人工智能在皮革手感测定中的应用

人工种经网络具有较强的自适应模式识别能力。本文提出了皮革手感测定的四个实验模型，并用BP人工神经网络处理检测数据．发现其结果与专家评定相一致。     

一种人工智能检测籽棉中异性纤维的方法

探讨基于卷积神经网络的Faster-RCNN深度学习方法,检测籽棉中异性纤维的检测技术。使用线扫描相机在LED照明条件下获取籽棉和异性纤维的图像,采用基于Faster-RCNN的人工智能深度学习方法处理图像。试验结果表明,Faster-RCNN处理方法对籽棉图像中异性纤维的检出率达到90%,相比传统的图像检测方法大幅度提高了检测率,特别是对传统方法难以识别的白色或浅色异性纤维,其检测率可以达到90%以上。认为:本文所采用的基于Faster-RCNN的人工智能深度学习方法处理图像在异纤检测应用上具有一定可行性。     

一种新型机器视觉系统及其图像矫正算法探索

数字成像和图像传输技术的新发展,为研制新一代机器视觉系统提供了基础条件.基于此,提出了一种由多个像素少、成本低的摄像头构成的机器视觉系统的结构模型,并重点探讨了它的成像方法和图像矫正算法.这种新型的机器视觉系统可应用于模式识别,能获取并处理不规则的图像,有利于解决传统机器视觉系统的成本高和图像冗余数据量大的问题.     

具有注视功能的机器视觉系统及其算法

在皮革、纺织,食品、冶金和农林牧产品加工等行业中,大背景中微小缺陷的检测大量存在。本文模仿人类的视觉注意机制,提出了一种基于注视机制的机器视觉检测系统及算法。系统由多个低分辨率、低成本的摄像头获取不规则的图像,用主成分分析法对原始样本数据提取特征,然后由BP神经网络对特征进行分类识别以确定可疑区域位置,再控制从动摄像头获取目标区域的细节图像,解决了传统机器视觉系统固有的图像冗余数据问题。     

一种自动识别和去除羊毛污物的机器视觉系统

文章提出了一种由彩色线扫描自动相机、高速图像获取卡、计算机和喷气头等组成的机器视觉系统.它可以在线自动识别和去除羊毛中的污物.文章对其中的3个关键技术--图像采集系统、图像处理算法和机械电子反馈控制系统进行了较详细的描述.在实验的基础上分析了这种机器视觉系统的性能和识别精度,并提出了下一步的研究计划.     

皮革物理性能的计算机检测之一──AD－DESK系统

皮革物理性能的计算机检测是制革和皮革制件工业实现自动化的基础。文章介绍了在试用阶段的皮革物理性能计算机检测系统ＡＤ－ＤＥＳＫ，探讨了软件研制中的几个问题，提出了下一步工作的设想。     

刀轴类机器动态参数的计算机监测

刀轴类机器的加工质量和产量与刀辊承受的力矩、刀辊转速、送皮速度等动态参数紧密相关。本文用计算机、A/D 卡、扭矩传感器及光电转速传感器建立微机自动监测系统,对上述变量进行适时监测、记录(0～10000次/秒),然后在幅值域、时域及频域方面自动进行数据处理.这一工作为刀轴类机器结构参数、运动参数、动力参数以及操作参数的研究提供了必需的手段,同时为刀轴类机器的计算机控制建立了一定的基础。     

计算机在皮革物理检验中的应用

在皮革物理检验方面,计算机与各种传感器相结合,构成功能各异的智能仪器,已获得了或正在蕴酿一系列新的科技成果.这些成果不但可能引起皮革物理检验手段、检验标准与检验范围的变革,而且可能在制革机械、制革工艺与皮化材料领域引起连锁反应。在某种程度上,预示着皮革学科新时代的来临。     

基于深度学习的籽棉中异性纤维检测方法

针对籽棉图像阴影多、常规图像处理方法难于识别的问题,以去除棉叶、棉壳等有机杂物的籽棉为样本,将不同颜色、形状、尺寸的12种常见异性纤维和籽棉样本随机地分布在运转中的传送带上,采用线扫描相机获得发光二极管（LED）照明的籽棉图像520张,“LED+线激光”双光源照明的籽棉图像1 148张。然后采用一种由13个卷积层、13个采样层和4个池化层构成的Faster RCNN深度学习人工神经网络,对 2 种成像方法获得的籽棉图像进行基于人工智能的网络训练,再进行异性纤维检测验证。实验数据表明,LED照明和“LED+线激光”双光源照明条件下,籽棉图像中的异性纤维的检出率分别达到了90.3%和86.7%,特别是LED照明条件下对白色异性纤维进行识别,其识别率由5.9%提升到了90.3%。