(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221098959 9.0 (22)申请日 2022.08.18 (71)申请人 南通保利金 纺织科技有限公司 地址 226000 江苏省南 通市海门区三厂街 道中华东路355号内6号房 (72)发明人 陈序锋　王芳　 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 20/70(2022.01) (54)发明名称 一种织物网孔智能分类与识别方法及系统 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种织物网孔智能分类与识别方法及系统。 该方法 是一种识别图像的方法， 能够应用于计算机视觉 软件等应用软件开发， 该方法包括： 获取待检测 网孔织物图像中的目标网孔； 计算目标网孔对应 的长宽比和周长； 利用灰度投影 法对目标网孔对 应的图像进行处理， 得到目标网孔对应的横向投 影曲线图和纵向投影曲线图， 以计算目标网孔对 应的横纵距离比、 曲线波动程度和曲线相似程 度； 根据目标网孔对应的长宽比、 周长、 横纵距离 比、 曲线波动程度和曲线相似程度， 得到目标网 孔对应的类别。 该系统可应用于生产领域的人工 智能系统等信息系统集成服务， 可应用于人工智 能优化操作系统。 本发明提高了对织物网孔进行 分类的准确率。 权利要求书2页 说明书8页 附图3页 CN 115082710 A 2022.09.20 CN 115082710 A 1.一种织物网孔智能分类与识别方法， 其特 征在于， 该 方法包括以下步骤： 获取待检测网孔 织物图像中的目标网孔； 计算目标网孔对应的连通域的最小外接矩形的长和宽的比值， 作为目标网孔对应的长 宽比； 计算目标网孔 边缘的长度， 得到目标网孔对应的周长； 利用灰度投影法对目标网孔对应的图像进行处理， 得到目标网孔对应的横向投影曲线 图和纵向投影曲线图； 根据目标网孔对应的横向投影曲线图和纵向投影曲线图， 计算 目标 网孔对应的横纵距离比、 曲线波动程度和曲线相似程度； 所述 曲线相似程度为网孔对应的 横向投影曲线图和纵向投影曲线图的相似度； 根据目标网孔对应的长宽比、 周长、 横纵距离比、 曲线波动程度和曲线相似程度， 得到 目标网孔对应的类别。 2.根据权利要求1所述的织物网孔智能分类与识别方法， 其特征在于， 根据目标网孔对 应的横向投影曲线图和纵向投影曲线图， 计算目标网孔对应的纵横距离比， 包括： 选取目标网孔对应的横向投影曲线图中的最大值， 记为 最大横向距离； 选取目标网孔对应的纵向投影曲线图中的最小值， 记为 最小纵向距离； 计算目标网孔对应的最大横向距离和最小纵向距离之比， 作为目标网孔对应的横 纵距 离比。 3.根据权利要求1所述的织物网孔智能分类与识别方法， 其特征在于， 计算目标网孔对 应的曲线 波动程度的公式为： 其中， 为目标网孔对应的曲线波动程度， 为目标网孔对应的二值图像的总行数， 为目标网孔对应的横向投影曲线图中横坐标为i时对应的值， 为目标网孔对应的横向投 影曲线图中各横坐标对应的值的均值， 为目标网孔对应的二值图像的总列数， 为目标网 孔对应的纵向投影曲线图中横坐标为j时对应的值， 为目标网孔对应的纵向投影曲线图 中各横坐标对应的值的均值。 4.根据权利要求1所述的织物网孔智能分类与识别方法， 其特征在于， 计算目标网孔对 应的曲线相似程度的公式为： 其中， 为目标网孔对应的曲线相 似程度， 为目标网孔对应的横向投影曲线图和 纵向投影曲线图之间的DTW距离 。 5.根据权利要求1所述的织物网孔智能分类与识别方法， 其特征在于， 计算目标网孔边 缘的长度， 得到目标网孔对应的周长， 包括： 利用边缘检测算法获取目标网孔对应的边 缘； 对目标网孔对应的各边缘像素点按顺序进行编号， 所述边缘像素点为边缘上的像素权　利　要　求　书 1/2 页 2 CN 115082710 A 2点； 计算各边缘像素点中编号相邻的两个边缘像素点之间的欧式距离， 记为第一子距离； 计算第一个边 缘像素点和最后一个边 缘像素点之间的欧式距离， 记为第二子距离； 计算各第一子距离和第二子距离之和， 作为目标网孔的周长 。 6.根据权利要求1所述的织物网孔智能分类与识别方法， 其特征在于， 根据目标网孔对 应的长宽比、 周长、 横纵距离比、 曲线波动程度和曲线相似程度， 得到目标网孔对应的类别， 包括： 根据目标网孔对应的横纵距离比、 曲线波动程度和曲线相似程度， 计算目标网孔对应 的特征描述指标； 利用差分识别算法对目标网孔对应的横向投影曲线图和纵向投影曲线图进行处理， 统 计所述横向投影曲线图和纵向投影曲线图中波峰波谷的总数量； 将目标网孔对应的长宽比、 周长、 特征描述指标以及波峰波谷的总数量输入到训练好 的网孔分类网络中， 得到目标网孔对应的类别。 7.根据权利要求6所述的织物网孔智能分类与识别方法， 其特征在于， 计算目标网孔对 应的特征描述指标的公式为： 其中， 为目标网孔对应的特征描 述指标， 为目标网孔对应的横纵距离比， 为目标网 孔对应的曲线波动程度， 为目标网孔对应的曲线相似程度， 为第一调节参数， 为第 二调节参数， 为第三调节参数。 8.根据权利要求6所述的织物网孔智能分类与识别方法， 其特征在于， 训练网孔分类网 络的过程， 包括： 获取多个不同种类的样本网孔对应的图像； 根据各样本网孔对应的图像， 得到各样本网孔对应的长宽比、 周长、 特征描述指标以及 波峰波谷的总数量； 对各样本网孔的类别进行打标签处理， 将各样本网孔对应的长宽比、 周长、 特征描述指 标以及波峰波谷的总数量作为网孔分类网络的输入对网孔分类网络进 行训练， 得到训练好 的网孔分类网络； 训练网孔分类网络的损失函数为交叉熵损失函数。 9.一种织物网孔智能分类与识别系统， 包括存储器和处理器， 其特征在于， 所述处理器 执行所述存储器存储的计算机程序， 以实现如权利要求1 ‑8任一项所述的织物网孔智能分 类与识别方法。权　利　要　求　书 2/2 页 3 CN 115082710 A 3