一种智能验布检测方法、系统、设备及介质实用新型专利

专利名称：一种智能验布检测方法、系统、设备及介质

专利类型：实用新型专利

专利申请号：CN202411035771.4

专利申请（专利权）人：四川意龙科纺集团股份有限公司
权利人地址：四川省乐山市井研县研城镇迎宾大道1、2号

专利发明（设计）人：发明人:李齐红,文可平,郑军,王晓丹,张潇尹

专利摘要：本申请涉及一种智能验布检测方法、系统、设备及介质，属于纺织物检测技术领域，检测方法包括：获取待检测布料的物理特性数据和光谱响应数据，并确定待检测布料的材料类型；根据材料类型，自适应调节多光谱图像采集参数，对待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；对预处理后的多光谱图像数据进行逐像素分析，识别正常区域和瑕疵区域；标记瑕疵区域并对瑕疵区域进行连续拍摄，得到瑕疵区域的时间序列图像；获取瑕疵区域在待检测布料上的移动轨迹和变化趋势，得到瑕疵区域的动态特性并确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端。本申请能够提高布料检测的准确性和可靠性。

主权利要求：
1.一种智能验布检测方法，其特征在于，所述检测方法包括：获取待检测布料的物理特性数据和光谱响应数据；
根据所述物理特性数据和光谱响应数据，确定所述待检测布料的材料类型；
根据所述材料类型，自适应调节多光谱图像采集参数；
基于所述多光谱图像采集参数，对所述待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；
对所述多光谱图像数据进行图像预处理；
根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别所述多光谱图像数据的正常区域和瑕疵区域；
标记所述瑕疵区域并对所述瑕疵区域进行连续拍摄，得到所述瑕疵区域的时间序列图像；
基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性；
根据所述瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端；
根据所述材料类型，自适应调节多光谱图像采集参数的步骤包括：实时获取当前环境数据并进行数据预处理；
提取所述预处理后的当前环境数据对应的环境特征；
基于所述材料类型对应的类别特征和所述环境特征，构建输入特征集；
将所述输入特征集输入至预先训练的参数配置模型中，对最佳多光谱图像采集参数进行预测，得到模型预测结果；
根据所述模型预测结果，对多光谱图像采集参数进行自适应调节；
所述检测方法还包括参数配置模型的训练步骤，所述训练步骤包括：获取历史样本特征集并进行预处理；所述历史样本特征集包括不同材料在不同环境下的最佳多光谱图像采集参数以及相应的图像质量指标；
对预处理后的历史样本特征集进行特征提取，得到基础特征向量集；
将所述基础特征向量集划分为训练样本和验证样本；
将所述训练样本输入至预先构建的梯度提升树模型中进行初训练，优化模型参数，得到初训练的参数配置模型；
基于所述验证样本对所述参数配置模型进行验证和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的所述参数配置模型。
2.根据权利要求1所述的一种智能验布检测方法，其特征在于，根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析的步骤包括；
根据预处理后的多光谱图像数据进行图像分割，得到初步划分的多个同质区域；
在多个同质区域中提取每个像素点在各个光谱波段的光谱特征，得到每个像素点的单像素特征；
计算每个像素点与相邻像素点在光谱特征上的差异，得到每个像素点的邻域特征；
根据所述单像素特征和邻域特征，加权融合得到每个像素点的综合特征向量；
基于预设逻辑规则，分别判断每个像素点的综合特征向量是否超过预设特征阈值；若是，则将所述像素点标记为瑕疵像素点；若否，则将所述像素点标记为正常像素点；
根据多个所述瑕疵像素点，得到瑕疵像素集合；
基于图像处理算法，根据所述瑕疵像素集合界定瑕疵区域的瑕疵边界；
根据所述瑕疵边界，将所述多光谱图像数据划分为正常区域和瑕疵区域。
3.根据权利要求2所述的一种智能验布检测方法，其特征在于，基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性的步骤包括：将所述瑕疵区域的时间序列图像进行图像配准；
根据配准后的时间序列图像进行瑕疵特征向量提取，构建瑕疵特征向量的时间序列；
基于动态时间规整算法，根据瑕疵特征向量的时间序列比较相邻帧间瑕疵特征向量的相似度，匹配连续帧中的相同瑕疵；
根据连续帧中的相同瑕疵，构建瑕疵特征向量的连续移动轨迹；
根据所述连续移动轨迹，提取瑕疵变化参数并基于时间序列分析算法识别瑕疵的变化趋势；
根据所述连续移动轨迹和变化趋势，提取得到所述瑕疵区域的动态特性；其中，动态特性包括扩散速率、颜色变化和移动路径。
4.根据权利要求1到3任一所述的一种智能验布检测方法，其特征在于，在识别所述待检测布料上的正常区域和瑕疵区域的步骤之后还包括：将所述待检测布料上的正常区域确定为样本测试区域，得到所述样本测试区域的样本坐标集；
根据所述样本坐标集进行近红外光反射，获取所述样本测试区域的近红外光谱数据；
对所述样本测试区域的近红外光谱数据进行预处理；
将预处理后的所述近红外光谱数据输入至预先构建的机器学习模型中，得到所述样本测试区域的化学残留分析结果；其中，所述化学残留分析结果包括样本测试区域内每个样本点的化学残留种类和浓度值；
基于预设可降解物质数据库，根据所述化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。
5.根据权利要求1到3任一所述的一种智能验布检测方法，其特征在于，在识别所述待检测布料上的正常区域和瑕疵区域的步骤之后还包括：将所述待检测布料上的正常区域确定为样本测试区域，得到所述样本测试区域的样本坐标集；
根据所述样本坐标集进行近红外光反射，获取所述样本测试区域的近红外光谱数据；
对所述样本测试区域的近红外光谱数据进行预处理；
将预处理后的光谱数据进行一阶和二阶导数处理，并基于峰值检测算法识别潜在特征峰；
对潜在特征峰中的噪声峰进行过滤，得到化学特征峰；
将所述化学特征峰与预设化学残留物质光谱特征库进行匹配，确定每个样本点的化学残留种类；
基于标准曲线法计算每个样本点的化学残留种类对应的浓度值；
根据每个样本点的化学残留种类和浓度值，得到化学残留分析结果；
基于预设可降解物质数据库，根据所述化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。
6.一种智能验布检测系统，其特征在于，所述检测系统包括：数据获取模块，用于获取待检测布料的物理特性数据和光谱响应数据；
材料类型识别模块，用于根据所述物理特性数据和光谱响应数据，确定所述待检测布料的材料类型；
采集参数调节模块，用于根据所述材料类型，自适应调节多光谱图像采集参数；
多光谱图像数据采集模块，用于基于所述多光谱图像采集参数，对所述待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；
图像预处理模块，用于对所述多光谱图像数据进行图像预处理；
图像分析模块，用于根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别所述多光谱图像数据的正常区域和瑕疵区域；
标记模块，用于标记所述瑕疵区域；
时间序列图像获取模块，用于对所述瑕疵区域进行连续拍摄，得到所述瑕疵区域的时间序列图像；
动态特性生成模块，用于基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性；
瑕疵检测模块，用于根据所述瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端；
所述采集参数调节模块被配置为：
实时获取当前环境数据并进行数据预处理；
提取所述预处理后的当前环境数据对应的环境特征；
基于所述材料类型对应的类别特征和所述环境特征，构建输入特征集；
将所述输入特征集输入至预先训练的参数配置模型中，对最佳多光谱图像采集参数进行预测，得到模型预测结果；
根据所述模型预测结果，对多光谱图像采集参数进行自适应调节；
其中，所述参数配置模型的训练步骤包括：
获取历史样本特征集并进行预处理；所述历史样本特征集包括不同材料在不同环境下的最佳多光谱图像采集参数以及相应的图像质量指标；
对预处理后的历史样本特征集进行特征提取，得到基础特征向量集；
将所述基础特征向量集划分为训练样本和验证样本；
将所述训练样本输入至预先构建的梯度提升树模型中进行初训练，优化模型参数，得到初训练的参数配置模型；
基于所述验证样本对所述参数配置模型进行验证和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的所述参数配置模型。
7.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1到5任一所述方法。
8.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1到5任一种所述方法的计算机程序。 说明书 : 一种智能验布检测方法、系统、设备及介质技术领域[0001] 本申请涉及纺织物检测技术领域，尤其是涉及一种智能验布检测方法、系统、设备及介质。背景技术[0002] 在现代纺织行业中，布料检测与质量控制扮演着举足轻重的角色，它们是确保纺织品从原材料到成品各个阶段品质稳定、符合标准的核心环节。布料，作为服装、家纺、医疗用品及工业材料等诸多领域不可或缺的基本元素，其质量直接关乎产品的舒适性、耐用性、安全性乃至市场竞争力。[0003] 随着消费者对纺织品质量要求的不断提高和生产效率的迫切需求，自动化、智能化的检测技术成为行业升级转型的必然趋势。精准高效的检测手段不仅能及时发现生产过程中的瑕疵，如色差、织造缺陷、污渍、断裂等，还能有效预防不合格产品流入市场，减少经济损失，维护品牌形象。[0004] 目前，布料类型的多样性为纺织品的质量控制带来了巨大挑战，从天然纤维（如棉、麻、丝）到合成纤维（如聚酯、尼龙），不同材质的物理特征和化学特性各异，对检测技术和标准提出了不同的要求。尤其是针对含有复杂图案和精细纹理的高档布料，常见的智能验布检测系统往往缺乏对特定材质特性的自适应能力，导致在区分瑕疵与图案细节方面存在局限，同时，对于一些微小瑕疵，由于无法确定瑕疵的动态特性，经常出现漏检或误报现象，从而影响了检测的准确性和可靠性。发明内容[0005] 为了提高布料检测的准确性和可靠性，本申请提供了一种智能验布检测方法、系统、设备及介质。[0006] 第一方面，本申请提供一种智能验布检测方法，采用如下的技术方案：[0007] 一种智能验布检测方法，所述检测方法包括：[0008] 获取待检测布料的物理特性数据和光谱响应数据；[0009] 根据所述物理特性数据和光谱响应数据，确定所述待检测布料的材料类型；[0010] 根据所述材料类型，自适应调节多光谱图像采集参数；[0011] 基于所述多光谱图像采集参数，对所述待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；[0012] 对所述多光谱图像数据进行图像预处理；[0013] 根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别所述多光谱图像数据的正常区域和瑕疵区域；[0014] 标记所述瑕疵区域并对所述瑕疵区域进行连续拍摄，得到所述瑕疵区域的时间序列图像；[0015] 基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性；[0016] 根据所述瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端。[0017] 通过采用上述技术方案，综合运用物理特性分析、多光谱成像技术、高精度图像处理算法以及时间序列分析，不仅能够适应多种布料材质的检测需求，还能够精准识别各类瑕疵，同时能够对微小瑕疵进行有效追踪和分类，提升了布料检测的准确性和可靠性，极大地增强了生产过程中的质量控制能力，为纺织行业提供了有力的技术支持，推动了纺织品检验的智能化和可持续发展。[0018] 可选的，根据所述材料类型，自适应调节多光谱图像采集参数的步骤包括：[0019] 实时获取当前环境数据并进行数据预处理；[0020] 提取所述预处理后的当前环境数据对应的环境特征；[0021] 基于所述材料类型对应的类别特征和所述环境特征，构建输入特征集；[0022] 将所述输入特征集输入至预先训练的参数配置模型中，对最佳多光谱图像采集参数进行预测，得到模型预测结果；[0023] 根据所述模型预测结果，对多光谱图像采集参数进行自适应调节。[0024] 通过采用上述技术方案，根据不同的材料类型和不断变化的环境条件，动态调整图像采集策略，确保在各种复杂环境下都能获得最佳成像条件，以减少外部环境因素对图像质量的负面影响，使得瑕疵识别更加准确；另外，通过减少了对人工干预配置参数的依赖，使得整个检测过程更加流畅、高效，提高了整体检测效率。[0025] 可选的，根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析的步骤包括；[0026] 根据预处理后的多光谱图像数据进行图像分割，得到初步划分的多个同质区域；[0027] 在多个同质区域中提取每个像素点在各个光谱波段的光谱特征，得到每个像素点的单像素特征；[0028] 计算每个像素点与相邻像素点在光谱特征上的差异，得到每个像素点的邻域特征；[0029] 根据所述单像素特征和邻域特征，加权融合得到每个像素点的综合特征向量；[0030] 基于预设逻辑规则，分别判断每个像素点的综合特征向量是否超过预设特征阈值；若是，则将所述像素点标记为瑕疵像素点；若否，则将所述像素点标记为正常像素点；[0031] 根据多个所述瑕疵像素点，得到瑕疵像素集合；[0032] 基于图像处理算法，根据所述瑕疵像素集合界定瑕疵区域的瑕疵边界；[0033] 根据所述瑕疵边界，将所述多光谱图像数据划分为正常区域和瑕疵区域。[0034] 通过采用上述技术方案，不仅提高了布料瑕疵检测的精度和效率，还通过综合分析像素级特征和空间上下文信息，增强了对复杂瑕疵模式的识别能力，显著提升了布料图像数据分析的智能化水平。[0035] 可选的，基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性的步骤包括：[0036] 将所述瑕疵区域的时间序列图像进行图像配准；[0037] 根据配准后的时间序列图像进行瑕疵特征向量提取，构建瑕疵特征向量的时间序列；[0038] 基于动态时间规整算法，根据瑕疵特征向量的时间序列比较相邻帧间瑕疵特征向量的相似度，匹配连续帧中的相同瑕疵；[0039] 根据连续帧中的相同瑕疵，构建瑕疵特征向量的连续移动轨迹；[0040] 根据所述连续移动轨迹，提取瑕疵变化参数并基于时间序列分析算法识别瑕疵的变化趋势；[0041] 根据所述连续移动轨迹和变化趋势，提取得到所述瑕疵区域的动态特性；其中，动态特性包括扩散速率、颜色变化和移动路径。[0042] 通过采用上述技术方案，捕捉瑕疵区域在时间维度上的动态行为，深化了对瑕疵动态特性的理解，有助于精准确定瑕疵类型，为纺织品质量控制和工艺优化提供了更为全面和深入的信息。[0043] 可选的，所述检测方法还包括参数配置模型的训练步骤，所述训练步骤包括：[0044] 获取历史样本特征集并进行预处理；所述历史样本特征集包括不同材料在不同环境下的最佳多光谱图像采集参数以及相应的图像质量指标；[0045] 对预处理后的历史样本特征集进行特征提取，得到基础特征向量集；[0046] 将所述基础特征向量集划分为训练样本和验证样本；[0047] 将所述训练样本输入至预先构建的梯度提升树模型中进行初训练，优化模型参数，得到初训练的参数配置模型；[0048] 基于所述验证样本对所述参数配置模型进行验证和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的所述参数配置模型。[0049] 通过采用上述技术方案，经过细致的数据预处理、精心设计的特征工程、以及基于梯度提升树的高效模型训练与优化流程，构建了一套能够自适应调节多光谱图像采集参数的参数配置模型；该模型能够根据材料类型和实时环境数据，精确预测出最优的图像采集设置，显著提升了布料检测的自动化水平和检测精度，降低了人力成本，为纺织行业智能化生产提供了强有力的技术支持。[0050] 可选的，在识别所述待检测布料上的正常区域和瑕疵区域的步骤之后还包括：[0051] 将所述待检测布料上的正常区域确定为样本测试区域，得到所述样本测试区域的样本坐标集；[0052] 根据所述样本坐标集进行近红外光反射，获取所述样本测试区域的近红外光谱数据；[0053] 对所述样本测试区域的近红外光谱数据进行预处理；[0054] 将预处理后的所述近红外光谱数据输入至预先构建的机器学习模型中，得到所述样本测试区域的化学残留分析结果；其中，所述化学残留分析结果包括样本测试区域内每个样本点的化学残留种类和浓度值；[0055] 基于预设可降解物质数据库，根据所述化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。[0056] 通过采用上述技术方案，在完成瑕疵检测后，增加化学残留、可降解性等环保性能的测试环节，通过采用非破坏性的近红外光谱分析检测技术，对待检测布料进行化学残留分析和可降解性测试，快速获取相关指标数据，以衡量布料的环保性能，为纺织品的环保生产和消费提供了科学依据，对促进纺织行业的可持续发展具有重要意义。[0057] 可选的，在识别所述待检测布料上的正常区域和瑕疵区域的步骤之后还包括：[0058] 将所述待检测布料上的正常区域确定为样本测试区域，得到所述样本测试区域的样本坐标集；[0059] 根据所述样本坐标集进行近红外光反射，获取所述样本测试区域的近红外光谱数据；[0060] 对所述样本测试区域的近红外光谱数据进行预处理；[0061] 将预处理后的光谱数据进行一阶和二阶导数处理，并基于峰值检测算法识别潜在特征峰；[0062] 对潜在特征峰中的噪声峰进行过滤，得到化学特征峰；[0063] 将所述化学特征峰与预设化学残留物质光谱特征库进行匹配，确定每个样本点的化学残留种类；[0064] 基于标准曲线法计算每个样本点的化学残留种类对应的浓度值；[0065] 根据每个样本点的化学残留种类和浓度值，得到化学残留分析结果；[0066] 基于预设可降解物质数据库，根据所述化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。[0067] 通过采用上述技术方案，在识别待检测布料上的正常区域后，利用近红外光谱技术进行非破坏性的化学残留分析，识别并计算每个样本点的化学残留种类和浓度，再基于预设的可降解物质数据库评估布料的可降解性等级。该方案通过明确的逻辑规则和标准化方法进行化学残留分析和可降解性评估，确保了检测结果的准确性和可靠性，同时快速提供了布料的环保性能指标，为纺织品的环保生产和消费提供了科学依据，对促进纺织行业的可持续发展具有重要意义。[0068] 第二方面，本申请提供一种智能验布检测系统，采用如下的技术方案：[0069] 一种智能验布检测系统，所述检测系统包括：[0070] 数据获取模块，用于获取待检测布料的物理特性数据和光谱响应数据；[0071] 材料类型识别模块，用于根据所述物理特性数据和光谱响应数据，确定所述待检测布料的材料类型；[0072] 采集参数调节模块，用于根据所述材料类型，自适应调节多光谱图像采集参数；[0073] 多光谱图像数据采集模块，用于基于所述多光谱图像采集参数，对所述待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；[0074] 图像预处理模块，用于对所述多光谱图像数据进行图像预处理；[0075] 图像分析模块，用于根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别所述多光谱图像数据的正常区域和瑕疵区域；[0076] 标记模块，用于标记所述瑕疵区域；[0077] 时间序列图像获取模块，用于对所述瑕疵区域进行连续拍摄，得到所述瑕疵区域的时间序列图像；[0078] 动态特性生成模块，用于基于所述时间序列图像进行分析，获取所述瑕疵区域在所述待检测布料上的移动轨迹和变化趋势，得到所述瑕疵区域的动态特性；[0079] 瑕疵检测模块，用于根据所述瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端。[0080] 第三方面，本申请提供一种计算机设备，采用如下的技术方案：[0081] 一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述方法的步骤。[0082] 第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：[0083] 一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面中任一种方法的计算机程序。[0084] 综上所述，本申请包括以下至少一种有益技术效果：综合运用物理特性分析、多光谱成像技术、高精度图像处理算法以及时间序列分析，不仅能够适应多种布料材质的检测需求，还能够精准识别各类瑕疵，同时能够对微小瑕疵进行有效追踪和分类，提升了布料检测的准确性和可靠性，极大地增强了生产过程中的质量控制能力，为纺织行业提供了有力的技术支持，推动了纺织品检验的智能化和可持续发展。附图说明[0085] 图1是本申请其中一个实施例的智能验布检测方法的第一流程示意图；[0086] 图2是本申请其中一个实施例的智能验布检测方法的第二流程示意图；[0087] 图3是本申请其中一个实施例的智能验布检测方法的第三流程示意图；[0088] 图4是本申请其中一个实施例的基于梯度提升树的参数配置模型的模型结构示意图；[0089] 图5是本申请其中一个实施例的智能验布检测方法的第四流程示意图；[0090] 图6是本申请其中一个实施例的智能验布检测方法的第五流程示意图；[0091] 图7是本申请其中一个实施例的智能验布检测方法的第六流程示意图；[0092] 图8是本申请其中一个实施例的智能验布检测方法的第七流程示意图。具体实施方式[0093] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图1‑8及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。[0094] 目前，布料的质量控制是确保产品最终品质的关键环节之一。传统的布料检测大多依赖人工目视检查，这种方式不仅效率低下，而且受检测人员主观经验影响大，容易出现误判和漏检，尤其是在面对大规模、高速生产线时，这种局限性更加显著。随着科技的进步，市场上虽已出现了一些自动化和半自动化的验布设备，但这些设备往往存在检测精度不高、适应性不强、难以处理复杂图案和细微瑕疵等问题，特别是对于新型纤维材料的检测，传统技术更是难以满足需求。[0095] 尤其是针对含有复杂图案和精细纹理的高档布料，现有的自动检测系统往往因为缺乏对特定材质特性的自适应调节能力，导致在区分瑕疵与图案细节方面存在局限。此外，这些系统在检测微小瑕疵时，由于缺乏有效的动态追踪与时间序列分析技术，经常出现漏检或误报现象，影响了检测的可靠性和效率。同时，市场对纺织品环保性能的要求日益增高，但现有技术在化学残留分析和可降解性评估方面的集成应用尚显不足，难以提供全面的环保评估报告，制约了纺织业的可持续发展。[0096] 因此，本申请正是针对上述技术问题，提出了一种集多光谱图像分析、智能逻辑判断、动态追踪与环保评估于一体的智能验布检测方法，旨在实现对布料质量的高效、精确、全面控制。[0097] 本申请实施例公开一种智能验布检测方法。[0098] 参照图1，一种智能验布检测方法，检测方法包括：[0099] 步骤S101，获取待检测布料的物理特性数据和光谱响应数据；[0100] 具体地，待检测布料在进入检测线前，首先可通过微型物理探针触碰布面，采集基本物理特性（如硬度、密度、厚度、弹性等）；同时，光谱分析仪对布料发射和反射的光谱进行快速扫描，获取材料的光谱响应曲线，以反映布料在不同波长光线下的吸收与反射特性。[0101] 步骤S102，根据物理特性数据和光谱响应数据，确定待检测布料的材料类型；[0102] 作为确定材料类型的一种实施方式，由于不同材料类型的布料具有不同的物理和光谱特性，利用预先建立的材料特征数据库，通过对比各种已知布料类型的物理特性数据和光谱响应数据，即可实现材料类型的快速识别；其中，预先建立的材料特征数据库应至少覆盖天然纤维（如棉、麻、丝）、合成纤维（如聚酯、尼龙）以及其他新型材料。[0103] 在一些其他实施例中，为了提高识别效率和准确性，还可利用机器学习算法，整合材料特征数据库中的物理特性和光谱数据双重信息源，通过智能化分析和模型训练，建立能够自动学习这些特征与已知材质类型间的复杂关联的材质识别模型，形成对布料材质的深度识别能力，从而实现对未知布料的高精度分类鉴定；相比于依赖静态数据库对比的方式，该方案具有更强的自适应性和识别准确性。[0104] 可以理解的是，通过准确识别布料材质，使得接下来的检测参数调整更具针对性，提高检测效率和准确性。[0105] 步骤S103，根据材料类型，自适应调节多光谱图像采集参数；[0106] 其中，多光谱图像采集参数包括光源（紫外线、可见光、红外线）强度和波长组合，以及图像采集设备的具体参数（曝光时间、分辨率等）；[0107] 可以理解的是，系统通过自适应调节多光谱图像采集参数，以最大化地突出材料中可能存在的瑕疵特征，确保了在不同材质上都能获得高质量的多光谱图像，为后续的瑕疵识别提供了关键视觉信息。[0108] 步骤S104，基于多光谱图像采集参数，对待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；[0109] 在一些具体的实施例中，多光谱图像采集系统应用调节后的多光谱图像采集参数，通过集成紫外线、红外线及可见光等多种光源对待检测布料进行多波段照射，并通过高灵敏度的图像采集设备同步捕获图像数据，形成多光谱图像矩阵，以作为采集得到的多光谱图像数据；[0110] 可以理解的是，通过覆盖从紫外线到红外线的多个波段，以便于捕捉不同光谱下可能隐藏的瑕疵特征，不仅增加了检测的深度和广度，还能够发现肉眼或单一波段难以察觉的细节。[0111] 步骤S105，对多光谱图像数据进行图像预处理；[0112] 在一些具体的实施例中，预处理步骤包括从多光谱图像数据中提取关键特征，如纹理对比度、颜色均匀度、亮度差异等，并进行去噪、增强、对比度调整等预处理操作，以提升图像质量，确保特征的有效性和准确性，消除了不必要的干扰因素。[0113] 步骤S106，根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别多光谱图像数据的正常区域和瑕疵区域；[0114] 其中，将预处理后的图像数据进行像素级的特征分析，基于纺织专家知识库，设定一系列逻辑规则与特征阈值，例如通过对比相邻像素的光谱差异来识别异物或色差，判断是否超过异常颜色变化阈值，进而实现精细化的瑕疵定位，即使是非常微小的瑕疵也能被识别，有效区分了正常纺织构造和瑕疵区域。[0115] 步骤S107，标记瑕疵区域并对瑕疵区域进行连续拍摄，得到瑕疵区域的时间序列图像；[0116] 具体地，在初步分析后，定位并标记识别出的瑕疵区域，可使用高分辨率相机在连续的时间间隔下进行连续拍摄，得到时间序列图像，以获取瑕疵区域在时间序列上的变化，这有助于区分真正的瑕疵和由于拍摄角度、光线变化等造成的假象。[0117] 可以理解的是，在面对一些微小瑕疵时，可能在单次拍摄中不易被检测发现，但通过连续拍摄和时间序列分析，可以观察到这些瑕疵随时间的累积效应，从而提高检测系统的敏感度，降低了漏检的风险。[0118] 步骤S108，基于时间序列图像进行分析，获取瑕疵区域在待检测布料上的移动轨迹和变化趋势，得到瑕疵区域的动态特性；[0119] 其中，动态特性包括扩散速率、颜色变化和移动路径；[0120] 在一些具体的实施例中，利用连续时间序列，可通过图像配准与动态跟踪算法，精确追踪瑕疵在布料上的移动轨迹，并分析其随时间的变化趋势，以进一步提取瑕疵区域的动态特性，为瑕疵类型判断提供了动态信息，增加了检测深度。[0121] 步骤S109，根据瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端。[0122] 其中，在确定瑕疵类型后，即可形成瑕疵检测结果并反馈至管理人员的管理终端，为后续的布料质量管控提供具体指导。[0123] 上述实施方式中，综合运用物理特性分析、多光谱成像技术、高精度图像处理算法以及时间序列分析，不仅能够适应多种布料材质的检测需求，还能够精准识别各类瑕疵，同时能够对微小瑕疵进行有效追踪和分类，提升了布料检测的准确性和可靠性，极大地增强了生产过程中的质量控制能力，为纺织行业提供了有力的技术支持，推动了纺织品检验的智能化和可持续发展。[0124] 在本申请的其中一些实施例中，瑕疵类型例如扩散型瑕疵、线性移动型瑕疵、颜色变化型瑕疵、针孔型瑕疵、织物损坏型瑕疵、色斑型瑕疵等等；具体地，扩散型瑕疵例如扩散型油污、液体渗透等瑕疵，线性移动型瑕疵例如线头脱落、机械部件造成划痕等瑕疵，颜色变化型瑕疵例如染料不均匀、化学物质发生反应等瑕疵，针孔型瑕疵例如针头刺破布料、织造过程中张力不均等形成针孔造成的瑕疵，织物损坏型瑕疵例如机械部件造成布料损伤、布料被拉扯撕裂等缺陷，色斑型瑕疵例如染色不均、颜料飞溅等形成色斑导致的瑕疵。[0125] 作为确定对应的瑕疵类型的一种实施方式，可引入机器学习算法，例如可采用SVM（支持向量机）模型，通过提取扩散速率、颜色变化和移动路径等动态特性，构建丰富的特征向量，将该特征向量输入至支持向量机（SVM）模型中，模型即可利用这些特征向量，通过高维空间中的超平面分类，将输入的动态特性映射到相应的瑕疵类型，输出判定结果，如“扩散型瑕疵”或“颜色变化型瑕疵”。[0126] 具体地，该SVM模型通过收集大量已知瑕疵类型的时间序列图像数据，提取对应的动态特性，构建训练数据集，每个训练样本中均包括一个特征向量和相应的瑕疵类型标签。通过使用这些训练数据调整模型内部参数，寻找能够最优区分不同瑕疵类型的超平面，实现对动态特性与瑕疵类型之间的映射。通过反复的训练和验证，模型优化其分类能力，最终能够在实际检测中准确判定未知样本的瑕疵类型。[0127] 作为确定对应的瑕疵类型的另一种实施方式，也可通过设定一系列基于专家知识和经验的逻辑规则对动态特性进行分析，判断其是否符合某些特定的瑕疵模式，以便于确定瑕疵类型。[0128] 具体地，例如，如果动态特性显示瑕疵区域面积随时间快速扩散，并伴随颜色变化，则可确定为“扩散型瑕疵（如油污扩散）”；若位置变化呈现规律性移动，则可确定为“线性移动型瑕疵（如线头脱落）”；若光谱特征变化显著，则可确定为“颜色变化型瑕疵（如染料不均匀）”。通过这种方式，系统能够准确地识别并分类不同类型的瑕疵，例如“扩散型油污”、“线性移动的织物缺陷”或“逐渐变色的色斑”等。[0129] 参照图2，作为步骤S103的一种实施方式，根据材料类型，自适应调节多光谱图像采集参数的步骤包括：[0130] 步骤S201，实时获取当前环境数据并进行数据预处理；[0131] 在一些具体的实施例中，可通过传感器网络（如光照传感器、温湿度传感器）实时监测周围环境状态，收集光照强度、温度、湿度等关键参数。数据预处理步骤包括数据清洗和标准化，通过去除异常值，对光照强度、温度等数值型数据进行归一化处理，确保数据质量，便于后续分析。[0132] 步骤S202，提取预处理后的当前环境数据对应的环境特征；[0133] 具体地，从预处理后的环境数据中，选取与图像采集质量密切相关的特征变量，如归一化后的光照强度（影响曝光时间和光源补偿）、温度（可能影响相机元件性能）等特征，以直接或间接反映当前环境对成像质量的影响；[0134] 可以理解的是，通过聚焦于影响采集参数的关键因素，提高模型预测的针对性和准确性。[0135] 步骤S203，基于材料类型对应的类别特征和环境特征，构建输入特征集；[0136] 其中，结合识别到的材料类型（作为类别特征，反映不同材质对光谱吸收与反射的差异）和提取的环境特征，构建全面的输入特征集，旨在形成能够有效表达采集场景复杂性的特征向量集。[0137] 步骤S204，将输入特征集输入至预先训练的参数配置模型中，对最佳多光谱图像采集参数进行预测，得到模型预测结果；[0138] 其中，该参数配置模型基于历史数据和机器学习算法学习到了材料特性与环境因素对采集参数（如光源强度、波长组合、曝光时间等）的最优配置映射关系，因此能够快速而准确地预测出针对当前特定条件下的最优采集参数，实现参数配置的智能化和自适应。[0139] 步骤S205，根据模型预测结果，对多光谱图像采集参数进行自适应调节。[0140] 其中，根据模型预测结果，系统自动调整采集设备的参数配置，如调节光源亮度、切换至推荐的光谱波段组合，以及设定相机的曝光参数、分辨率等，以期获得最高质量的图像数据。[0141] 上述实施方式中，根据不同的材料类型和不断变化的环境条件，动态调整图像采集策略，确保在各种复杂环境下都能获得最佳成像条件，以减少外部环境因素对图像质量的负面影响，使得瑕疵识别更加准确；另外，通过减少了对人工干预配置参数的依赖，使得整个检测过程更加流畅、高效，提高了整体检测效率。[0142] 可以理解的是，自适应调节通常指的是系统根据环境变化或条件变化自动调整其参数或行为，以更好地适应当前的情况或需求；因此，本申请在优化调整多光谱图像采集参数的过程中引入实时环境数据，通过实现采集参数的动态自适应调整，确保在各种条件下都能获得最佳图像质量，提高检测系统的稳定性和检测结果的可靠性。[0143] 例如，在高湿度环境下采集某种吸湿性较强的棉质布料的多光谱图像时，若不考虑环境因素，高湿度可能导致布料表面微反光增强，影响图像的对比度和清晰度；而实时环境数据的引入使得系统能够识别当前的高湿度条件，自动调整光源强度和选择更有利于降低表面反光影响的波长组合，同时调整相机的曝光时间，以减少环境湿度带来的图像模糊，确保图像质量，从而准确检测布料瑕疵。[0144] 再例如，当光照强度变化时，系统可通过自动调整相机的曝光时间和增益，以维持图像的适宜亮度和对比度；在温度变化时，可以通过调整光源功率或补偿算法来稳定图像质量和光谱数据的准确性。[0145] 参照图3，作为智能验布检测方法进一步的实施方式，检测方法还包括参数配置模型的训练步骤，训练步骤包括：[0146] 步骤S301，获取历史样本特征集并进行预处理；[0147] 其中，历史样本特征集包括不同材料在不同环境下的最佳多光谱图像采集参数以及相应的图像质量指标；[0148] 具体地，可收集历史上成功采集的多光谱图像的详细参数记录，包括不同材料在特定环境（如不同光照、温度条件）下使用的光源强度、波长组合、曝光时间等最佳采集参数，以及这些参数下获得的图像质量指标（如清晰度、对比度）。[0149] 在一些实施例中，预处理步骤包括数据清洗、标准化和规范化，确保数据质量与模型训练的效率；通过构建一个丰富的训练数据集，并经过数据预处理消除了数据中的噪声和不一致性，为模型训练奠定了坚实的基础。[0150] 步骤S302，对预处理后的历史样本特征集进行特征提取，得到基础特征向量集；[0151] 其中，从预处理后的数据中，提取与图像采集质量紧密相关的特征，如材料类型、环境因素（光照强度、温度）及采集参数（光源强度等），这些特征经过组合和转换形成基础特征向量集，为模型提供输入；通过精心设计的特征工程，提高了模型对关键因素的敏感度，有助于模型更好地理解和学习数据中的模式。[0152] 步骤S303，将基础特征向量集划分为训练样本和验证样本；[0153] 其中，将基础特征向量集随机分为两部分，一部分用于模型训练，另一部分作为验证集来评估模型性能，确保模型的泛化能力。[0154] 步骤S304，将训练样本输入至预先构建的梯度提升树模型中进行初训练，优化模型参数，得到初训练的参数配置模型；[0155] 在本申请实施例中，可采用梯度提升树（GBM）模型进行初训练，GBM通过迭代地添加弱学习器（通常是决策树），每一棵树都尝试纠正前一棵树的残差，以此逐渐提升预测性能；其中，初训练阶段包括优化模型的超参数，如学习率、树的数量、树的最大深度等，通过GBM的迭代学习，模型能够逐步学习到复杂特征间的非线性关系，逐步提升预测准确性。[0156] 步骤S305，基于验证样本对参数配置模型进行验证和模型参数校正，直到模型的损失函数满足预设条件或模型迭代次数达到预设次数，得到训练完成的参数配置模型。[0157] 具体地，利用验证集评估初训练模型的性能，根据评估结果调整模型参数，如减小学习率、增加树的复杂度等，直至模型在验证集上的损失函数达到预设阈值或达到预定的迭代次数，确保模型在保持良好泛化能力的同时，达到最佳预测性能，提高了模型的实用性和稳定性。[0158] 上述实施方式中，经过细致的数据预处理、精心设计的特征工程、以及基于梯度提升树的高效模型训练与优化流程，构建了一套能够自适应调节多光谱图像采集参数的参数配置模型；该模型能够根据材料类型和实时环境数据，精确预测出最优的图像采集设置，显著提升了布料检测的自动化水平和检测精度，降低了人力成本，为纺织行业智能化生产提供了强有力的技术支持。[0159] 作为构建基于梯度提升树（GBM）的参数配置模型的具体实施方式，GBM模型在训练过程中以迭代方式逐步构建决策树序列，每棵决策树作为弱学习器，具有固定的最大深度（例如5‑10层），以避免过拟合；树的每个内部节点代表一个特征测试（如光照强度阈值、材料类型分类），分支代表测试结果，叶节点存储预测的采集参数调整值（如光源强度增量、波长调整范围）或回归值（如曝光时间）；并且，在树的生长过程中，采用特征重要性评估（如基尼不纯度或信息增益）来选择最佳分裂特征，确保每一步分裂都能最大程度地减少预测误差。[0160] 在具体迭代过程中，GBM模型通过添加新的决策树来逐步减少预测误差，每棵树基于前一棵树的残差进行训练，即试图修正前一棵树的预测错误；每棵树的预测输出会乘以一个小于1的学习率（例如0.1），以控制模型学习的速度，减少过拟合的风险；另外，可采用平方损失或绝对损失函数来度量当前模型预测与真实标签（最佳采集参数）之间的差距，以此指导每一轮迭代中树的生长。[0161] 最后，通过限制树的深度、最小样本数分裂节点等方法实现模型的正则化，避免模型复杂度过高；当验证集上的损失函数改善小于预设阈值（如0.001），或者达到预设的最大迭代次数（如100次）时，即可停止添加新的决策树，完成模型训练。[0162] 参照图4所示为本申请其中一实施例基于梯度提升树（GBM）的参数配置模型的模型结构示意图，主要包括以下结构：[0163] 模型起点：以“GBM模型结构”作为起点，表示模型的初始化阶段，准备接收和处理输入数据。[0164] 特征测试节点：模型分为三个主要的特征测试路径，分别对应光照强度、材料类型和环境因素的综合评估；这些特征测试是模型决策过程的基础。[0165] 光照强度决策树：该路径下，根据实时获取的光照强度数据，模型将进行判断：如果光照强度“低于阈值”，模型将决定“降低光源强度”；如果光照强度“高于阈值”，模型将决定“增加光源强度”；如果光照强度“接近理想值”，模型将维持“光源强度”。[0166] 材料类型决策树：在材料类型测试中，模型根据不同的材料特性进行分类，并为每种材料类型指定不同的波长调整策略：对于“棉质材料”，模型将“调整波长范围A”；对于“化纤材料”，模型将“调整波长范围B”；对于“混纺材料”，模型将“调整波长范围C”。[0167] 综合评估决策树：环境因素的综合评估将基于前两个决策树的输出以及其他环境参数，进行综合分析以“确定曝光时间”。[0168] 参数输出：所有决策路径最终汇聚到“输出采集参数”节点，这里模型将输出最终的采集参数，包括光源强度、波长范围和曝光时间等，以实现最优的多光谱图像采集效果。[0169] 通过上述方式训练完成后，该参数配置模型能够接收实时的材料类型和环境数据作为输入，输出优化的采集参数，指导多光谱图像采集设备的自适应调节，确保在不同条件下的图像采集质量，有效支持智能验布检测过程，提升检测效率与准确性，满足纺织行业对高效、精确质量控制的需求。[0170] 参照图5，作为步骤S106的一种实施方式，根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析的步骤包括；[0171] 步骤S401，根据预处理后的多光谱图像数据进行图像分割，得到初步划分的多个同质区域；[0172] 其中，可采用图像分割技术，依据光谱特征、颜色、纹理等信息，将多光谱图像数据初步划分为多个不同类型的同质区域，同质区域是指具有相似属性或特征的一片连续区域，例如颜色、纹理、灰度值或光谱反射率接近的像素集合。在一些实施例中，图像分割技术可采用阈值分割、边缘检测或聚类分析等。[0173] 在本申请实施例中，这些同质区域可能对应于不同的织物材质、颜色块或潜在的瑕疵区域，通过为后续像素级分析提供结构化的分析框架，减少不必要的全局搜索，提高分析效率。[0174] 步骤S402，在多个同质区域中提取每个像素点在各个光谱波段的光谱特征，得到每个像素点的单像素特征；[0175] 其中，从每个像素点处提取其在各个光谱波段的辐射强度或反射率，形成该像素点的光谱特征向量，以反映其光谱反射或吸收特性，便于后续对于特定物质或异常的光谱信号的识别。[0176] 可以理解的是，在初步划分的多个同质区域内，对每个像素点进行详细的光谱特征提取。这意味着，每个像素点的特征提取不仅基于其在各光谱通道的响应，还考虑到它所在区域的先验知识（初步划分的同质区域类型）；例如，若某区域被初步判断为潜在瑕疵区，则对该区域内像素的特征分析会侧重于寻找异常的光谱特征。[0177] 步骤S403，计算每个像素点与相邻像素点在光谱特征上的差异，得到每个像素点的邻域特征；[0178] 其中，在提取单个像素点特征的同时，考虑该像素点与周围相邻像素点之间的差异，通过计算邻域内像素的统计特征（如均值、标准差、相关性等），生成邻域特征，以反映局部纹理和变化规律，从而丰富了单个像素点的特征描述，使特征提取不仅基于单点信息，也融合了局部上下文信息，能够进一步揭示局部变化趋势，有助于辨识细微瑕疵。[0179] 步骤S404，根据单像素特征和邻域特征，加权融合得到每个像素点的综合特征向量；[0180] 具体地，结合单像素特征和邻域特征，可通过加权融合为每个像素点构建一个综合特征向量，该向量能更全面地代表像素点及其周围环境的信息，形成全面的像素特征描述。需要说明的是，在加权融合过程中，具体的权重分配规则可依据特征的重要性及与瑕疵识别的相关性。[0181] 步骤S405，基于预设逻辑规则，分别判断每个像素点的综合特征向量是否超过预设特征阈值，若否，则跳转至步骤S406；若是，则跳转至步骤S407；[0182] 步骤S406，将像素点标记为正常像素点；[0183] 步骤S407，将像素点标记为瑕疵像素点；[0184] 其中，依据纺织品瑕疵识别的特定需求，设定一系列预设逻辑规则和特征阈值，用于区分正常与异常的光谱特征模式。[0185] 具体地，通过对每个像素点的综合特征向量进行评估，判断在预设逻辑规则下，其特征值是否超过预设阈值，以决定该像素点属于瑕疵还是正常类别。[0186] 在本申请的具体实施例中，作为一些示例性的预设逻辑规则和特征阈值，例如：根据光谱偏移规则，若像素点的光谱特征向量与所在同质区域典型材质的平均光谱特征向量之间的欧氏距离超过特征阈值T1，则确定该像素点为瑕疵像素点；其中，T1是根据正常材料光谱变化范围确定的阈值，即为该光谱偏移规则对应的特征阈值。再例如：根据邻域一致性规则，对于任意像素点，如果其邻域特征（如光谱差异的平均值或标准差）超过了特征阈值T2，则说明该同质区域的纹理或颜色不连续，则确定该像素点为瑕疵像素点；其中，T2是通过分析正常区域中相邻像素光谱特征的自然变化确定的阈值，即为该邻域一致性规则对应的特征阈值。[0187] 步骤S408，根据多个瑕疵像素点，得到瑕疵像素集合；[0188] 步骤S409，基于图像处理算法，根据瑕疵像素集合界定瑕疵区域的瑕疵边界；[0189] 在一些实施例中，可应用图像处理算法，如形态学操作或聚类分析算法，基于瑕疵像素集合界定瑕疵区域的精确边界，精确地勾勒瑕疵范围，实现精细化定位。[0190] 具体地，通过识别并聚集初步判定的瑕疵像素点，形成瑕疵像素集合后，应用形态学膨胀操作以扩大这些像素点的影响力域，有效连接邻近的瑕疵区域，同时利用腐蚀操作去除细小的干扰噪声，确保边界界定的准确性；在此基础上，实施聚类分析算法，如DBSCAN（基于密度的空间聚类应用与噪声过滤），依据像素点的光谱特征相似度和空间邻近度，进一步细化瑕疵区域的轮廓，精确勾勒出瑕疵边界。[0191] 步骤S410，根据瑕疵边界，将多光谱图像数据划分为正常区域和瑕疵区域。[0192] 上述实施方式中，不仅提高了布料瑕疵检测的精度和效率，还通过综合分析像素级特征和空间上下文信息，增强了对复杂瑕疵模式的识别能力，显著提升了布料图像数据分析的智能化水平。[0193] 参照图6，作为步骤S108的一种实施方式，基于时间序列图像进行分析，获取瑕疵区域在待检测布料上的移动轨迹和变化趋势，得到瑕疵区域的动态特性的步骤包括：[0194] 步骤S501，将瑕疵区域的时间序列图像进行图像配准；[0195] 其中，时间序列图像由于拍摄时刻的微小变化（如相机震动、布料移动）可能存在帧间位移，因此采用图像配准技术，通过寻找图像间的共性特征点或使用变换模型（如仿射变换、透视变换），对序列中的每一帧图像进行校正，确保所有图像在相同的坐标体系下对齐，从而为后续的特征提取和匹配提供一致的基准，减少因图像位移造成的误匹配。[0196] 步骤S502，根据配准后的时间序列图像进行瑕疵特征向量提取，构建瑕疵特征向量的时间序列；[0197] 具体地，在配准后的图像中，针对每帧序列图像中的瑕疵区域提取高维特征向量，包括但不限于颜色直方图、纹理特征、形状描述符等，这些特征向量能够概括每个时间点瑕疵的外观和位置信息，将这些特征向量按照时间顺序排列，即可得到瑕疵特征的时间序列。[0198] 步骤S503，基于动态时间规整算法，根据瑕疵特征向量的时间序列比较相邻帧间瑕疵特征向量的相似度，匹配连续帧中的相同瑕疵；[0199] 其中，动态时间规整算法（DTW）是一种时间序列比较方法，能够处理不同长度序列的匹配问题，特别适用于非线性对齐。[0200] 在本申请实施例中，对于瑕疵特征向量序列，通过计算并最小化累积距离代价矩阵，自动调整时间尺度差异，找到最佳的匹配路径，即使瑕疵移动速度不均匀，也能有效匹配连续帧中的相同瑕疵；该技术方案克服了传统时间序列分析中对时间序列严格同步的限制，提高了匹配的灵活性和准确性，确保了瑕疵轨迹的连续性和完整性。[0201] 步骤S504，根据连续帧中的相同瑕疵，构建瑕疵特征向量的连续移动轨迹；[0202] 其中，基于动态时间规整算法的匹配结果，通过连续帧中相同瑕疵的特征向量，记录每个时间点瑕疵的位置信息，以构建瑕疵在布料上的连续移动轨迹，直观展示了瑕疵的移动路径。[0203] 步骤S505，根据连续移动轨迹，提取瑕疵变化参数并基于时间序列分析算法识别瑕疵的变化趋势；[0204] 其中，通过分析瑕疵移动轨迹，计算瑕疵的移动速度、方向变化等参数，同时，应用时间序列分析算法（如趋势分析、周期性分析）识别瑕疵变化的模式，如加速、减速、稳定状态或周期性变化，为理解瑕疵类型提供依据。[0205] 步骤S506，根据连续移动轨迹和变化趋势，提取得到瑕疵区域的动态特性；其中，动态特性包括扩散速率、颜色变化和移动路径。[0206] 具体地，扩散速率即瑕疵面积随时间的变化速率，颜色变化即瑕疵区域光谱特征随时间的变化，移动路径即瑕疵区域在布料上的移动轨迹。[0207] 上述实施方式中，捕捉瑕疵区域在时间维度上的动态行为，深化了对瑕疵动态特性的理解，有助于精准确定瑕疵类型，为纺织品质量控制和工艺优化提供了更为全面和深入的信息。[0208] 目前，在环保意识日益增强的今天，布料检测不仅仅关注产品的物理性能，还包括对环境影响的评估。化学残留、染料的可生物降解性、生产过程的能源消耗等，都是衡量纺织品是否环保的重要指标。因此，现代布料质量控制体系还需融入生态友好性评估，确保从源头到终端的整个生产链都符合绿色生产标准。[0209] 参照图7，作为智能验布检测方法进一步的实施方式，在识别待检测布料上的正常区域和瑕疵区域的步骤之后还包括：[0210] 步骤S601，将待检测布料上的正常区域确定为样本测试区域，得到样本测试区域的样本坐标集；[0211] 可以理解的是，正常区域是指没有明显物理损伤、颜色偏差或结构异常的部分，由于这些区域更能代表布料的真实物理特性和化学成分，避免了瑕疵对分析结果的干扰，因此将正常区域确定为样本测试区域。其中，通过坐标系统精确定位这些区域，形成样本坐标集，进而为后续的近红外光谱检测提供准确的目标位置。[0212] 步骤S602，根据样本坐标集进行近红外光反射，获取样本测试区域的近红外光谱数据；[0213] 其中，近红外光谱分析是一种无损检测技术，它利用近红外光与布料中化学成分相互作用时发生的吸收、透射或反射现象，来推断物质的组成和含量；在本申请实施例中，可通过集成的近红外光谱仪对样本坐标集中的布料区域发射近红外光，并接收反射或透射的光谱数据，以捕捉不同化学物质特有的吸收峰信息。[0214] 需要说明的是，系统可自动调节光谱仪的扫描范围与分辨率，以最佳匹配纺织品中常见化学物质的吸收峰。[0215] 步骤S603，对样本测试区域的近红外光谱数据进行预处理；[0216] 其中，原始光谱数据通常含有各种噪声和基线漂移，影响分析精度。[0217] 在一些实施例中，可对光谱数据进行基线校正、平滑处理及噪声消除等预处理步骤，以提高信号质量。例如，可采用SNV（标准正态变量变换）消除光谱间的系统性变异，可采用MSC（多元散射校正）减小光谱间的背景干扰。[0218] 步骤S604，将预处理后的近红外光谱数据输入至预先构建的机器学习模型中，得到样本测试区域的化学残留分析结果；其中，化学残留分析结果包括样本测试区域内每个样本点的化学残留种类和浓度值；[0219] 其中，利用预训练的机器学习模型，将预处理后的光谱数据作为输入，模型根据光谱特征与训练过程中学习到的化学残留特征模式进行匹配，输出每个样本点的化学残留种类及其大致浓度，这基于模型在训练阶段从大量已知样本中学习到的复杂关联和模式识别能力。[0220] 在本申请的其中一个实施例中，该机器学习模型可采用随机森林（RF）模型，具体地，在模型训练过程中，从已标记的光谱数据集中随机抽取大量子集构建多个决策树，每棵树基于特征的随机子集进行生长，以减少过拟合的风险并提升模型的泛化能力。通过Bootstrap抽样技术对训练数据进行重采样，在训练阶段，模型学习到光谱数据中与化学残留种类及浓度相关的复杂模式。随着每棵树的建立与合并，随机森林逐步优化内部节点分裂规则，直至所有树构建完毕。最终形成的集成模型能够高效地处理新的近红外光谱数据，预测出样本中化学残留的种类及相应的浓度值，从而为布料的化学成分分析提供强有力的工具。[0221] 步骤S605，基于预设可降解物质数据库，根据化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。[0222] 其中，可降解性等级反映了布料在自然环境或特定条件下分解的可能性，对于评估其环保性和可持续性至关重要；例如可根据评估规则，将布料的可降解性划分为不同等级（如高、中、低）。[0223] 具体地，基于已知的可降解物质数据库，将化学残留分析结果与数据库中的物质种类和降解属性进行比对，根据化学残留物的可降解性质，评估布料的整体可降解潜力。例如，若布料上的化学残留物主要为可生物降解物质，则布料的可降解等级越高；反之，则可降解等级较低。[0224] 上述实施方式中，在完成瑕疵检测后，增加化学残留、可降解性等环保性能的测试环节，通过采用非破坏性的近红外光谱分析检测技术，对待检测布料进行化学残留分析和可降解性测试，快速获取相关指标数据，以衡量布料的环保性能，为纺织品的环保生产和消费提供了科学依据，对促进纺织行业的可持续发展具有重要意义。[0225] 参照图8，作为得到待检测布料对应的可降解性等级的另一种实施方式，在识别待检测布料上的正常区域和瑕疵区域的步骤之后还包括：[0226] 步骤S701，将待检测布料上的正常区域确定为样本测试区域，得到样本测试区域的样本坐标集；[0227] 其中，正常区域即没有瑕疵或污染的部分，这些区域代表了布料的基本状态，适合作为化学成分分析的样本。通过确定正常区域作为样本测试区域，以确保所采集的光谱数据能够反映布料的实际情况。[0228] 步骤S702，根据样本坐标集进行近红外光反射，获取样本测试区域的近红外光谱数据；[0229] 其中，可使用近红外光源照射样本测试区域的各个坐标点，近红外光反射后通过光谱仪进行采集，近红外光谱数据反映了样本测试区域在不同波长下的反射特性，这些特性与样本的化学组成有关。[0230] 步骤S703，对样本测试区域的近红外光谱数据进行预处理；[0231] 步骤S704，将预处理后的光谱数据进行一阶和二阶导数处理，并基于峰值检测算法识别潜在特征峰；[0232] 具体地，通过进行一阶和二阶导数处理，能够增强特征峰的显著性，峰值检测算法例如可采用Savitzky‑Golay平滑滤波算法，在光谱曲线上识别出潜在的特征峰。[0233] 步骤S705，对潜在特征峰中的噪声峰进行过滤，得到化学特征峰；[0234] 其中，可通过设定合适的阈值和最小峰高对识别出的潜在特征峰进行过滤，保留显著的化学特征峰。[0235] 步骤S706，将化学特征峰与预设化学残留物质光谱特征库进行匹配，确定每个样本点的化学残留种类；[0236] 具体地，预先建立化学残留物质光谱特征库，其中包含各种已知化学物质的光谱特征，将这些显著的化学特征峰与化学残留物质光谱特征库中的光谱特征进行匹配，通过计算相似度来确认是否与已知化学物质的特征峰一致，若一致，即可确定每个样本点的化学残留种类。[0237] 步骤S707，基于标准曲线法计算每个样本点的化学残留种类对应的浓度值；[0238] 其中，可基于标准曲线法，利用已知浓度的标准样品建立的校准曲线，计算出每个样本点残留物的浓度。[0239] 步骤S708，根据每个样本点的化学残留种类和浓度值，得到化学残留分析结果；[0240] 其中，汇总所有样本点的化学残留种类和浓度值，生成整体的化学残留分析结果，为后续的评估提供数据支持。[0241] 步骤S709，基于预设可降解物质数据库，根据化学残留分析结果评估得到待检测布料对应的可降解性等级并发送至管理终端。[0242] 具体地，建立可降解物质数据库，其中记录各种化学物质的可降解性信息；根据化学残留分析结果中的化学残留种类和浓度，评估布料的可降解性，可将布料的可降解性划分为不同等级（如高、中、低），可降解物质比例越高，布料的可降解性评级越高。[0243] 上述实施方式中，在识别待检测布料上的正常区域后，利用近红外光谱技术进行非破坏性的化学残留分析，识别并计算每个样本点的化学残留种类和浓度，再基于预设的可降解物质数据库评估布料的可降解性等级。该方案通过明确的逻辑规则和标准化方法（如标准曲线法）进行化学残留分析和可降解性评估，确保了检测结果的准确性和可靠性，同时快速提供了布料的环保性能指标，为纺织品的环保生产和消费提供了科学依据，对促进纺织行业的可持续发展具有重要意义。[0244] 对于上述两种具体实施方式，相比之下，前者采用机器学习算法在处理复杂模式识别和大规模数据分析方面具有优势，适合数据充足且计算资源丰富的情况；而后者采用非机器学习算法，则在化学残留分析和可降解性评估中具有高度的可解释性、透明性以及鲁棒性，使其在需要稳定、透明和可靠结果的应用场景中更为适用。[0245] 作为本申请实施例进一步的实施方式，在得到待检测布料对应的可降解性等级后，可整合所有检测结果，包括瑕疵检测结果、化学残留分析结果、可降解性等级以及对应的环保指标，生成详细的布料质量与环保评估报告，从而为生产决策提供依据，同时为布料的可持续性评级，以满足纺织行业对环境保护和可持续发展的更高追求。[0246] 本申请实施例还公开一种智能验布检测系统。[0247] 一种智能验布检测系统，检测系统包括：[0248] 数据获取模块，用于获取待检测布料的物理特性数据和光谱响应数据；[0249] 材料类型识别模块，用于根据物理特性数据和光谱响应数据，确定待检测布料的材料类型；[0250] 采集参数调节模块，用于根据材料类型，自适应调节多光谱图像采集参数；[0251] 多光谱图像数据采集模块，用于基于多光谱图像采集参数，对待检测布料进行多光谱照射并采集不同光谱波段下的图像数据，得到多光谱图像数据；[0252] 图像预处理模块，用于对多光谱图像数据进行图像预处理；[0253] 图像分析模块，用于根据预设逻辑规则和预设特征阈值对预处理后的多光谱图像数据进行逐像素分析，识别多光谱图像数据的正常区域和瑕疵区域；[0254] 标记模块，用于标记瑕疵区域；[0255] 时间序列图像获取模块，用于对瑕疵区域进行连续拍摄，得到瑕疵区域的时间序列图像；[0256] 动态特性生成模块，用于基于时间序列图像进行分析，获取瑕疵区域在待检测布料上的移动轨迹和变化趋势，得到瑕疵区域的动态特性；[0257] 瑕疵检测模块，用于根据瑕疵区域的动态特性确定对应的瑕疵类型，得到瑕疵检测结果并发送至管理终端。[0258] 本申请实施例的智能验布检测系统能够实现上述智能验布检测方法的任一种方法，且智能验布检测系统中各个模块的具体工作过程可参考上述方法实施例中的对应过程。[0259] 在本申请所提供的几个实施例中，应该理解到，所提供的方法和系统，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的；例如，某个模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。[0260] 本申请实施例还公开一种计算机设备。[0261] 计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的智能验布检测方法。[0262] 本申请实施例还公开一种计算机可读存储介质。[0263] 计算机可读存储介质，存储有能够被处理器加载并执行如上述的智能验布检测方法中任一种方法的计算机程序。[0264] 其中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用；计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。[0265] 需要说明的是，在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。[0266] 以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

专利地区：四川

专利申请日期：2024-07-31

专利公开日期：2024-10-11

专利公告号：CN118583802B