄或扫描纺织品表面的图像,可以检测出任何缺陷或不良的区域。计算机视觉和深度学习技术可以用于自动化缺陷检测。
基于数据的纺织品生产质量预测方法通常与品质控制和过程优化相结合。这些方法不仅可以用来检测问题,还可以提供反馈以改进生产过程,减少缺陷率。
根据历史数据和实时数据,可以构建预测模型,以预测纺织品生产的质量水平。这些模型可以用来辅助决策,例如调整生产参数或提前采取措施来避免质量问题。
但是现有技术中的缺点是,对于常规产品,通常有大量的历史数据可供建模和分析,从而可以构建准确的质量预测模型。然而,对于非常规产品或定制产品,可能缺乏足够的历史数据,这会影响模型的性能和可靠性。
发明内容
本发明提供了一种基于数据识别的纺织品生产质量预测方法,用于解决上述背景技术中的问题。
本发明提供如下技术方案:一种基于数据识别的纺织品生产质量预测方法,其特征在于,包括如下步骤:
S1:采集与纺织品质量相关的数据,包括:纺织材料、生产工艺参数和纺织机械传感器数据;
其中,所述纺织材料:包括原材料的种类和质量检测等级信息;
生产工艺参数:包括记录纺织过程中温度、湿度和染色工艺数据;
纺织机械传感器数据:包括从纺织机械设备中获取张力、压力和速度传感器数据;
S2:对S1中采集到的数据进行清洗和预处理,包括:
处理缺失值:填充和删除缺失数据;
处理异常值:识别并处理异常数据点;
特征工程:根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据,常规状态下将原材料的种类分为A、B、C类,每种原材料的质量检测等级分为Ⅰ、Ⅱ、Ⅲ类;
S3:建立用于纺织品生产质量的预测模型:包括采用决策树模型,对S2中创建新的特征数据进行模型训练,使用验证数据进行模型调优,导入原材料特征数据,得出纺织品质量预测结果;
S4:针对S2中不在A、B、C以及Ⅰ、Ⅱ、Ⅲ类的原材料,采用异常检测算法来识别和处理异常原材料。
优选的,步骤S1中,质量检测等级信息包括对纺织品原料物理性能检测;
其中,物理性能信息检测包括拉伸强度测试、纤维粗细度测试和起球性能密度测试。
优选的,其中步骤S2中的特征工程结合原材料的种类分为A、B、C类,其中A类为棉、B类为麻、C类为毛:
特征选取,根据每一类原材料的物理性能数据,选取与其特性相关的特征;
其中,对于A类棉,特征工程选取与柔软度、吸水性相关的特征,具体选择纤维长度和纤维弯曲度特征;
对于B类麻,特征工程选取与耐磨性、透气性和抗菌性相关的特征,具体选择纤维强度、纤维粗细度和织物气孔率;
而对于C类毛,特征工程选取与保暖性、弹性相关的特征,如纤维直径、纤维弹性模量。
优选的,根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据,具体包括:
a:准备包含原材料种类和质量检测等级的数据集;
b:将原材料的种类和质量检测等级进行编码,使用独热编码(One-Hot Encoding)方法,将分类变量转换为数值形式;
c:进行数据标准化以确保不同特征的值位于相同的范围;
d:使用K均值聚类分析对数据进行聚类,将数据点分为K个簇,其中K为选择的簇数,将K设置为类别数量,即原材料包括A、B、C类各一,质量等级Ⅰ、Ⅱ、Ⅲ类各一,总共9个簇;
e:对每个数据点进行簇分配,确定数据点隶属哪个簇,表示每个数据点所属的原材料种类和质量检测等级簇;
f:基于簇分配,创建新的特征来表示原材料种类和质量检测等级,包括,创建两个新的二元特征,分别表示原材料的种类和质量检测等级,每个特征的取值为0或1,表示属于某一类别或不属于;
g:将新的特征数据用于后续的数据分析和建模,确定原材料种类和质量检测等级对纺织品的影响。
优选的,根据不同原材料种类和质量等级的重要性,调整特征的权重;
其中,原材料种类A、B、C和三个质量等级Ⅰ、Ⅱ、Ⅲ,每个特征的重要性进行了评估,分为高、中、低三个等级,公式:
特征权重=原始权重*原材料种类权重*质量等级权重
其中,原材料种类权重和质量等级权重根据不同的原材料种类和质量等级的重要性来设置,权重采用从0到1的实数,其中1表示最高权重,0表示最低权重;
具体的,对于A类原材料,柔软度特征在所有质量等级中很重要,那么将原始权重设置为0.8,并将A类原材料种类权重设置为1;
对于B类和C类原材料,根据其重要性分别设置不同的原材料种类权重,对于不同的质量等级,设置不同的质量等级权重。
优选的,其中S2中处理缺失值,根据数据分布和缺失值的分布采用均值、中位数或众数填充数据;如果缺失数据对分析结果影响较大,采用删除包含缺失值的特征;
处理异常值,采用Z-Score异常检测算法检测异常值,包括:测量数据点与数据集平均值的偏差,计算每个数据点的Z-Score(标准分数),设定阈值,超过阈值的数据点被视为异常。
优选的,S3中,采用决策树模型训练模型,具体包括以下步骤:
根节点:初始时,将所有采集与纺织品质量相关的数据放入根节点;
节点***:在每个节点上,选择一个特征和相应的阈值,以将当前节点的数据分成两个子集,***的选择基于不纯度度量,目标是选择能够最大程度减小不纯度的特征和阈值;
创建子节点:每个***创建两个子节点,继续进行下一轮的特征选择和***,这将形成树的分支结构,直到达到停止条件;
递归:递归地对子节点进行***,直到达到停止条件,停止条件可以包括树的深度达到预定值、节点包含的样本数量少于一定阈值;
叶子节点标记:当停止条件满足时,叶子节点中的样本被标记为一个特定的类别,即纺织品的质量等级,其中,1代表Ⅰ类,2代表Ⅱ类,3代表Ⅲ类。
优选的,特征阈值具体包括:
纤维长度
阈值:阈值设置为100毫米,当纤维长度小于100毫米的样本将进入一个子节点,而大于等于100毫米的样本将进入另一个子节点;
纤维强度
阈值:阈值设置为50牛顿,当纤维强度小于50牛顿的样本将进入一个子节点,而大于等于50牛顿的样本将进入另一个子节点;
织物气孔率
阈值:阈值设置为0.2,当织物气孔率小于0.2的样本将进入一个子节点,而大于等于0.2的样本将进入另一个子节点。
优选的,其中拉伸强度测试方法包括:
准备样品:从原材料中裁剪出标准尺寸的试样;
夹紧试样:将试样夹在拉伸试验机的夹具中;
施加拉伸力:逐渐施加拉伸力,记录载荷和试样伸长的数据;
计算结果:根据载荷和伸长的数据,计算拉伸强度、伸长率指标;
纤维粗细度测试方法包括:
备样品:从原材料中获得纤维样本,并制备适当的切片或横截面;
观察纤维:使用数字影像分析***来测量纤维的直径;
计算结果:根据测量的数据,计算出纤维的平均粗细度指标;
起球性能密度测试具体方法包括:
从要测试的纺织品中裁剪出标准尺寸的样品,夹紧样品两端;
确定光照条件,包括光源的亮度和照射时间;
设置光源均匀照射在样品的上侧面;
在样品的下表面设置用于投影的白板;
使用摄像机或图像采集设备来拍摄样品投射在白板上的阴影图像;
将拍摄到的图像导入计算机,并使用图像分析软件来分析图像中起球现象的数量和程度以及起球区域,同时分析纺织品的密度分布;
以下是分析的具体步骤:
(1)阴影差异分析:根据图像采集的像素阴影范围和深度,对阴影差异分析,超过预设阈值的像素表示存在阴影差异,表明密度不均匀性;
(2)起球部位检测:使用图像分析算法检测图像中的起球部位,通过寻找阴影中的高反差区域实现,根据起球部位的数量和程度来评估起球现象。
本发明具备以下有益效果:
1、从纺织品生产过程中收集与质量相关的数据,包括纺织材料、生产工艺参数和纺织机械传感器数据。这些数据包括纺织材料的种类和质量检测等级信息,生产工艺参数(如温度、湿度、染色工艺数据)以及纺织机械传感器数据(如张力、压力、速度)。
对采集到的数据进行清洗和预处理,包括处理缺失值、处理异常值,以及进行特征工程。特征工程根据不同原材料种类(A、B、C)和质量等级(Ⅰ、Ⅱ、Ⅲ)的特性,选择与其相关的特征进行分析和创建新的特征数据。
采用决策树模型对处理后的数据进行训练,使用验证数据进行模型调优,导入原材料特征数据,以预测纺织品的质量等级。
针对不在A、B、C以及Ⅰ、Ⅱ、Ⅲ类的原材料,采用异常检测算法来识别和处理异常原材料。
根据不同原材料种类和质量等级的重要性,调整特征的权重,以更准确地影响纺织品质量的预测。
在数据清洗和预处理步骤中,采用均值、中位数或众数填充缺失值,采用Z-Score异常检测算法检测异常值。
决策树模型的建立包括根节点的创建,节点***的选择基于不纯度度量,创建子节点直到达到停止条件,最后对叶子节点进行标记以表示纺织品的质量等级。
不同特征的阈值设置,例如纤维长度、纤维强度、织物气孔率等,以便将数据分为不同子节点。
包括拉伸强度测试、纤维粗细度测试和起球性能密度测试,用于评估纺织品原料的物理性能。该方法通过分析和处理与纺织品生产相关的数据,包括原材料、工艺参数和传感器数据,以预测纺织品的质量等级。这有助于提高对纺织品质量的预测和控制,减少次品率,从而提高了生产质量,采用决策树模型等机器学习技术,可以自动化地处理大量数据,并根据模型的预测结果进行决策。这有助于实现生产过程的自动化和智能化管理,减少了人工干预的需求。
附图说明
图1为本发明***流程示意图。
图2为本发明起球性能密度测试示意图;
图3为本发明白板阴影部位示意图。
实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例
请参阅图1-图3本申请公开了一种基于数据识别的纺织品生产质量预测方法,包括如下步骤:
S1:采集与纺织品质量相关的数据,包括:纺织材料、生产工艺参数和纺织机械传感器数据;
其中,原材料种类:棉、麻、毛,质量检测等级信息分为:Ⅰ级、Ⅱ级、Ⅲ级。
生产工艺参数数据:
温度记录:纺织过程中的平均温度(摄氏度)。
湿度记录:生产过程中的平均相对湿度(百分比)。
染色工艺数据:染色过程的参数,如染料类型、浓度等。
纺织机械传感器数据:
张力传感器数据:记录每分钟的张力变化(牛顿)。
压力传感器数据:记录每分钟的压力变化(帕斯卡)。
速度传感器数据:记录每分钟的生产速度变化(米/秒)。
S2:对S1中采集到的数据进行清洗和预处理,包括:
处理缺失值:如果湿度数据缺失,采用均值填充这些缺失值。对于其他缺失数据,由于数量较少,选择删除对应的样本。
处理异常值:在温度、湿度、张力、压力和速度数据中,使用Z-Score异常检测算法识别了异常数据点,并采用平均值进行替代。
特征工程:基于纺织品特性,采用K均值聚类分析对数据进行了分析。结果表明,将原材料分为A类(棉)、B类(丝)、C类(涤纶),并将质量检测等级分为Ⅰ类、Ⅱ类、Ⅲ类,创建新的特征数据,表示原材料的类别和质量等级。
S3:建立用于纺织品生产质量的预测模型:包括采用决策树模型,对S2中创建新的特征数据进行模型训练,使用验证数据进行模型调优,导入原材料特征数据,得出纺织品质量预测结果;
S4:针对S2中不在A、B、C以及Ⅰ、Ⅱ、Ⅲ类的原材料,采用K-means离群值异常检测算法来识别和处理异常原材料,步骤如下:
在步骤S2中已经对数据清洗和预处理,确保数据质量。对不在S2中的原材料的特征数据与之前的处理结果进行整合,以便进行异常检测。
使用异常检测算法对原材料数据进行训练,建立模型识别异常原材料。在这个阶段,使用交叉验证技术来调优模型参数,确保其在不同情境下的性能表现。
使用训练好的异常检测模型对未知的原材料数据进行预测。模型将为每个原材料数据点分配一个异常得分或概率。通过设定合适的阈值,确定哪些原材料被视为异常。
一旦识别出异常原材料,可以采取以下措施之一:
剔除异常原材料:将异常原材料从生产过程中排除,以确保产品质量。
进一步调查和处理:对于异常原材料,进一步分析其原因,并采取必要的措施来纠正问题,以防止未来类似问题的发生。
其中:交叉验证采用K折交叉验证,具体包括:
数据准备:
将采集到的数据集分为训练集和测试集。
选择K的值,即折叠的数量K值为5或10,具体根据数据量的大小来确定。
交叉验证:
将训练集分成K个相似大小的折叠。
对于每一次交叉验证迭代,选择其中一个折叠作为验证集,其余K-1个折叠作为训练集。
在每次迭代中,使用训练集来训练决策树模型,并使用验证集来评估模型性能。
性能评估:
在每次迭代中,记录模型的性能指标,如准确率、F1分数、均方误差等。
对K次迭代的性能指标进行平均,得到模型的综合性能评估。
模型调优:
在每次迭代中尝试不同的模型超参数,以确定最佳超参数配置,以提高模型性能。
最终模型训练:
在选择了最佳模型配置后,使用所有训练数据(包括验证数据)来训练最终的模型。
步骤S1中,质量检测等级信息包括对纺织品原料物理性能检测;
其中,物理性能信息检测包括拉伸强度测试、纤维粗细度测试和起球性能密度测试。
其中拉伸强度测试方法包括:
准备样品:从原材料中裁剪出标准尺寸的试样;
夹紧试样:将试样夹在拉伸试验机的夹具中;
施加拉伸力:逐渐施加拉伸力,记录载荷和试样伸长的数据;
计算结果:根据载荷和伸长的数据,计算拉伸强度、伸长率指标;
纤维粗细度测试方法包括:
备样品:从原材料中获得纤维样本,并制备适当的切片或横截面;
观察纤维:使用数字影像分析***来测量纤维的直径;
计算结果:根据测量的数据,计算出纤维的平均粗细度指标;
起球性能密度测试具体方法包括:从要测试的纺织品中裁剪出标准尺寸的样品,平铺样品;
设置光源以照射在样品的侧面;
确定光照条件,包括光源的亮度和照射时间;
使用摄像机或图像采集设备来拍摄样品侧面的图像;
将拍摄到的图像导入计算机,并使用图像分析软件来分析图像中起球现象的数量和程度以及起球区域。
其中步骤S2中的特征工程结合原材料的种类分为A、B、C类,其中A类为棉、B类为麻、C类为毛:
特征选取,根据每一类原材料的物理性能数据,选取与其特性相关的特征;
其中,A类原材料为棉
对于A类棉,棉纤维通常以柔软度和吸水性著称,选择以下特征:
纤维长度:棉纤维的平均长度(以毫米为单位),长纤维通常与柔软度相关。
纤维弯曲度:纤维在柔软度方面的弯曲性。弯曲度较小的纤维通常更柔软。
B类原材料为麻
对于B类麻,麻纤维通常以耐磨性、透气性和抗菌性著称,选择以下特征:
纤维强度:麻纤维的平均强度(以牛顿为单位)。较高的强度通常与耐磨性相关。
纤维粗细度:麻纤维的平均粗细度(以微米为单位)。较细的纤维通常与透气性相关。
织物气孔率:纺织品中气孔的百分比。较高的气孔率通常与透气性相关,同时也可以提高抗菌性。
C类原材料为毛
对于C类毛,毛纤维通常以保暖性和弹性著称,选择以下特征:
纤维直径:毛纤维的平均直径(以微米为单位)。较细的纤维通常与保暖性相关。
纤维弹性模量:毛纤维的弹性模量,即纤维的伸缩性。较高的弹性模量通常与弹性相关。
根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据,具体包括:
a:准备包含原材料种类和质量检测等级的数据集;
b:将原材料的种类和质量检测等级进行编码,使用独热编码(One-Hot Encoding)方法,将分类变量转换为数值形式;
c:进行数据标准化以确保不同特征的值位于相同的范围;
d:使用K均值聚类分析对数据进行聚类,将数据点分为K个簇,其中K为选择的簇数,将K设置为类别数量,即原材料包括A、B、C类各一,质量等级Ⅰ、Ⅱ、Ⅲ类各一,总共9个簇;
e:对每个数据点进行簇分配,确定数据点隶属哪个簇,表示每个数据点所属的原材料种类和质量检测等级簇;
f:基于簇分配,创建新的特征来表示原材料种类和质量检测等级,包括,创建两个新的二元特征,分别表示原材料的种类和质量检测等级,每个特征的取值为0或1,表示属于某一类别或不属于;
g:将新的特征数据用于后续的数据分析和建模,确定原材料种类和质量检测等级对纺织品的影响。
根据不同原材料种类和质量等级的重要性,调整特征的权重;
其中,原材料种类A、B、C和三个质量等级Ⅰ、Ⅱ、Ⅲ,每个特征的重要性进行了评估,分为高、中、低三个等级,公式:
特征权重=原始权重*原材料种类权重*质量等级权重
其中,原材料种类权重和质量等级权重根据不同的原材料种类和质量等级的重要性来设置,权重采用从0到1的实数,其中1表示最高权重,0表示最低权重;
具体的,对于A类原材料,柔软度特征在所有质量等级中很重要,那么将原始权重设置为0.8,并将A类原材料种类权重设置为1;
对于B类和C类原材料,根据其重要性分别设置不同的原材料种类权重,对于不同的质量等级,设置不同的质量等级权重。
处理缺失值
在处理缺失值时,首先要根据数据分布和缺失值的分布来选择合适的填充策略。具体方法包括:
对于数值型特征,可以选择使用均值、中位数或众数进行填充,具体选择取决于缺失值的分布和对分析结果的影响程度。
如果缺失数据对分析结果影响较大,可以考虑删除包含缺失值的特征,以确保数据的准确性。
处理异常值
在处理异常值时,可以采用Z-Score异常检测算法来识别和处理异常值。具体步骤包括:
测量每个数据点与数据集平均值的偏差,计算其Z-Score(标准分数)。
设定阈值,超过阈值的数据点被视为异常值。
S3中,采用决策树模型训练模型,具体包括以下步骤:
根节点:初始时,将所有采集与纺织品质量相关的数据放入根节点;
节点***:在每个节点上,选择一个特征和相应的阈值,以将当前节点的数据分成两个子集,***的选择基于不纯度度量,目标是选择能够最大程度减小不纯度的特征和阈值;
创建子节点:每个***创建两个子节点,继续进行下一轮的特征选择和***,这将形成树的分支结构,直到达到停止条件;
递归:递归地对子节点进行***,直到达到停止条件,停止条件可以包括树的深度达到预定值、节点包含的样本数量少于一定阈值;
叶子节点标记:当停止条件满足时,叶子节点中的样本被标记为一个特定的类别,即纺织品的质量等级,其中,1代表Ⅰ类,2代表Ⅱ类,3代表Ⅲ类。
特征阈值具体包括:
纤维长度
阈值:阈值设置为100毫米,当纤维长度小于100毫米的样本将进入一个子节点,而大于等于100毫米的样本将进入另一个子节点;
纤维强度
阈值:阈值设置为50牛顿,当纤维强度小于50牛顿的样本将进入一个子节点,而大于等于50牛顿的样本将进入另一个子节点;
织物气孔率
阈值:阈值设置为0.2,当织物气孔率小于0.2的样本将进入一个子节点,而大于等于0.2的样本将进入另一个子节点。
其中拉伸强度测试方法包括:
准备样品:从原材料中裁剪出标准尺寸的试样;
夹紧试样:将试样夹在拉伸试验机的夹具中;
施加拉伸力:逐渐施加拉伸力,记录载荷和试样伸长的数据;
计算结果:根据载荷和伸长的数据,计算拉伸强度、伸长率指标;
纤维粗细度测试方法包括:
备样品:从原材料中获得纤维样本,并制备适当的切片或横截面;
观察纤维:使用数字影像分析***来测量纤维的直径;
计算结果:根据测量的数据,计算出纤维的平均粗细度指标;
起球性能密度测试具体方法包括:
从要测试的纺织品中裁剪出标准尺寸的样品,夹紧样品两端;
确定光照条件,包括光源的亮度和照射时间;
设置光源均匀照射在样品的上侧面;
在样品的下表面设置用于投影的白板;
使用摄像机或图像采集设备来拍摄样品投射在白板上的阴影图像;
将拍摄到的图像导入计算机,并使用图像分析软件来分析图像中起球现象的数量和程度以及起球区域,同时分析纺织品的密度分布;
以下是分析的具体步骤:
阴影差异分析:根据图像采集的像素阴影范围和深度,对阴影差异分析,超过预设阈值的像素表示存在阴影差异,表明密度不均匀性;
具体的,在进行阴影差异分析之前,首先对图像预处理,包括去除图像中的噪声、增强对比度、调整亮度;
将彩色图像转换为灰度图像,灰度图像只包含亮度信息,便于用于阴影差异分析;
选择一个适当的阈值,将图像分为阴影和非阴影区域,将像素值高于阈值的区域标记为阴影,低于阈值的区域标记为非阴影;
(2)起球部位检测:使用图像分析算法检测图像中的起球部位,通过寻找阴影中的高反差区域实现,起球部位阴影更深,呈圆点状,根据起球部位的数量和程度来评估起球现象;
具体的,使用Canny边缘检测算法来检测图像中的边缘。Canny算法的步骤包括:
计算图像中每个像素点的梯度和方向。
在梯度图像中,只保留局部梯度最大的像素,将其他像素置为零。
定义两个阈值,一个较高的阈值和一个较低的阈值。根据梯度值,像素被分为强边缘、弱边缘和非边缘三类,其中,强边缘被保留,弱边缘在后续步骤中进行连接。
在Canny边缘检测之后,获得连接的边缘像素,这些像素构成了物体的轮廓。
计算检测到的轮廓的数量,每个轮廓代表一个起球部位。
测量每个轮廓的面积,评估起球部位的大小。较大的面积表示更严重的起球问题。
分析轮廓的形状特征,例如圆度,以评估起球的程度。较不规则的轮廓可能表示更严重的起球问题。
从强边缘像素开始,通过连接相邻的弱边缘像素,构建完整的边缘轮廓。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于数据识别的纺织品生产质量预测方法,其特征在于,包括如下步骤:
S1:采集与纺织品质量相关的数据,包括:纺织材料、生产工艺参数和纺织机械传感器数据;
其中,所述纺织材料:包括原材料的种类和质量检测等级信息;
生产工艺参数:包括记录纺织过程中温度、湿度和染色工艺数据;
纺织机械传感器数据:包括从纺织机械设备中获取张力、压力和速度传感器数据;
S2:对S1中采集到的数据进行清洗和预处理,包括:
处理缺失值:填充和删除缺失数据;
处理异常值:识别并处理异常数据点;
特征工程:根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据,常规状态下将原材料的种类分为A、B、C类,每种原材料的质量检测等级分为Ⅰ、Ⅱ、Ⅲ类;
S3:建立用于纺织品生产质量的预测模型:包括采用决策树模型,对S2中创建新的特征数据进行模型训练,使用验证数据进行模型调优,导入原材料特征数据,得出纺织品质量预测结果;
S4:针对S2中不在A、B、C以及Ⅰ、Ⅱ、Ⅲ类的原材料,采用异常检测算法来识别和处理异常原材料;
步骤如下:
在步骤S2中已经对数据清洗和预处理,确保数据质量,对不在S2中的原材料的特征数据与之前的处理结果进行整合,进行异常检测;
使用异常检测算法对原材料数据进行训练,建立模型识别异常原材料,在这个阶段,使用交叉验证技术来调优模型参数;
使用训练好的异常检测模型对未知的原材料数据进行预测,模型将为每个原材料数据点分配一个异常值,通过设定阈值,确定哪些原材料被视为异常;
步骤S1中,质量检测等级信息包括对纺织品原料物理性能检测;
其中,物理性能信息检测包括拉伸强度测试、纤维粗细度测试和起球性能密度测试;
起球性能密度测试具体方法包括:
从要测试的纺织品中裁剪出标准尺寸的样品,夹紧样品两端;
确定光照条件,包括光源的亮度和照射时间;
设置光源均匀照射在样品的上侧面;
在样品的下表面设置用于投影的白板;
使用摄像机或图像采集设备来拍摄样品投射在白板上的阴影图像;
将拍摄到的图像导入计算机,并使用图像分析软件来分析图像中起球现象的数量和程度以及起球区域,同时分析纺织品的密度分布;
以下是分析的具体步骤:
(1)阴影差异分析:根据图像采集的像素阴影范围和深度,对阴影差异分析,超过预设阈值的像素表示存在阴影差异,表明密度不均匀性;
(2)起球部位检测:使用图像分析算法检测图像中的起球部位,通过寻找阴影中的高反差区域实现,根据起球部位的数量和程度来评估起球现象;
其中步骤S2中的特征工程结合原材料的种类分为A、B、C类,其中A类为棉、B类为麻、C类为毛:
特征选取,根据每一类原材料的物理性能数据,选取与其特性相关的特征;
其中,对于A类棉,特征工程选取与柔软度、吸水性相关的特征,具体选择纤维长度和纤维弯曲度特征;
对于B类麻,特征工程选取与耐磨性、透气性和抗菌性相关的特征,具体选择纤维强度、纤维粗细度和织物气孔率;
而对于C类毛,特征工程选取与保暖性、弹性相关的特征,如纤维直径、纤维弹性模量;
根据纺织品特性,采用K均值聚类分析对纺织品数据进行分析,创建新的特征数据,具体包括:
a:准备包含原材料种类和质量检测等级的数据集;
b:将原材料的种类和质量检测等级进行编码,使用独热编码方法,将分类变量转换为数值形式;
c:进行数据标准化以确保不同特征的值位于相同的范围;
d:使用K均值聚类分析对数据进行聚类,将数据点分为K个簇,其中K为选择的簇数,将K设置为类别数量,即原材料包括A、B、C类各一,质量等级Ⅰ、Ⅱ、Ⅲ类各一,总共9个簇;
e:对每个数据点进行簇分配,确定数据点隶属哪个簇,表示每个数据点所属的原材料种类和质量检测等级簇;
f:基于簇分配,创建新的特征来表示原材料种类和质量检测等级,包括,创建两个新的二元特征,分别表示原材料的种类和质量检测等级,每个特征的取值为0或1,表示属于某一类别或不属于;
g:将新的特征数据用于后续的数据分析和建模,确定原材料种类和质量检测等级对纺织品的影响;
根据不同原材料种类和质量等级的重要性,调整特征的权重;
其中,原材料种类A、B、C和三个质量等级Ⅰ、Ⅱ、Ⅲ,每个特征的重要性进行了评估,分为高、中、低三个等级,公式:
特征权重=原始权重*原材料种类权重*质量等级权重
其中,原材料种类权重和质量等级权重根据不同的原材料种类和质量等级的重要性来设置,权重采用从0到1的实数,其中1表示最高权重,0表示最低权重;
具体的,对于A类原材料,柔软度特征在所有质量等级中很重要,那么将原始权重设置为0.8,并将A类原材料种类权重设置为1;
对于B类和C类原材料,根据其重要性分别设置不同的原材料种类权重,对于不同的质量等级,设置不同的质量等级权重;
其中S2中处理缺失值,根据数据分布和缺失值的分布采用均值、中位数或众数填充数据或删除包含缺失值的特征;
处理异常值,采用Z-Score异常检测算法检测异常值,包括:测量数据点与数据集平均值的偏差,计算每个数据点的Z-Score,设定阈值,超过阈值的数据点被视为异常;
S3中,采用决策树模型训练模型,具体包括以下步骤:
根节点:初始时,将所有采集与纺织品质量相关的数据放入根节点;
节点***:在每个节点上,选择一个特征和相应的阈值,以将当前节点的数据分成两个子集,***的选择基于不纯度度量,目标是选择能够最大程度减小不纯度的特征和阈值;
创建子节点:每个***创建两个子节点,继续进行下一轮的特征选择和***,这将形成树的分支结构,直到达到停止条件;
递归:递归地对子节点进行***,直到达到停止条件,停止条件包括树的深度达到预定值、节点包含的样本数量少于预设阈值;
叶子节点标记:当停止条件满足时,叶子节点中的样本被标记为一个特定的类别,即纺织品的质量等级,其中,1代表Ⅰ类,2代表Ⅱ类,3代表Ⅲ类。
2.根据权利要求1所述的基于数据识别的纺织品生产质量预测方法,其特征在于,特征阈值具体包括:
纤维长度
阈值:阈值设置为100毫米,当纤维长度小于100毫米的样本将进入一个子节点,而大于等于100毫米的样本将进入另一个子节点;
纤维强度
阈值:阈值设置为50牛顿,当纤维强度小于50牛顿的样本将进入一个子节点,而大于等于50牛顿的样本将进入另一个子节点;
织物气孔率
阈值:阈值设置为0.2,当织物气孔率小于0.2的样本将进入一个子节点,而大于等于0.2的样本将进入另一个子节点。
3.根据权利要求2所述的基于数据识别的纺织品生产质量预测方法,其特征在于,其中拉伸强度测试方法包括:
准备样品:从原材料中裁剪出标准尺寸的试样;
夹紧试样:将试样夹在拉伸试验机的夹具中;
施加拉伸力:逐渐施加拉伸力,记录载荷和试样伸长的数据;
计算结果:根据载荷和伸长的数据,计算拉伸强度、伸长率指标;
纤维粗细度测试方法包括:
备样品:从原材料中获得纤维样本,并制备适当的切片或横截面;
观察纤维:使用数字影像分析***来测量纤维的直径;
计算结果:根据测量的数据,计算出纤维的平均粗细度指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311574158.5A CN117273554B (zh) | 2023-11-23 | 2023-11-23 | 一种基于数据识别的纺织品生产质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311574158.5A CN117273554B (zh) | 2023-11-23 | 2023-11-23 | 一种基于数据识别的纺织品生产质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273554A CN117273554A (zh) | 2023-12-22 |
CN117273554B true CN117273554B (zh) | 2024-04-19 |
Family
ID=89204931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311574158.5A Active CN117273554B (zh) | 2023-11-23 | 2023-11-23 | 一种基于数据识别的纺织品生产质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273554B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419706A (zh) * | 2008-12-11 | 2009-04-29 | 天津工业大学 | 基于图像分析的针织物起毛起球评级方法 |
CN105699231A (zh) * | 2016-03-10 | 2016-06-22 | 上海工程技术大学 | 织物起毛起球分析设备和织物起毛起球分析方法 |
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
CN113408963A (zh) * | 2021-07-28 | 2021-09-17 | 上海致景信息科技有限公司 | 纺织纱线的质量评级方法、装置、存储介质及处理器 |
CN114372621A (zh) * | 2021-12-28 | 2022-04-19 | 华南理工大学 | 一种熔喷布质量在线预测与溯源方法 |
CN116341758A (zh) * | 2023-04-23 | 2023-06-27 | 浙江理工大学 | 一种基于knn改进pso-bp算法的织物质量预测方法 |
CN116468160A (zh) * | 2023-04-04 | 2023-07-21 | 大连理工大学 | 基于生产大数据的铝合金压铸件质量预测方法 |
CN116467653A (zh) * | 2023-04-03 | 2023-07-21 | 浙江理工大学 | 一种基于概率分布和XGBoost决策算法的织机异常数据处理方法 |
-
2023
- 2023-11-23 CN CN202311574158.5A patent/CN117273554B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101419706A (zh) * | 2008-12-11 | 2009-04-29 | 天津工业大学 | 基于图像分析的针织物起毛起球评级方法 |
CN105699231A (zh) * | 2016-03-10 | 2016-06-22 | 上海工程技术大学 | 织物起毛起球分析设备和织物起毛起球分析方法 |
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
CN113408963A (zh) * | 2021-07-28 | 2021-09-17 | 上海致景信息科技有限公司 | 纺织纱线的质量评级方法、装置、存储介质及处理器 |
CN114372621A (zh) * | 2021-12-28 | 2022-04-19 | 华南理工大学 | 一种熔喷布质量在线预测与溯源方法 |
CN116467653A (zh) * | 2023-04-03 | 2023-07-21 | 浙江理工大学 | 一种基于概率分布和XGBoost决策算法的织机异常数据处理方法 |
CN116468160A (zh) * | 2023-04-04 | 2023-07-21 | 大连理工大学 | 基于生产大数据的铝合金压铸件质量预测方法 |
CN116341758A (zh) * | 2023-04-23 | 2023-06-27 | 浙江理工大学 | 一种基于knn改进pso-bp算法的织物质量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于KPCA-LSSVM的两阶段纺纱质量的预测模型;雷英娜;何牧泽;;价值工程(第31期);第157-160页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117273554A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN114445387A (zh) | 一种基于机器视觉的纤维板质量分类方法 | |
KR20130118822A (ko) | 자동 결함 분류에서 분류기 준비 및 유지 | |
CN108444934B (zh) | 一种复合材料脱粘缺陷的自动分割及量化方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN114878574A (zh) | 基于机器视觉的布匹缺陷检测方法、装置及*** | |
CN117218114B (zh) | 一种基于图像数据处理的网状织物缺陷快速检测方法 | |
CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及*** | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及*** | |
JP2021177380A (ja) | 紡績工場内の欠陥を検出しかつ欠陥の1つ以上の原因を推定する装置および方法 | |
CN111275705A (zh) | 智能验布方法、装置、电子设备及存储介质 | |
CN115719344A (zh) | 用于纺织布料质检的面料缺陷分析识别方法 | |
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 | |
CN116008289A (zh) | 一种非织造产品表面缺陷检测方法及*** | |
CN117273554B (zh) | 一种基于数据识别的纺织品生产质量预测方法 | |
CN111636123B (zh) | 一种智能纺纱生产线故障检测*** | |
Li et al. | A direct measurement method of yarn evenness based on machine vision | |
CN116579984A (zh) | 一种疵点自主学习的智能验布方法及*** | |
CN115311278A (zh) | 一种对于纱线检测的纱线分割方法 | |
Jmali et al. | Fabrics defects detecting using image processing and neural networks | |
JP6872829B1 (ja) | 異物発生原因推定システム及び異物発生原因推定方法 | |
CN117171670B (zh) | 一种纺织品生产过程故障监测方法、装置及*** | |
CN118229677A (zh) | 一种涡流纺纱线制备的智能优化方法及*** | |
CN113538489B (zh) | 一种非织造布纤维直径测量方法 |
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 |