CN118583802B 一种智能验布检测方法、系统、设备及介质 （四川意龙科纺集团股份有限公司）

WO2024099026A1,2024.05.16待检测布料进行多光谱照射并采集不同光谱波获取瑕疵区域在待检测布料上的移动轨迹和变瑕疵类型，得到瑕疵检测结果并发送至管理终端。本申请能够提高布料检测的准确性和可靠2基于所述多光谱图像采集参数，对所述待检测布料进行多光谱根据预设逻辑规则和预设特征阈值对预处理后的标记所述瑕疵区域并对所述瑕疵区域进行连续拍摄，得到所述瑕疵区域基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检根据所述瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测将所述输入特征集输入至预先训练的参数配置模型中，对最佳多光获取历史样本特征集并进行预处理；所述历史样本特征集包括不将所述训练样本输入至预先构建的梯度提升树模型中基于所述验证样本对所述参数配置模型进行验证和模型参数校正设特征阈值对预处理后的多光谱图像数据进行逐像素分析在多个同质区域中提取每个像素点在各个光谱波段的光谱特征基于预设逻辑规则，分别判断每个像素点的综合3基于动态时间规整算法，根据瑕疵特征向量的时间序列比较相根据所述连续移动轨迹，提取瑕疵变化参数并基于时间序列分析4.根据权利要求1到3任一所述的一种智能验布检测方法，其将所述待检测布料上的正常区域确定为样本测试区域，得到所将预处理后的所述近红外光谱数据输入至预先构建的机器学习基于预设可降解物质数据库，根据所述化学残留分析结果评估5.根据权利要求1到3任一所述的一种智能验将所述待检测布料上的正常区域确定为样本测试区域，得到所将预处理后的光谱数据进行一阶和二阶导数处理，并基于峰值将所述化学特征峰与预设化学残留物质光谱特征库进行匹配，确定基于标准曲线法计算每个样本点的化学残留种类4基于预设可降解物质数据库，根据所述化学残留分析结果评估材料类型识别模块，用于根据所述物理特性数据和光谱响应数据，确定多光谱图像数据采集模块，用于基于所述多光谱图像时间序列图像获取模块，用于对所述瑕疵区域进行动态特性生成模块，用于基于所述时间序列图像进瑕疵检测模块，用于根据所述瑕疵区域的动态特性确定对应的瑕疵类型将所述输入特征集输入至预先训练的参数配置模型中，对最佳多光获取历史样本特征集并进行预处理；所述历史样本特征集包括不将所述训练样本输入至预先构建的梯度提升树模型中基于所述验证样本对所述参数配置模型进行验证和模型参数校正58.一种计算机可读存储介质，其特征在于：6[0013]根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分7[0028]计算每个像素点与相邻像素点在光谱特征上的差异，得到每个像素点的邻域特[0030]基于预设逻辑规则，分别判断每个像素点的综合特征向量是否超过预设特征阈8境下的最佳多光谱图像采集参数以及相应的[0047]将所述训练样本输入至预先构建的梯度提升树模型中进行初训练，优化模型参9器执行所述计算机程序以实现如第一方面所[0088]图4是本申请其中一个实施例的基于梯度提升树的参数配置模型的模型结构示意[0093]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1_8及实施市场上虽已出现了一些自动化和半自动化的验布设备，但这些设备往往存在检测精度不[0109]在一些具体的实施例中，多光谱图像采集系统应用调节后的多光谱图像采集参造过程中张力不均等形成针孔造成的瑕疵，织物损坏型瑕疵例如机械部件造成布料损伤、过程中以迭代方式逐步构建决策树序列，每棵决策树作为弱学习器，具有固定的最大深度尼不纯度或信息增益）来选择最佳分裂特征，确保每一步分裂都能最大程度地减少预测误差。初步划分为多个不同类型的同质区域，同质区域是指具有相似属性或特征的一片连续区则对该区域内像素的特征分析会侧重于寻找异学膨胀操作以扩大这些像素点的影响力域，有效连接邻近的瑕疵区域，同时利用腐蚀操作（基于密度的空间聚类应用与噪声过滤依据像素点的光谱特征相似度和空间邻近度，进树基于特征的随机子集进行生长，以减少过拟合的风险并提升模型的泛化能力。通过非破坏性的化学残留分析，识别并计算每个样本点的化学残留种类和浓度，再基于预设的可降解物质数据库评估布料的可降解性等级。该方案通过明确的逻辑规则和标准化方法同时快速提供了布料的环保性能指标，为纺织品的环保生产和消费提供了科学依据，对促进纺织行业的可持续发展具有重要意义。[0245]作为本申请实施例进一步的实施方式，在得到待检测布料对应的可降解性等级[0258]本申请实施例的智能验布检测系统能够实现上述智能验布检测方法的任一种方法，且智能验布检测系统中各个模块的具体工作过程可参考上述方法实施例中的对应过