CN119417889A 一种纺织品图案错位识别方法 （科大讯飞华南人工智能研究院（广州）有限公司）

后的图案，在潮湿纺织品表面添加特殊防水标度，对移动中的防水标记织物图像进行实时校2对潮湿环境下纺织品图像进行预处理，通过提取图案特征，根据预先针对提取的图案轮廓信息进行几何变换分析，计算图案各部分的若图案发现错位或变形，根据纺织品材质特性和生产工艺参数，建基于矫正后的图案，在潮湿纺织品表面添加特殊防水标记，制作不基于图案的防水标记位置，跟踪防水织物运动轨迹，根据运基于快速移动纺织品图像的矫正，对纺织品纹理进行分割，以防水标获取潮湿环境下的纺织品原始图像，针对原始图像采用暗通道先验对去雾后的图像进行自适应直方图均衡化及导向滤波处理，根据OTSU对预处理后的二值图像进行形态学操作，采用开运算去除噪声区域，根据预先训练的正常形态参考模型，对比所述SIFT特征与所述模型对所述正常图案区域进行区域生长分割，选择图案边缘梯度最大的像素点作为种子3.根据权利要求1所述的方法，其中，所述针对提取的图案轮廓信息进行几何变换分获取图案轮廓信息，采用Harris角点检测算子识别图案中的特3计算所述稳定特征点之间的欧氏距离和夹角，构建所述图对比当前图案与参考模型的几何结构描述，采用加速稳健特征算采用薄板样条插值算法对所述错位区域进行校正，选择未发生变形获取材质吸水率参数及环境湿度值，采用多层感知机神经根据所述非线性映射关系构建潮湿水分对图案影响所述时间序列预测模型采用长短期记忆网络处理湿度数据序列，预将预测得到的水分含量输入到所述多层感知机神经网络中，计算当前湿对比所述理论变形状态与实际检测到的图案错位或变形情况，计算两应用卡尔曼滤波算法进行动态估计和修正，过程噪声协方差矩阵和将所述校正后的图案几何特征与原始参考模型进行匹配，采用基于使用梯度下降法优化互信息目标函数，迭代更新变换参数直至还包括：针对不同的织物材质特性和生产工艺参数，构建潮湿水4构建织物材质特性和生产工艺参数数据库，采用全连接神经根据所述长短期记忆网络的输出得到水分含量预测序列，将所述采用尺度不变特征转换算法提取织物表面的实际图案特征点和描述采用基于互信息的非刚性配准算法将校正后的图案与标准图案根据所述几何图形信息，采用纳米级防水材料制备对所述微观防水标记，使用多光谱成像系统进行成像，通过小波变判断所述位置信息和几何特征是否与原始图案定位需求的同时最大限度保持织物手感质地采用Lucas－Washburn方程模拟标记液体在织物纤维间的扩散和渗透行为，根据织物5获取连续帧之间的防水标记图像，采用基于块匹配的运动估计采用Lucy－Richardson去卷积算法对所述防水标记图像进行去模接收纺织品图像，采用自适应直方图均衡化方法增强图像对比根据所述增强后的图像，利用Richardson－Lucy算法进行运动对校正后的图像进行双边滤波处理，所述双边滤波包括设置预定空间域采用自适应阈值分割方法处理所述滤波后的图像，得到二值化图若检测到所述二值化图像中存在防水标记，则以所述6[0005]针对提取的图案轮廓信息进行几何变换分析，计算图案7Canny边缘检测算法提取图案轮廓，利用尺度不变特征变换算法提取图案的SIFT特征描述89[0024]获取材质吸水率参数及环境湿度值，采用多层感知机神经网络建立材质吸水率、果。在构建潮湿水分对图案影响的数学模型时，采用具有3层隐藏层的多层感知机神经网[0026]针对不同的织物材质特性和生产工艺参数，构建潮湿水分对图案影响的数学模传感器阵列采集织物表面水分含量数据，所述水分含量数据作为长短期记忆网络的输入；水分含量序列输入训练好的全连接神经网络中，得到图案失真程度和方向的预测值序列，何图形，标记尺寸控制在50－100微米范围内，形状设计为不规则六边形，边长比例为1：压电喷墨技术将防水材料溶液雾化成直径为20－30微米的液滴，利用分辨率为1200dpi的压电式喷墨打印头在潮湿纺织品表面定位喷射，喷射频率设置为10kHz，形成微观防水标的增强图案定位模型，用于后续的图案识别和定位。在实际实施过程中，首先使用AutoCAD2022软件导入矫正后的图案轮廓信息，采用参数化设计方法生成微观防水标记的织品表面约21.2微米的间距。采用HeadwallHyperspecVNIR－SWIR多光谱成像系统对标记定位需求的同时最大限度保持织物手感质地的标[0033]采用Lucas－Washburn方程模拟标记液体在织物纤维间的扩散和渗透行为，根据[0034]具体来说，采用Lucas－Washburn方程模拟标记液体在织物纤维间的扩散和渗透KES－F系统测量织物的透气性和柔软性指标，通过多目标遗传算法求解帕累托最优解集，位需求和织物性能的最优标记尺寸范围。根据求得的最优标记尺寸范围和配方，利用