吸湿排汗的面料及其制备工艺制造技术

公开了一种吸湿排汗的面料及其制备工艺，其中，所述面料由相互交织的经线和纬线组成，并且，在所述经线和纬线之间具有多个中空部，所述中空部具有预定尺寸，通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时，基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。预定要求。预定要求。

【技术实现步骤摘要】
吸湿排汗的面料及其制备工艺


[0001]本申请涉及面料制备及质量检测
，且更为具体地，涉及一种吸湿排汗的面料及其制备工艺。
技术背景
[0002]近年来，吸湿排汗面料被应用于各式各样的背包，尤其是旅行包中，以提升用户的旅途体验。面料的吸湿排汗功能的实现路径主要有两条：第一条是改变面料的结构，例如，中国专利CN 108819387所揭露的吸湿排汗面料；另一条，通过改变面料的编织结构来使得面料具有吸湿排汗的功能。
[0003]在第二条路径中，最关键的是对于编织工艺的设计，还有一个重要的技术问题是对编织物的编织质量的监测，以确保其编织之后的面料具有吸湿排汗的功能。
[0004]因此，期待一种优化的吸湿排汗的面料及其制备工艺。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种吸湿排汗的面料及其制备工艺，其中，所述面料由相互交织的经线和纬线组成，并且，在所述经线和纬线之间具有多个中空部，所述中空部具有预定尺寸，通过这样的结构布置以使得所述面料具有吸湿排汗的功能。同时，基于成型面料的检测图像的图像特征对成型后的面料进行成型质量检测以确保其成型质量满足预定要求。
[0006]相应地，根据本申请的一个方面，提供了一种吸湿排汗的面料，其由相互交织的经线和纬线组成，其中，在所述经线和纬线之间具有多个中空部，所述中空部具有预定尺寸，通过这样的结构布置以使得所述面料具有吸湿排汗的功能。
[0007]根据本申请的另一方面，还提供了一种吸湿排汗的面料的制备工艺，其包括：
[0008]以预定模式将经线和纬线编织在一起以得到成型面料；以及
[0009]基于由摄像头采集的所述成型面料的检测图像，对所述成型面料进行成型质量检测。
[0010]在上述吸湿排汗的面料的制备工艺中，所述基于由摄像头采集的所述成型面料的检测图像，对所述成型面料进行成型质量检测，包括：对所述检测图像进行分块处理以得到图像块序列；将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵；将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵；将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵；将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。
[0011]在上述吸湿排汗的面料的制备工艺中，所述将所述图像块序列中各个图像块分别
通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。
[0012]在上述吸湿排汗的面料的制备工艺中，所述计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵，包括：以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度；以及，将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。
[0013]在上述吸湿排汗的面料的制备工艺中，所述将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵，包括：所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述相似度拓扑特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述相似度拓扑矩阵。
[0014]在上述吸湿排汗的面料的制备工艺中，所述将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求，包括：将所述分类特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的 Softmax分类函数以得到所述分类结果。
[0015]在上述吸湿排汗的面料的制备工艺中，还包括训练步骤：对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
[0016]在上述吸湿排汗的面料的制备工艺中，所述训练步骤，包括：获取训练数据，所述训练数据包含所述成型面料的训练检测图像，以及，所述吸湿排汗的面料的成型质量是否满足预定要求的真实值；对所述训练检测图像进行分块处理以得到训练图像块序列；将所述训练图像块序列中各个训练图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练图像块特征向量；计算所述多个训练图像块特征向量中每两个训练图像块特征向量之间的余弦相似度以得到训练相似度拓扑矩阵；将所述训练相似度拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练相似度拓扑特征矩阵；将所述多个训练图像块特征向量进行二维排列以得到训练图像全局特征矩阵；将所述训练相似度拓扑特征矩阵和所述训练图像全局特征矩阵通过所述图神经网络模型以得到训练分类特征矩阵；将所述训练分类特征矩阵通过分类器以得到分类损失函数值；计算所述多个训练图像块特征向量的多分布二元分类质量损失函数；以及，以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
[0017]在上述吸湿排汗的面料的制备工艺中，所述计算所述多个训练图像块特征向量的多分布二元分类质量损失函数，包括：以如下公式计算计算所述多个训练图像块特征向量的多分布二元分类质量损失函数；其中，所述公式为：
[0018][0019]其中，V1到V
n
是各个图像块特征向量，V
r
是参考向量，且表示特征向量的分类结果，表示所述多个训练图像块特征向量的多分布二元分类质量损失函数，‖
·
‖1表示向量的1范数，log表示以2为底的对数函数。
[0020]根据本申请的再一方面，还提供了一种吸湿排汗的面料的制备系统，其包括：
[0021]编织模块，用于以预定模式将经线和纬线编织在一起以得到成型面料；以及
[0022]成型质量检测模块，用于基于由摄像头采集的所述成型面料的检测图像，对所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种吸湿排汗的面料，其特征在于，所述面料由相互交织的经线和纬线组成，其中，在所述经线和纬线之间具有多个中空部，所述中空部具有预定尺寸，通过这样的结构布置以使得所述面料具有吸湿排汗的功能。2.根据权利要求1所述的吸湿排汗的面料的制备工艺，其特征在于，包括：以预定模式将经线和纬线编织在一起以得到成型面料；以及基于由摄像头采集的所述成型面料的检测图像，对所述成型面料进行成型质量检测。3.根据权利要求2所述的吸湿排汗的面料的制备工艺，其特征在于，所述基于由摄像头采集的所述成型面料的检测图像，对所述成型面料进行成型质量检测，包括：对所述检测图像进行分块处理以得到图像块序列；将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量；计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵；将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵；将所述多个图像块特征向量进行二维排列以得到图像全局特征矩阵；将所述相似度拓扑特征矩阵和所述图像全局特征矩阵通过图神经网络模型以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示吸湿排汗的面料的成型质量是否满足预定要求。4.根据权利要求3所述的吸湿排汗的面料的制备工艺，其特征在于，所述将所述图像块序列中各个图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个图像块特征向量，包括：所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述图像块特征向量，所述第一卷积神经网络模型的第一层的输入为所述图像块序列中各个图像块。5.根据权利要求4所述的吸湿排汗的面料的制备工艺，其特征在于，所述计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到相似度拓扑矩阵，包括：以如下公式来计算所述多个图像块特征向量中每两个图像块特征向量之间的余弦相似度以得到多个余弦相似度；以及将所述多个余弦相似度进行二维排列以得到所述相似度拓扑矩阵。6.根据权利要求5所述的吸湿排汗的面料的制备工艺，其特征在于，所述将所述相似度拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到相似度拓扑特征矩阵，包括：所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第...

【专利技术属性】
技术研发人员：徐洪斌，杨晋平，林彬，吴子杰，
申请(专利权)人：浙江酷趣智能科技有限公司，
类型：发明
国别省市：