一种基于鳞片图文特征的织物羊绒含量检测系统及方法

摘要

本发明的一个技术方案是提供了一种基于鳞片图文特征的织物羊绒含量检测系统，其特征在于，包括：信息采集系统；计算机图像及信息处理模块；专家识别系统及智能预测预报系统，在分析织物表面羊绒含量和织物含量的关系基础上，通过灰色预测模型和人工神经网络模型分别预测预报织物羊绒含量，两者互为验证。本发明的另一个技术方案是提供了一种基于鳞片图文特征的织物羊绒含量的检测方法。本发明通过无损的方法，结合智能专家系统和不同的预测模型，既解决了传统检测方法前期准备时间长、过程复杂、效率低的不足，同时也大大提高了检测的准确性。

主权项

一种基于鳞片图文特征的织物羊绒含量的检测方法，其特征在于，步骤为：第一步、将制备的羊绒织物或市售的羊绒衫平放于载物台(4)上，由计算机图像及信息处理模块(2)控制三维扫描仪通过高清摄像头获取羊绒织物或羊绒衫的表面图像，同时，由纤维光泽仪对同一部位的纤维光泽度进行测量获得纤维光泽度数字量；第二步、计算机图像及信息处理模块(2)对获得的表面图像进行处理，得到纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积；第三步、将纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积以及纤维光泽度数字量输入专家识别系统，由专家识别系统将这些参数与预存在专家识别系统内的相应的羊毛特征数据进行比对，并计算得到织物表面羊绒含量，其中，专家识别系统的具体实现步骤为：步骤1、依次对每个纤维区域的纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积以及纤维光泽度数字量与案例库中的预存的真实羊绒的相应数据比较，如果特征值符合案例库中的特征，则将当前纤维区域判断为羊绒区域，如若不能直接确定，则可以根据纤维细度、鳞片密度、鳞片平均长度及纤维光泽度和案例库中标本比照，寻找最高相似率按30％、30％、20％、20％加权值求和，若和羊绒相似度值大于等于80％可确定为羊绒区域，当前纤维区域在初判后若为羊绒区域，则计算当前羊绒区域的面积，对于第i个羊绒区域[a_i，b_i]，其面积f(x_i)为第i个羊绒区域的投影曲线，若特征值不符合，则进入步骤2；步骤2、利用知识库及数据仓库，知识库中主要用来存储推理规则用来通过对获取数据的推理进行判定，数据仓库中主要存储的是历次试验确定为羊绒各个特征的实际数据，对纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积进行综合评价，确认是否为羊绒区域，若是羊绒区域，则计算当前羊绒区域的面积，如否，则将当前纤维区域判定为非羊绒区域，计算当前非羊绒区域的面积，对于第j个非羊绒区域[a_j，b_j]，其面积f(x_j)为第j个非羊绒区域的投影曲线；步骤3、计算所有羊绒区域的总面积及所有非羊绒区域的总面积其中，n及m分别为羊绒区域的总数及非羊绒区域的总数，第四步、在分析织物表面羊绒含量和织物含量的关系基础上，由智能预测预报系统(3)通过灰色预测模型和人工神经网络模型分别预测预报织物羊绒含量，两者互为验证，其中：采用灰色预测模型的步骤为：重复执行第一步至第三步k次，得到k组织物表面羊绒含量作为灰色预测模型的输入从而得到对织物羊绒含量的预测预报，在本实施例中灰色预测模型采用GM(1，1)预测模型，其步骤为：原始序列(织物表面羊绒含量)X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，... ...，x⁽⁰⁾(k))，x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，... ...，x⁽⁰⁾(k)分别为k组织物表面羊绒含量；对X⁽⁰⁾进行一次累加，得X⁽¹⁾；对X⁽⁰⁾做光滑性检验，得$\rho \left(k\right)=\frac{x^{\left(0\right)}\left(k\right)}{x^{\left(1\right)}(k-1)};$检验X⁽¹⁾是否具有准指数规律，得${\sigma }^{\left(1\right)}k=\frac{x^{\left(1\right)}\left(k\right)}{x^{\left(1\right)}(k-1)}=1+\rho \left(k\right);$对X⁽¹⁾作紧邻均值生成得Z⁽¹⁾；得$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ -z^{\left(1\right)}\left(4\right)& 1\\ -z^{\left(1\right)}\left(5\right)& 1\end{array}\right],Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ x^{\left(0\right)}\left(4\right)\\ x^{\left(0\right)}\left(5\right)\end{array}\right];$对参数列$\hat{a}={[B,Y]}^T$进行最小二乘估计，得$\hat{a}={\left(B^{T}B\right)}^{-1}{B}^{T}Y;$确定模型及时间相应序列；可得X⁽¹⁾的模拟值${\hat{x}}^{\left(0\right)}(k+1)=a^{\left(1\right)}{\hat{x}}^{\left(1\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right);$还原求出X⁽⁰⁾的模拟值；检验误差，计算残差平方和；预测即可得出织物的羊绒含量；人工神经网络模型采用BP神经网络模型，该模型的输入为纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积，这里的纤维细度、鳞片密度、鳞片平均长度、鳞片边界周长和鳞片显示面积是某个纤维区域的特征值，还是所有纤维区域的特征值，网络模型传输过程为：[1]向前传输阶段：①从样本集中取一个样本P_i，Q_j，将P_i输入网络，输入P_i及输出Q_j均为训练网络用的基础数据，是实验得出的；②计算出误差测度E₁和实际输出O_i＝F_L(...(F₂(F₁(P_iW⁽¹⁾)W⁽²⁾)...)W^(L))；③对权重值W⁽¹⁾，W⁽²⁾，...W^(L)各做一次调整，重复这个循环，直到∑E_i＜ε；[2]向后传播阶段‑误差传播阶段：①计算实际输出O_p与理想输出Q_i得差，O_p为隐藏层的输出向量，Q_i为对应层的理想输出；②用输出层的误差调整输出层权矩阵；③E_i为第i組样本的误差测度，j为网络的第j层，m为网络的总层数，Q_ij与Q_ij又分别为实际结果和通过模型预测的结果；④用此误差估计输出层的直接前导层的误差，再用输出层前导层误差估计更前一层的误差，如此获得所有其他各层的误差估计；⑤并用这些估计实现对权矩阵的修改，形成将输出端表现出的误差沿着与输出信号相反的方向逐级向输出端传递的过程。