申请/专利权人：池明旻

申请日：2021-09-06

公开（公告）日：2024-04-23

公开（公告）号：CN113970528B

主分类号：G01N21/3563

分类号：G01N21/3563;G01N21/359;G16C20/20;G16C20/70;G16C60/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.05.17#实质审查的生效;2022.01.25#公开

摘要：本发明提供了无损清洁的近红外纺织品含量预测新方法以及模型，首次将光谱解混理论引入到纺织品成分定性定量分析中，提出基于近红外光谱数据的纺织品纤维成分解混方法，即基于完全约束的最小二乘FullyConstrainedLeastSquares，FCLS线性成分解混方法。近红外纺织品含量预测方法包括数据标记模块、基于近红外光谱数据预处理模型、纺织品定性分析模块、基于FCLS成分解混核心模块以及定量结果的误差分析模块。实现了基于完全约束的最小二乘算法FCLS的线性成分解混方法，来实现多种纺织纤维纯材质和混纺纺织品的纤维单组分和多组分的成分预测；以提高模型成分分析预测的准确性；此方法实现了对纺织品成分的快速、无损、清洁检测，且准确率高，容易操作。

主权项：1.基于完全约束最小二乘法的纺织品成分解混方法，其特征在于，所述解混方法包括以下步骤：S1：采集纺织品纤维成分的近红外光谱特征数据；S2：定义光谱信息与纺织品成分的对应关系，建立纺织品纤维成分的光谱信息数据库；S3：近红外光谱数据的清洗和预处理；S4：基于完全约束最小二乘法，生成纺织品纤维成分的数据字典信息；S5：基于完全约束最小二乘法，确定纺织品性质，输出成分解混结果，所述步骤S2进一步包括：S21：基于光谱解混理论，定义光谱信息与纺织品成分的对应关系，光谱解混目的是获得混合像元或信号所包含的端元成分及其含量，即端元提取和端元丰度估计，解混模型的工作原理为： 其中，为重构的信号或者像元，η∈Rd为噪声，在像元解混中表示一个像素点的在d个通道上的光谱值，在信号中表示一个长度为d的序列数据信号； 为M个端元a＝a1，a2，...，aMT为各端元的丰度，且每项为非负；建立纺织品纤维成分的光谱信息数据库时，纺织品的类别信息可视为光谱解混中的端元em，纺织品的含量信息为各端元的丰度，二者的连接点在于纺织品纤维成分的近红外光谱信息为光谱解混中的近红外光谱信息，所述步骤S3进一步包括：S31：对采集、标注后的数据进行以下预处理：数据规范化处理，数据去噪处理，序列傅里叶变换处理，消除基线平移、漂移处理，扩充数据维度处理，仿光谱特征的数据增强处理，所述步骤S4进一步包括：S41：生成两种数据字典信息，一种为未知其类别性质，针对全数据进行生成数据字典信息；一种针对已知类型的纺织品，增加Mask，生成数据字典信息；分别对两种数据，进行完全约束的最小二乘法约束；S42：生成全局数据信息，对现存的所有纺织品数据，经过预处理，生成全数据的数据字典信息，该数据字典考虑到了全局特征，生成一个完整的特征空间；S43：按纺织品类别生成字典信息，对现存的所有纺织品数据，经过预处理，根据其类别的不同，生成对应类别的数据字典信息，该数据字典信息考虑到了局部特征，是对全局特征的细化和补充；S44：根据基于完全约束最小二乘法的纺织品成分解混方法，分别对全局数据以及按类别生成的数据进行约束，约束主要包含有非负约束与和为1约束，考虑到真实的纺织品定量分析结果为和为一的非负值；非负约束具体表现为，对于 和一约束具体表现为，对于X＝[x1,x2,...,xn]T，所述基于成分解混的纺织品成分含量预测方法步骤S5进一步包括：S51:将待测纺织品与全数字典库进行对照，得到其类别和含量信息；S52:将待测纺织品经过Mask模块，得到其类别结果，与对应类别的数据字典信息对比，得到其含量信息，Mask模块包括深度神经网络；S53:权衡步骤S51和步骤S52的两种结果，对两种结果进行投票，若Mask添加准确，则选定指定类别的纯材质或混合材质数据字典，使用基于成分解混的完全约束的最小二乘法，得到定量分析结果；若Mask模块的性能较差，则选择全局特征，在完整的特征空间内，应用完全约束的最小二乘法，无损清洁地得到其纺织品的预测含量。

全文数据：

权利要求：

百度查询： 池明旻 基于完全约束最小二乘法的纺织品成分解混方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD