使用光谱测量进行织物验证制造技术

本发明专利技术涉及使用光谱测量进行织物验证。提供了使用光谱测量的织物验证。在各个实施例中，从近红外光谱仪接收织物样本的近红外吸收光谱。从光谱中提取多个特征。所述多个特征被提供给经训练的分类器。经训练的分类器提供指示织物样本与参考织物样本的相似度的相似度得分。

【技术实现步骤摘要】
使用光谱测量进行织物验证背景本公开的实施例涉及织物验证，并且更具体而言，涉及使用光谱测量的织物验证。
技术实现思路
根据本公开的实施例，提供了用于织物验证的方法和计算机程序产品。在各个实施例中，从近红外光谱仪接收织物样本的近红外吸收光谱。从光谱中提取出多个特征。多个特征被提供给经训练的分类器。经训练的分类器提供指示织物样本与参考织物样本的相似性的相似性得分。在各个实施例中，近红外光谱仪包括手持式光谱仪。在各个实施例中，向经训练的分类器提供多个特征包括将多个特征发送到远程织物验证服务器，并且从经训练的分类器获得相似度得分包括从织物验证服务器接收相似度得分。在各个实施例中，所述发送和接收是经由广域网执行的。在各个实施例中，从光谱中提取多个特征包括降噪。在各个实施例中，从近红外光谱仪接收波长、强度和/或反射率，并且提取多个特征还包括从波长、强度和/或反射率中提取特征。在各个实施例中，经训练的分类器包括人工神经网络。在各个实施例中，提取多个特征包括主成分分析。在各个实施例中，提取多个特征包括应用人工神经网络。在各个实施例中，人工神经网络包括至少一个卷积层。在各个实施例中，人工神经网络包括多个1D卷积层。在各个实施例中，从经训练的分类器获得织物材料成分、编织类型、线数、纱线粗细和/或颜色。在各个实施例中，获得相似性得分包括将从参考样本提取的特征提供给经训练的分类器。在各个实施例中，相似度得分被提供给用户。在各个实施例中，向用户提供织物材料成分、编织类型、线数、纱线粗细和/或颜色。附图说明图1是根据本公开实施例的用于织物验证的示例性系统的示意图。图2图示了根据本公开实施例的用于织物验证的处理。图3图示了根据本公开实施例的用于织物验证的方法。图4图示了根据本公开实施例的用于织物验证的方法。图5A-5C图示了根据本公开实施例的神经网络的示意图。图6描绘了根据本公开实施例的计算节点。具体实施方式织物验证是纺织品和服装检查中的重要步骤。在织物验证期间，将物品生产中使用的所有材料与所请求的材料相匹配，以核实正确性。织物验证一般在纺织品生产期间发生。在手动检查处理中，审核员会去给定的工厂仔细检查生产项目，以在交付给分销商之前确保产品质量。当前的验证处理一般由经验丰富的检查员或经认证的实验室执行，这既昂贵又费时。为了解决这些缺点和替代方法的其它缺点，本公开提供了一种框架，该框架用于通过使用光谱测量设备来核实从给定的参考织物制成纺织品样本集合。对于每种参考织物，其NIR(近红外光谱法)光谱被收集并存储。如下面进一步详细阐述的，然后可以应用高效的机器学习方法来恒定地计算给定样本与参考织物的光谱数据之间的匹配概率。因为光谱信号可能对环境噪声以及特定的用于收集光谱信号数据的方法敏感，因此即使样本的光谱与参考光谱不完全匹配，也可以使用机器学习方法将样本与参考织物进行匹配。即使样本是从相同的织物上取得的，对应的光谱值(例如，吸收率或反射率)也可以具有可观察到的变化。在各个实施例中，机器学习可以用于从光谱数据中提取重要图案，然后计算两种织物(例如，参考织物和样本)之间的光谱相似度。基于匹配概率，可以采取各种动作。例如，在匹配概率超过预定阈值(例如，70％、80％、90％)的情况下，可以向用户提供织物是预期的指示。在匹配概率低于预定阈值的情况下，可以向用户提供织物不符合预期的指示。在这种情况下，可以建议用户采取补救或报告措施。审核员可以将匹配结果通知对应的品牌或零售商，然后他们可以选择适当的措施(例如，通过/未通过当前检查或建议进行其它重新检查)。本文描述的方法显著降低了验证处理的成本并使检查失败的风险最小化。在各个实施例中，提供了一种框架，该框架用于通过将纺织品样本与参考织物进行比较以确保样本具有预期特点来进行织物验证。在各个实施例中，检查员从被检查的物品中提取纺织品样本，并使用光谱测量设备来收集样本的对应NIR光谱。在各个实施例中，光谱数据由测量设备提供给本地计算设备(例如，移动电话或个人计算机)。在一些实施例中，测量设备与计算设备集成在一起。在一些实施例中，测量设备例如经由蓝牙与计算设备无线通信。在一些实施例中，测量设备经由有线连接与计算设备通信。在一些实施例中，本地计算设备与远程织物验证服务器通信以验证数据。如下面进一步阐述的，织物验证服务器可以包括学习系统，该学习系统被配置为验证数据属于给定织物。在一些实施例中，服务器将验证结果提供回本地计算设备，本地计算设备又将验证结果显示给用户。在一些实施例中，特征向量被提供给学习系统。基于输入特征，学习系统生成一个或多个输出。在一些实施例中，学习系统的输出是特征向量。在一些实施例中，学习系统包括SVM。在其它实施例中，学习系统包括人工神经网络。在一些实施例中，使用训练数据对训练系统进行预训练。在一些实施例中，训练数据是回顾性数据。在一些实施例中，回顾性数据被存储在数据存储库中。在一些实施例中，可以通过手动策展(curation)先前生成的输出来附加地训练学习系统。在一些实施例中，学习系统是经训练的分类器。在一些实施例中，经过训练的分类器是随机决策森林。但是，应该认识到的是，根据本公开，各种其它分类器适合使用，包括线性分类器、支持向量机(SVM)或诸如经常性神经网络(RNN)之类的神经网络。合适的人工神经网络包括但不限于前馈神经网络、径向基函数网络、自组织映射、学习向量量化、经常性神经网络、Hopfield网络、Boltzmann机器、回声状态网络、长期短期记忆、双向经常性神经网络、分层经常性神经网络、随机神经网络、模块化神经网络、关联神经网络、深度神经网络、深度置信网络、卷积神经网络、卷积深度信念网络、大型记忆存储和检索神经网络、深层Boltzmann机器、深层堆叠网络、张量深层堆叠网络、尖峰和板块限制Boltzmann机器、复合分层深度模型、深度编码网络、多层内核机器或深层Q网络。现在参考图1，图示了根据本公开实施例的用于织物验证的示例性系统。系统100包括光谱测量设备102、本地计算设备108、验证服务器112和数据存储库110。在一些实施例中，光谱测量设备102包括手持式光谱仪。在一些实施例中，手持式光谱仪包括诸如来自得克萨斯仪器公司(TexasInstrument)的DLPNIRscanNanoModule之类的设备(http://www.ti.com/tool/DLPNIRNANOEVM)。注意的是，术语“光谱仪”和“分光仪”在本领域中一般可互换使用。在一些实施例中，本地计算设备108包括平板电脑、智能电话、PDA、膝上型计算机或个人计算机。在一些实施例中，本地计算设备108和光谱测量设备102被集成。在一些实施例中，本地计算设备108和光谱测量设备102经由有线或无线网络连接。在一些实施例中，无线网络是个人局域网(PAN)，诸如蓝牙。在一些实施例中，本地计算设备108经由有线或无线网络与服务器112本文档来自技高网...

【技术保护点】
1.一种系统，包括：/n近红外光谱仪；/n计算节点，可操作地耦合到近红外光谱仪，该计算节点包括计算机可读存储介质，该计算机可读存储介质具有在其中实施的程序指令，程序指令可由该计算节点的处理器执行以使处理器执行一种方法，该方法包括：/n从近红外光谱仪接收织物样本的近红外吸收光谱；/n从光谱中提取多个特征；/n向经训练的分类器提供所述多个特征；/n从经训练的分类器获得指示织物样本与参考织物样本的相似度的相似度得分。/n

【技术特征摘要】
20191009 US 16/596,997;20190329 VN 1-2019-015971.一种系统，包括：
近红外光谱仪；
计算节点，可操作地耦合到近红外光谱仪，该计算节点包括计算机可读存储介质，该计算机可读存储介质具有在其中实施的程序指令，程序指令可由该计算节点的处理器执行以使处理器执行一种方法，该方法包括：
从近红外光谱仪接收织物样本的近红外吸收光谱；
从光谱中提取多个特征；
向经训练的分类器提供所述多个特征；
从经训练的分类器获得指示织物样本与参考织物样本的相似度的相似度得分。


2.如权利要求1所述的系统，其中近红外光谱仪包括手持式光谱仪。


3.如权利要求1所述的系统，其中计算节点位于近红外光谱仪的本地。


4.如权利要求3所述的系统，其中计算节点和近红外光谱仪经由局域网可操作地耦合。


5.如权利要求4所述的系统，其中局域网包括无线网络。


6.如权利要求3所述的系统，其中计算节点和近红外光谱仪经由个人局域网可操作地耦合。


7.如权利要求3所述的系统，其中计算节点和近红外光谱仪被集成到手持式设备中。


8.如权利要求3所述的系统，其中
向经训练的分类器提供所述多个特征包括向远程织物验证服务器发送所述多个特征，以及
从经训练的分类器获得相似度得分包括从织物验证服务器接收相似度得分。


9.如权利要求8所述的系统，其中所述发送和接收是通过广域网执行的。


10.如权利要求1所述的系统，其中从光谱中提取多个特征包括降噪。


11.如权利要求1所述的系统，其中该方法还包括：
从近红外光谱仪接收波长、强度和/或反射率，并且其中提取所述多个特征还包括从波长、强度和/或反射率中提取特征。


12.如权利要求1所述的系统，其中经训练的分类器包括人工神经网络。


13.如权利要求1所述的系统，其中提取所述多个特征包括主成分分析。


14.如权利要求1所述的系统，其中提取所述多个特征包括应用人工神经网络。


15.如权利要求16所述的系统，其中人工神经网络包括至少一个卷积层。


16.如权利要求17所述的系统，其中人工神经网络包括多个1D卷积层。


17.如权利要求1所述的系统，其中该方法还包括从经训练的分类器获得织物材料成分、编织类型、线数、纱线粗细和/或颜色。


18.如权利要求1所述的系统，其中获得相似度得分包括向经训练的分类器提供从参考样本中...

【专利技术属性】
技术研发人员：B·T·阮，H·K·曹，C·V·阮，C·蒙卡约，
申请(专利权)人：因斯派克托里奥股份有限公司，
类型：发明
国别省市：美国;US