[發明專利]基于數據識別的服裝布料浸染監測方法及人工智能系統

有效

• 申請號: 202210691022.1
• 申請日: 2022-06-18
• 公開（公告）號: CN114782562B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 魏云
• 申請（專利權）人: 南通寢尚紡織品有限公司
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06K9/62;G06N3/04;G06N3/08;G06V10/762;G06V10/74;G06V10/82
• 代理公司: 寧波海曙甬睿專利代理事務所(普通合伙) 33330
• 代理人: 胡倩

1.一種基于數據識別的服裝布料浸染監測方法，其特征在于，該方法包括以下步驟：

獲取待檢測布匹浸染后的圖像，記為待檢測布匹圖像；獲取待檢測布匹圖像的顏色標準程度，所述顏色標準程度為待檢測布匹圖像與標準顏色的布匹圖像之間的顏色相似程度；

若待檢測布匹圖像的顏色標準程度小于預設的相似度閾值，則根據預設的聚類數量范圍和k-means聚類算法對待檢測布匹圖像中的各像素點進行聚類，得到待檢測布匹圖像對應的最優數量個簇，記為目標簇；所述最優數量為聚類效果最好的簇的數量；

根據最優數量、待檢測布匹圖像中各目標簇內各像素點的灰度值，計算待檢測布匹圖像對應的染色均勻程度；

根據待檢測布匹圖像對應的染色均勻程度，得到待檢測布匹的染色質量等級；

所述根據預設的聚類數量范圍和k-means聚類算法對待檢測布匹圖像中的各像素點進行聚類，得到待檢測布匹圖像對應的最優數量個簇，記為目標簇，包括：

對聚類數量范圍進行遍歷，根據不同的聚類數量和k-means聚類算法依次對待檢測布匹圖像中的各像素點進行聚類，得到基于各聚類數量得到的各簇；

根據各聚類數量得到的各簇內的各像素點對應的坐標和對應的灰度值，計算各聚類數量對應的聚類效果指標；

選擇聚類效果指標最小的聚類數量，記為最優數量；將根據最優數量聚類得到的簇作為目標簇；

所述根據不同的聚類數量和k-means聚類算法依次對待檢測布匹圖像中的各像素點進行聚類，得到基于各聚類數量得到的各簇，包括：

對于任一聚類數量：

在待檢測布匹圖像中得到該聚類數量個初始質心；

待檢測布匹圖像中各像素點對應的坐標與灰度值，計算各像素點到各初始質心的差異距離；

根據各像素點到各初始質心的差異距離對待檢測布匹圖像中的各像素點進行聚類，得到基于該聚類數量得到的各簇；

所述計算各像素點到各初始質心的差異距離的計算公式為：

其中，為像素點到第i個初始質心的差異距離，為像素點的橫坐標，為像素點的縱坐標，為像素點的灰度值，為第i個初始質心的橫坐標，為第i個初始質心的縱坐標，為第i個初始質心的灰度值，為距離信息權重，為灰度信息權重；

所述距離信息權重的計算公式為：

其中，為調節參數；

所述灰度信息權重為1減去對應的距離信息權重。

2.根據權利要求1所述的一種基于數據識別的服裝布料浸染監測方法，其特征在于，獲取待檢測布匹圖像的顏色標準程度，包括：

構建目標網絡，所述目標網絡用于對待檢測布匹圖像的顏色標準程度進行檢測；

獲取大量樣本布匹圖像，根據標準顏色的布匹圖像對各樣本布匹圖像的顏色標準程度進行打分；

利用各樣本布匹圖像和對應的顏色標準程度對目標網絡進行訓練，得到訓練好的目標網絡；對所述目標網絡進行訓練的損失函數為交叉熵損失函數。

3.根據權利要求1所述的一種基于數據識別的服裝布料浸染監測方法，其特征在于，計算各聚類數量對應的聚類效果指標的公式為：

其中，為聚類數量對應的聚類效果指標，為聚類數量，為綜合密集程度，為簇間差異程度，為第個簇的簇內異常程度；

所述簇內異常程度的計算公式為：

其中，為第個簇的簇內異常程度，為第個簇的中心點的橫坐標，為第個簇的中心點的縱坐標，為第個簇的中心點的灰度值，n為第個簇對應的像素點的個數，為第個簇內的第i個像素點的橫坐標，為第個簇內的第i個像素點的縱坐標，為第個簇內的第i個像素點的灰度值；

所述中心點的橫坐標為簇內各像素點的橫坐標的均值，所述中心點的縱坐標為簇內各像素點的縱坐標的均值，所述中心點的灰度值為簇內各像素點的灰度值的均值；

所述簇間差異程度的計算公式為：

其中，為各簇中心點的橫坐標的平均值，為各簇中心點的縱坐標的平均值，為各簇中心點的灰度值的平均值，k為聚類數量。