Ein Verfahren zur objektiven Bewertung des Flachheitsgrads des Gewebes mit den folgenden Schritten:
a. Verwenden desselben Bilderfassungsgeräts bei Staubbeleuchtung zum Sammeln verschiedener Graustufenbilder, die Stoffvorlagen und Stoffmustern entsprechen;
b. Verwenden des Bildverarbeitungssystems zum Umwandeln des gesammelten Graustufenbilds in ein zweidimensionales digitales Bild;
c. Rekonstruieren des dreidimensionalen Stoffschablonenbildes bzw. des Stoffmusterbildes entsprechend dem zweidimensionalen digitalen Bild;
d. Die charakteristischen Parameter des dreidimensionalen Bildes der Stoffvorlage und des dreidimensionalen Bildes der Stoffprobe getrennt extrahieren;
e. Verwenden Sie die Mustererkennungsmethode, um die Ebenheit des Gewebes anhand der charakteristischen Parameter der erhaltenen zwei Bilder zu bestimmen.
Gemäß den Bewertungsergebnissen des Bewertungsverfahrens der vorliegenden Erfindungg, der subjektive und objektive Korrelationskoeffizient erreicht 97,91 %, und der Anteil des Unterschieds im Bewertungsgrad innerhalb von 0,5 beträgt 96,15 %, was bemerkenswerte technologische Fortschritts- und Inhaltseigenschaften aufweist.
Die sichtbaren Eigenschaften von Stoffen sind ein wichtiger Indikator bei der Qualitätskontrolle und dem Handel mit Textilien, und die Knittereigenschaften von Stoffen wirken sich direkt auf die ästhetischen Eigenschaften von Textilien aus.Daher ist es sehr wichtig, die Knittereigenschaften von Stoffen zu bewerten Stoffe .
Die aktuelle Bewertung ist eine subjektive Bewertung, hauptsächlich unter Verwendung der Standardmustervergleichsmethode, bei der das Muster und die Standardmusterkarte unter Standardlichtbedingungen durch visuelle Inspektion verglichen werden. Diese subjektive Bewertungsmethode beruht auf menschlichen Faktoren. Es ist leicht, Bewertungsfehler zu verursachen.
Der Forschungsstand von Personen in der evBewertung des Planlagegrades des Gewebes: Die Instrumentenmethode wird hauptsächlich verwendet, um die Planlage des Gewebes in einem frühen Forschungsstadium zu bewerten. 1971 erfand Shiloh einen Knittertester zur Bewertung der Faltenbildung von Stoffen.Er verwendete geometrische Parameter wie Höhe, Neigung und Dichte zur Bestimmung der Faltenbildung, aber die Bewertungsgenauigkeit war nicht hoch. 1986 entwickelte Galuszynski zwei Geräte weiter: ein Faltenmessgerät und ein Faltenmessgerät Durch Messung der Faltenlänge des Gewebes wurde die lineare Regressionsgleichung zwischen dem Faltenprozentsatz P (%) und der subjektiven Bewertung erhalten. Amirbayat schlug 1990 auch ein ähnliches Verfahren vor und berechnete die Spannung in Dickenrichtung des Gewebes durch Instrumentenmessung.Die Ergebnisse zeigten, dass es eine hohe Korrelation mit dem Standardprobenkontrollverfahrenaufwies. 1995 verwendeten Harlock et al., die Moiré-Fringe-Methode, um die Falten an der Naht zu analysierenBei diesem Verfahren haben die Lichtverhältnisse einen großen Einfluss auf die Moiré-Streifen und es ist schwierig, es auf Stoffen mit erhabenen Oberflächen anzuwenden.
In den frühen 1990er Jahren verwendete Inui 1991 Ultraschalltechnologie, um die Falten von Stoffen zu bewerten. Da der Ultraschallstrahl sehr schmal ist und die Reflexionsintensität mit der Neigung der Stoffoberfläche zusammenhängt, ist dieses Verfahren besonders für leichte Falten geeignet, aber nicht anwendbar. Auf der eher trüben Oberfläche ist es auch empfindlich gegenüber dem Einfluss des Kontaktwinkels. 1992 verwendeten Stylios und Sotomi ein CCD-Kamerasystem, um die Krümmung von Nähten zu bewerten. Sie erstellten eine lineare Regressionsformel zwischen Faltenparametern und subjektiver Bewertung, indem sie Nahtklarheit, Textur und Muster maßen. Diese Methode basiert jedoch auf statistischer Analyse, und die aufgenommenen Bilder werden leicht durch äußere Lichtverhältnisse beeinflusst.
In dIn den letzten Jahren, mit der kontinuierlichen Entwicklung der Computertechnologie, haben einige Leute damit begonnen, unterstützte Computerbildverarbeitungstechnologie auszuleihen, um die Flachheit von Stoffen zu bewerten. 1995 schlug Xu.B vor, den Ebenheitsgrad anhand der faltengrauen Oberfläche und des Schattenbereichs zu bewerten; 1995 schlugen Youngjoo Na und Behnam Pourdeyhimi vor, die Welligkeitsintensität, das Profil, die spektrale Leistungsdichte, die Schärfe, den Grad der Randomisierung, das Gesamterscheinungsbild usw. zu messen, um den Grad der Ebenheit zu charakterisieren, und dann die obigen Indikatoren zur Bestimmung der Ebenheit zu verwenden Gewebe ermitteln, was eine gute Korrelation mit den subjektiven Bewertungsergebnissen aufweist. Im Jahr 2000 verwendeten Kang und Lee ein Laserscanning-System, um die dreidimensionale Oberflächenform des Gewebes zu erhalten, kombiniert mit der Fraktaltheorie, um die Ebenheit des Gewebes zu bewerten.
Die neue Theorie wird auch auf die Bewertung der Ebenheit von s angewendet1997 nutzten Chang et al., das neuronale Netzwerk mit Fehlerrückmeldung, um die Flachheit von Stoffen zu bewerten, und bewerteten 40 Stoffproben. Die Korrelation zwischen den Bewertungsergebnissen und der subjektiven Bewertung Der Koeffizient beträgt 85 %; 1999 Chang und Tae können die Flachheit von Stoffen durch die Kombination von neuronalem Netzwerk und Fuzzy-Theorie besser bewerten und 30 Stoffproben objektiv bewerten, und der Korrelationskoeffizient zwischen den Bewertungsergebnissen und der subjektiven Bewertung erreicht 90,80%. 2000 wendeten Tsunchiro et al. die Wavelet-Theorie auf die Bewertung der Flachheit von Stoffen an und verwendeten Daubechies Wavelet, um Flachheits-Eigenwerte für die objektive Bewertung der Gewebefaltung (insbesondere des Nahtbogens), die objektive Bewertung von 20 Stoffproben, die subjektive u objektiver Korrelationskoeffizient der Bewertung beträgt 83%.
Kurz gesagt, für die Beurteilung der Planlage von Stoffen wurde bisher hauptsächlich die subjektive Beurteilung herangezogen.Teilungsmethode, d. h. die Standardmethode zum Vergleichen von Proben. Diese Methode verwendet die US AATCC-124-Standardmusterkarte als Referenzvorlage, und der chinesische nationale Standard GB/T13796-92 wird unter Bezugnahme auf den US-AATCC-Standard formuliert.Der Bewertungsprozess besteht darin, die Probe und die Standardmusterkarte zu vergleichen Sichtprüfung unter Normlichtbedingungen Abschließend den Ebenheitsgrad der Probe bestimmen. Diese Methode ist jedoch eine subjektive Bewertung, die aufgrund des Einflusses menschlicher Faktoren anfällig für experimentelle Fehler ist. Darüber hinaus wird häufig auch die Methode zur Bewertung der Planheit von Stoffen mit Instrumenten verwendet: Zur Bewertung der Planheit von Stoffen wird der Knittertester verwendet, der geometrische Parameter wie Höhe, Neigung und Dichte verwendet, um Falten zu definieren. Da es sich bei dieser Methode um eine Kontaktmessung handelt, ist sie einfachKalibrierung, um das ursprüngliche Erscheinungsbild von Stofffalten zu ändern, ist die Bewertungsgenauigkeit nicht hoch.
Ein Verfahren zum objektiven Bewerten des Ebenheitsgrads des Stoffs gemäß der vorliegenden Erfindung, wobei die Schritte umfassen: a) Verwenden derselben Stoffbeleuchtungs-Bilderfassungsvorrichtung, um entsprechende mehrere Bilder der Stoffschablone und Stoffprobe zu erzeugen in einem iterativen Verfahren ein Graustufenbild aufzunehmen; B. das Bildverarbeitungssystem zu verwenden, um die gesammelten Graustufenbilder mehrerer Stoffmuster und Graustufenbilder von Stoffmustern in zweidimensionale digitale Bilder der Stoffmuster und zweidimensionale digitale Bilder des Stoffmusters umzuwandeln; C. Verwenden des Bildes Das Verarbeitungssystem rekonstruiert das erzeugte zweidimensionale digitale Bild der Stoffvorlage und das zweidimensionale digitale Bild der Stoffprobe in ein dreidimensionales Bildder Stoffvorlage und ein dreidimensionales Bild der Stoffprobe; Beispiele für 3D-Bildextraktionsfunktionen Schließlich können z. Bewerten Sie die Ebenheit des Gewebes durch Mustererkennungsverfahren anhand der charakteristischen Parameter des extrahierten Gewebeschablonenbildes und der charakteristischen Parameter des Gewebeprobenbildes.
Die Verwendung des Staubbeleuchtungs-Bilderfassungsgeräts zum Erstellen des Graustufenbilds der Staubprobe oder -schablone besteht darin, die Staubprobe oder -schablone auf dem Sperrholz zu platzieren, wobei die Ebene des Sperrholzes parallel zu einer Lichtquellenebene ist, und beide sind vertikal. Die Ebene bildet einen eingeschlossenen Winkel von 5°, eine CCD-Kamera ist an einer festen Halterung installiert, und die Aufnahmerichtung ist senkrecht zur Lichtquellenebene, und 8-Punkt-Lichtquellen sind gleichmäßig auf der Lichtquellenebene verteilt. und diese Punktlichtquellen werden nacheinander eingeschaltet oder gleichmäßig über die Lichtquellenfläche verteilt. Teilen Sie 8 Haltepunkte von derLichtquelle, bewegen Sie die Punktlichtquelle und durchlaufen Sie abwechselnd die 8 Haltepunkte der Lichtquelle, um 8 verschiedene Beleuchtungsbilder zu erhalten. Der gesamte Prozess wird in einem dunklen Raum durchgeführt.
Die Umwandlung verschiedener gesammelter Graustufen-Stoffproben oder Schablonenbilder in zweidimensionale digitale Bilder von Stoffproben oder Stoffschablonen besteht darin, eine Bilderfassungskarte zu verwenden, um die von der CCD-Kamera erfassten Stoffproben oder das Bild zu erfassen der Stoffvorlage wird in ein zweidimensionales digitales Abbild des Stoffmusters bzw. der Stoffvorlage umgewandelt.
Die Rekonstruktion des zweidimensionalen digitalen Bildes der ermittelten Staubprobe bzw. Staubvorlage zum dreidimensionalen Bild der Staubprobe bzw. Schablone basiert auf dem photometrischen Stereovisionsverfahren, ausgehend von mehreren Graustufenbildern, kombiniert mit endlicher Differenz Das Verfahren führt iterative Berechnungen bei drei ausRekonstruieren Sie die dimensionale Form des Stoffmusters oder der Schablone.
Die Extraktion charakteristischer Staubparameter dient zum Extrahieren der charakteristischen Parameter, die die Ebenheit des Gewebes widerspiegeln, aus den dreidimensionalen Konturdaten der Staubprobe oder Gewebevorlage, die durch den dreidimensionalen Geweberekonstruktionsalgorithmus erhalten wurden, einschließlich Kontrast , spektrale Leistungsdichte, fraktale Dimension, Fläche, Rauhigkeit, Drehung, Kurtosis, durchschnittlicher Versatz, Gesamtfaltendichte und -schärfe.
Die besagte Mustererkennung besteht darin, das adaptive Fuzzy-Neuralnetzwerk-Mustererkennungsverfahren zu verwenden, um den Ebenheitsgrad des Gewebes zu bewerten, einschließlich dreier Schritte: e1. Geben Sie den charakteristischen Parameterwert der Stoffvorlage in das neuronale Netzwerk ein. Nach dem Lernen und Training werden die Neuronen, die den Wettbewerb gewinnen, ausgeführt, und die Siegerneuronen stellen die Flachheitsvorlagen verschiedener Ebenen dar, so dass die Flachheitsvorlageons verschiedener Niveaus werden in verschiedene Kategorien eingeteilt.
e2. Geben Sie die charakteristischen Parameterwerte der Staubproben in das neuronale Netz ein und verwenden Sie Schritt e1, um verschiedene Staubproben zu klassifizieren.
e3. Vergleichen Sie die Kategorie des Stoffmusters mit der Kategorie der Stoffvorlage, um den Planheitsgrad des Stoffmusters zu bestimmen.
Verglichen mit dem Stand der Technik weist das Verfahren der vorliegenden Erfindung ausgezeichnete Inhaltseigenschaften und einen beträchtlichen Fortschritt auf, weil die Anwendungsumgebung der Gewebebeleuchtungs-Bilderfassungsvorrichtung, die in dem Verfahren der vorliegenden Erfindung verwendet wird, relativ eng ist die Umgebung der manuellen Bewertung, daher sind die Bewertungsergebnisse vergleichbarer, insbesondere in Kombination mit dem neuen Algorithmus im Bereich der dreidimensionalen Rekonstruktion und Notenbewertung kann der Grad der Planlage des Gewebes genauer bewertet werden; imVerfahren der vorliegenden Erfindung, da die adaptive fuzzy neuronale Netzmustererkennung angewendet wird. Um die Ebenheit von Geweben zu bewerten, kombiniert es die jeweiligen Vorteile von Fuzzy-Logik und neuronalen Netzen und verwendet photometrische Stereovision, um die Eigenwerte der Ebenheit des Gewebes zu extrahieren.In das adaptive neuronale Netz werden die ausgewerteten subjektiven und objektiven Korrelationskoeffizienten eingegeben erreichte 97,91 %, und das Verhältnis der Bewertungsbewertungsdifferenz innerhalb von 0,5 betrug 96,15 %, was die subjektiven Bewertungsergebnisse, die durch die vorhandene Technologie erzielt wurden, bei weitem übertraf. .
Spezifischer Implementierungsmodus
Eine bessere Ausführungsform des Verfahrens der vorliegenden Erfindung wird unten gemäß den 1 bis 4 angegeben und In Verbindung mit der Beschreibung der Ausführungsformen werden ferner die technischen Details des Verfahrens der vorliegenden Erfindung bereitgestellttechnische Merkmale und funktionelle Merkmale der vorliegenden Erfindung, werden jedoch nicht verwendet, um den Umfang der Ansprüche der vorliegenden Erfindung einzuschränken.
Als Erstes gemäß Fig. 1 den technischen Weg der vorliegenden Erfindung implementieren und das funktionierende System zum Implementieren der vorliegenden Erfindung gemäß dem erfindungsgemäßen Verfahren einrichten, wie in Fig. 2 gezeigt, das System implementieren das erfindungsgemße Verfahren den Mikrocomputer 1, die feststehende Halterung 2, die CCD-Kamera 3, die Staubbeleuchtungsbilderfassungsvorrichtung 4, das Merkmalsextraktions-DSP-Modul 7 und das Klassifikations-DSP-Modul 8 umfasst, umfasst diese Staubbeleuchtungsbilderfassungsvorrichtung 4 die Lichtquellenebene 41, die Staubprobe 42 oder Stoffschablone 42\' und Sperrholz 40, wobei: die Stoffprobe 42 oder Stoffschablone 42\' auf dem Sperrholz 40 platziert wird, die Ebene des Sperrholzes 40 parallel zur Lichtquellenebene 41 ist und beide einen Winkel von 5° bilden mit der Vertikalencal-Ebene und die CCD-Kamera 3 auf dem feststehenden Träger 2 installiert ist, ist die Aufnahmerichtung senkrecht zur Lichtquellenebene 41, das heißt senkrecht zur Platzierungsebene der Staubprobe 42 oder Staubschablone 42\', um sicherzustellen, dass das Bild mit der besten Beleuchtung wird aufgenommen. Acht Punktlichtquellen sind gleichmäßig auf der Lichtquellenfläche 41 verteilt, und diese Punktlichtquellen werden nacheinander einzeln beleuchtet oder gleichmäßig auf 8 Stopppunkte auf der Lichtquellenfläche 41 verteilt, und eine Punktlichtquelle wird so gesteuert, dass sie diese Stopppunkte passiert eins nach dem anderen, so dass 8 verschiedene Lichtbilder erhalten werden könnten. Das gesamte Experiment, d. h. der Bilderfassungsschritt, wird in einem dunklen Raum durchgeführt, um zu verhindern, dass anderes Licht eindringt und die experimentellen Ergebnisse beeinflusst.In der Ausführungsform ist die CCD-Kamera 3 vom Typ Panasonic Wv-cp410/G mit einer Auflösung von 380 Zeilen, und die Bilderfassungskarte ist vom Typ Micro-View MVPCI-V3. </S
Die photometrische Stereovisionsmethode nimmt mehrere Graustufenbilder und verwendet die Beziehung zwischen dem Bild und der geometrischen Form des Objekts, um die dreidimensionale Oberflächenform des Objekts wiederherzustellen.
Der grundlegende Implementierungsprozess des Algorithmus ist: 1) Verwenden Sie das Beleuchtungsmodell, um die Bildgrauskala (d. h. die Bildhelligkeit) jedes Punkts P auf der Oberfläche des Objekts zu berechnen: Ip=kdcosθ=kdsTn( 1.1 ) wobei n= (nx , ny, nz)T, der Einheitsnormalenvektor des Punktes P ist, also ∥n∥=1; S = (Sx, Sy, Sz)T ist auch der normierte Richtungsvektor der Lichtquelle.
2) Um mehrere Beleuchtungsbilder zu erhalten, sind die Lichtquellen jeweils S1, S2, ... Si, ... Sm. Im Experiment werden die Lichtquellen nacheinander eingeschaltet (d. h. es gibt nur einer gleichzeitig eingeschaltet) und die erhaltenen m Beleuchtungsbilder den Grauwert des Punktes P auf der Oberfläche des Objekts in der Beleuchtung aBild ist jeweils Ip1,Ip2,...Ipi,...Ipm, die Formel (1) wird zu: Ip=Ip1Ip2MIpiMIpm=kdSpNp=kdSp1Sp2MSpiMSpmNp---(i=1,2,Λm)---(1.2 )] ] > kann die Methode der kleinsten Quadrate verwenden, um nach Np und kd zu lösen.
3) Die räumliche Form der Objektoberfläche kann ausgedrückt werden als: S=Z(X, Y) (1.3) Für jeden Punkt P(X, Y, Z) auf der Objektoberfläche, Koordinaten ( x, y ) ist: (1.4) wobei f die Brennweite der Kamera ist, da die Änderung von Z an jedem Punkt auf der Oberfläche eines Objekts viel kleiner ist als der Abstand Z0 des Objekts von der Kamera, kann ungefähr angenommen werden, dass Z =Z0, d. h. Z ist eine Konstante, daher kann die Formel (4) geschrieben werden als: x=kX y,=kY (1,5) wobei k=f/Z0 ein Proportionalkoeffizient ist, der ungefähr so ist wie möglich als Konstante betrachtet werden.
4) Der Einheitsnormalenvektor n=(nx, ny, nz)T eines beliebigen Punktes P(X, Y, Z) auf der Oberfläche des Objekts kann ausgedrückt werden als: n≡ 1k2+(&PartialD ;Z∂x)2+(∂Z∂y)2(-∂Z∂z,-∂Z∂y,k)T--(1.6)]]>∂Z∂x= -nx = -knxnz,∂Z∂y=-ny=-knynz,k=nz--(1.7)]]> dann kann die Oberflächenform Z(X,Y) des Objekts durch die beiden partiellen Differentiale in Formel erhalten werden (7) Die Gleichung wird gelöst. Zum Beispiel z=Zk,]]> dann ∂z∂x=-nx/nz,]]>∂z∂y=-ny/nz---(1.8)]]>
5) Da das Bild diskretisiert ist, verwendet die eigentliche Berechnung das Finite-Differenzen-Verfahren zur iterativen Berechnung, wobei jeder Punkt z(x0, y0) = z0 (d. h. die Randbedingung, normalerweise 0) angenommen wird, und eine geeignete Schrittgröße δ ausgewählt wird , finde den z-Wert von (x0+δ, y0), (x0-δ, y0) und (x0, y0+δ), (x0, y0-δ) Punkten benachbart zu (x0, y0 ) und auf ihren Durch Weiterdrehen lassen sich die z-Werte über alle einzelnen Pixel ermitteln.
z(x0+δ, y0)=-nx/nz+z(x0, y0), z(x0, y0+δ)=-ny/nz+z(x0,y0);z(x0-δ, y0)=nx/ nz+z(x0, y0), z(x0, y0-δ)=ny/nz+z(x0, y0);M(1.9) setzt Feature- Das Extraktions-DSP-Modul 7 im Mikrocomputer 1 in wird speziell bei der Computerbildeigenschaftswert-Extraktion verwendet.
Verwenden Sie die 3D-Konturdaten des Gewebes, die durch den 3D-Rekonstruktionsalgorithmus erhalten wurden, um die charakteristischen Parameter zu extrahieren, die die Ebenheit des Gewebes widerspiegeln, nämlich: Kontrast, spektrale Leistungsdichte, fraktale Dimension, Fläche, Rauheit, Drehung , Kurtosis, durchschnittlicher Versatz, Gesamtfaltendichte und Schärfe. Die Berechnung jedes charakteristischen Parameters ist wie folgt: 5) Kontrast: Kontrast = Σi=1NΣj=1N(zi-zj)2Mi,j>0-(2.1)]]> wobei zl, zj jeweils den Höhenwert von a darstellen paar räumliche Punkte, M ist der Frequenzwert der Co-Occurrence-Matrix, und ihre Größe ist N×N6) Spektrale Leistungsdichte (P): P(u, v)=|F(u, v) |2(2.2) sind F | (u,v)=1MNΣx=0M-1F(x,u)exp(-2jπuxM)]]>F(x,u)=N{1NΣy=0N -1z(x,y) exp(-2j).πvyN)}]]>N, M sind die Anzahl der Zeilen bzw. Spalten des Bildes; u, v stellen zwei reelle Frequenzvariablen dar, wobei die Variable u der x-Achse und die Variable v der y-Achse entspricht; u = 0, 1, 2, Λ, M-1, v = 0, 1, 2, Λ, N-1; F(u, v) ist das Ortsfrequenzspektrum, z(x, y) ist die rekonstruierte dreidimensionale Oberflächenmorphologie.
7) Fraktale Dimension (D): lnN(λ)=lnK-Dlnλ(2.3) wobei: N(λ) – Skalennummer λ – Skala D – fraktale Dimension K – Proportionalkoeffizient 4 ) Fläche ( Sn ): Sa=Σi=1NΣj=1N(Zx,y-Zx+i,y+j)-(2.4)]]> wobei: Zx, y – repräsentiert eine Spalte (Zeile) Alle Höhenwerte in .
Zx+i, y+j – stellt den Höhenwert in angrenzenden Zeilen oder (Spalten) dar.
5) Rauheit (σ): σ=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)2-(2.5)]]> Einschließlich: z (i, j) – der Höhenwert jedes Punktes auf der Stoffoberfläche – der Durchschnittswert der Oberflächenhöhe N2 – die Gesamtzahl der WelligkeitshervorhebungenBeispiel 6) Verzerrung (S): S=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)3/σ3]]>
(2.6)7) Kurtosis (K): K=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)4/σ4-(2.7) ]]>8) Mittlerer Offset Betrag (Ra): Ra =1N2Σi=1NΣj=1N(|z(i,j)-z(i,j)‾|)-(2.8)]]> 9) Gesamtfaltendichte (Wd): Wd=∑(Anzahl der Falten in jedem Abschnitt)/N2(2.9)10) Schärfe: Schärfe=Σi=1MΣj=1MHi,j/Wi,j--( 2.10)]]> Wobei: die Höhe des Wellenbergs gleich H ist, die Breite der Welle Trog ist W, und M stellt die horizontale (oder vertikale) Spaltennummer im Mikrocomputer 1 dar und bestimmt die Ziffernauswertung des DSP-Moduls 8, und der Programmablauf, wie er in Fig. 4 gezeigt ist, erfolgt automatisch basierend auf der Subtraktions-Clusterbildung des adaptiven fuzzy-neuronalen Netzwerks (ANFIS) wertet objektiv den Grad der Stoffplanheit aus Das adaptive Fuzzy Neural Network kombiniert die jeweiligen Vorteile von Fuzzy Logic und Neuron Networks Der allgemeine Rahmen des Verfahrens wird gezeigtin Abbildung 4. Das übliche Fuzzy-Modell eines neuronalen Netzwerks besteht aus: Die Anzahl der Eingabeteilmengen und das ursprüngliche Modell werden künstlich bestimmt und weisen ein hohes Maß an Willkür auf. Zu ihrer Bestimmung wird hier subtraktives Clustering verwendet. Der Vorteil dieser Methode liegt darin, dass die Daten ohne vorherige Datenerhebungserfahrung automatisch rechnerisch in unterschiedliche Clusterzentren eingeordnet werden können.Die Anzahl der Clusterzentren ist die Anzahl der Cluster, die hauptsächlich dazu verwendet wird, zu bestimmen, ob - als die Anzahl von Fuzzy-Regeln und die Anzahl von Eingabevariablen-Zugehörigkeitsfunktionen. Diese Art von adaptivem neuronalem Fuzzy-Netzwerk, das das subtraktive Clustering-Verfahren verwendet, um die Anzahl von Fuzzy-Regeln und die Anzahl von Eingabevariablen-Zugehörigkeitsfunktionen zu bestimmen, ist ein adaptives neuronales Netzwerk, das auf subtraktivem Clustering basiert. Die Anwendung dieses neuronalen Netzwerks kann den Grad der Gewebeplanheitsbewertung objektiv bewerten.
Im subtraktiven Clustering-Algorithmus ist der Clusterzentrums-Kandidatensatz ein Datenpunkt, und jeder Datenpunkt kann als Clusterzentrum verwendet werden, das aus der Dichte der Datenpunkte um jeden Datenpunkt herum berechnet werden kann ein Clusterzentrum.
Die Schritte des spezifischen Lernalgorithmus des subtraktiven Clusterings sind wie folgt: 1. Bestimmen Sie die Anfangsparameter, den minimalen Fehlerwert und die Anzahl der Iterationen.
2. Für Mn Datenpunkte (x1, x2, ... xn) im Dimensionsraum ist der Dichteindex am Datenpunkt xi definiert als: Di=Σj= 1nexp( -|, da jeder Datenpunkt ein Kandidat für das Clusterzentrum ist |xi-xj ||2(γα/2)2)-(3.1)]]>Hier ist γα eine positive Zahl, xj ist natürlich ein zu xi benachbarter Punkt, wenn ein Datenpunkt A mehrere benachbarte Datenpunkte hat , dann weist der Datenpunkt einen hohen Dichtewert auf. Der Radius γα definiert eine Umgebung des Punktes und Datenpunkte außerhalb des Radius dtragen wenig zum Dichteindex des Punktes bei.
3. Wählen Sie nach der Berechnung des Indexes jedes Datenpunkts den Datenpunkt mit dem höchsten Dichteindex als erstes Clusterzentrum aus, seien Sie xc1 der ausgewählte Punkt und Dc1 der Dichteindex. Dann kann der Dichteindex jedes Datenpunktes xi mit Formel (3.2) korrigiert werden.
Di=Di-Dc1exp(-||xi-xc1||2(γb/2)2)-(3.2)]]> wobei γb eine positive Zahl ist, normalerweise γb= 1,5 gamma- Alpha. Es ist klar, dass der Dichteindex von Datenpunkten in der Nähe des ersten Clusterzentrums xc1 erheblich reduziert wird, was es weniger wahrscheinlich macht, dass diese Punkte als das nächste Clusterzentrum ausgewählt werden.
4. Nachdem Sie den Dichteindex jedes Datenpunkts korrigiert haben, wählen Sie das nächste Clusterzentrum xc2 und korrigieren Sie alle Datenpunktdichteindizes erneut. Dieser Vorgang wird wiederholt, bis die Wahrscheinlichkeit aller verbleibenden Datenpunkte als Clusterzentren unter dem Minimum liegtFehlerwert, und der Clustering-Prozess endet.
Die Anzahl der Clusterzentren am Ende des Prozesses ist die Anzahl der Eingabeteilmengen, und somit kann die Anzahl der Fuzzy-Regeln und die Anzahl der Eingabevariablen-Zugehörigkeitsfunktionen bestimmt werden .
Verwenden Sie zunächst die in Fig. 2 gezeigte Stoffbeleuchtungsbilderfassungsvorrichtung 4 , um die Schablone des Stoffflachheitsgrads und die Bilder der Stoffprobe 42 zu erfassen. Die spezifischen Schritte der Bilderfassung sind:
A1 ist eine feste Staubprobe 42 und richten Sie die Kamera auf die Mitte der Staubprobe 42, verbinden Sie die CCD-Kamera 3 mit der Bilderfassungskarte 5 des Computers 1 , und schalten Sie dann die Kamera 3 ein.
a2 Ziehen Sie den Schattenvorhang, um die experimentelle Umgebung in einen dunklen Raum zu verwandeln.
a3 wiederum die Lichtquelle 41 einschalten und die Bilderfassung durchführen, aber es ist notwendig sicherzustellen, dass nur eine Lichtquelle auf die Gewebeprobe 42 für jede acq gestrahlt wirdÜbung. Da das System 8 Lichtquellen verwendet, hat jede Stoffprobe acht Lichtbilder.
Dann werden eine 3D-Rekonstruktion und eine Merkmalsextraktion an der Stoffplanheitsvorlage durchgeführt. Die spezifischen Schritte sind wie folgt: a4 Nehmen Sie die US-AATCC-Textilflachheitsvorlage als Standard, verwenden Sie das Stoff-Illight-Bilderfassungsgerät 4 in Fig. 2, um Bilder von Textilvorlagen mit unterschiedlichen Flachheitsgraden zu sammeln.
A5 verwendet das in Fig. 2 und Fig. 3 gezeigte Computersystem 1 zur Bereitstellung. Der von der Firma bereitgestellte 3D-Rekonstruktionsalgorithmus rekonstruiert die 3D-Oberflächenform der Stoffvorlage und extrahiert die charakteristischen Parameter, die die Ebenheit der Reflexion bestimmen der Stoff aus den Stoffschablonenprofildaten gewonnen, unter Verwendung von 10 Arten von charakteristischen Werten wie Kontrast und spektrale Leistungsdichte.
a6 Verwenden Sie das Bildaufnahmegerät 4 in Abbildung 2, um das Originalbild aufzunehmenFelder und Beleuchtungsbilder verschiedener Arten von Staubproben und verwenden Sie Schritt a5, um eine dreidimensionale Rekonstruktion und Funktionsextraktion von Stäuben durchzuführen.
Letzteres ist die objektive Bewertung der Planlage des Stoffes, also der Mustererkennungsprozess.
Zunächst werden die extrahierten charakteristischen Parameterwerte als Eingaben für die Mustererkennung verwendet und dann wird der Glättegrad des Gewebes mit dem adaptiven Fuzzy Neural Network (ANFIS) objektiv bewertet. Die spezifischen Implementierungsschritte sind e1, Eingeben des charakteristischen Parameterwerts der Stoffvorlage in das selbstadaptive neuronale Fuzzy-Netzwerk und Erhalten der Ausgabewerte verschiedener Flachheitsniveaus durch Lernen und Training.
e2. Geben Sie die charakteristischen Parameterwerte der Staubproben in das adaptive fuzzy neuronale Netz ein und auch durch den Lern- und Trainingsprozess, um die Ausgabe wa zu bestimmenverschiedener Arten von Staubproben.
e3 Vergleichen Sie den Ausgabewert der Staubprobe mit dem Ausgabewert der Staubschablone und verwenden Sie das \"Nächste-Auswahl-Prinzip\", um den Ebenheitsgrad der Staubprobe zu bestimmen.
Prev: Staubglanzprüftechnik
Next: Bewertungsstandard der Testqualität der Gewebeabriebfestigkeit
WeChat platform on the scan Copyright：Qinsun Instruments Co., LTD! Qinsun Instruments Co., LTD!Provide technical support Enterprise email
