一种基于遗传算法的纱线缺陷检测方法和装置专利检索-缺陷形式要求受理局第I章专利合作条约专利权专利检索查询-专利查询网

一种基于遗传 算法的 纱线 缺陷检测方法和装置

阅读：663发布：2022-07-03

专利汇可以提供一种基于遗传算法的纱线缺陷检测方法和装置专利检索，专利查询，专利分析的服务。并且本发明请求保护一种基于遗传算法的纱线缺陷检测方法和装置，采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，对初始化校正后的纱线图像群进行标准粒子群切分处理，提取切分后的纱线分块图像的毛羽图像进行形态学处理，得到满多帧样本图像帧，对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，存储检测出缺陷的纱线图像群。本申请以纱线纺织机输入口端输入的纱线为研究对象，针对遗传算法在纱线纺织检测工作过程的缺陷检测和诊断中的应用问题提出了相应的解决方案。通过对图像处理参数的分析，得到了自适应较好的图像处理方法；结合两种长度计算方法的优势，能准确地获得毛羽的长度信息。，下面是一种基于遗传算法的纱线缺陷检测方法和装置专利的具体信息内容。

权利要求

1.一种基于遗传算法的纱线缺陷检测方法，所述方法包括：
采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述FPGA芯片；
对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，得到满足特征提取条件的多帧样本图像帧；
对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。
2.如权利要求1所述的一种基于遗传算法的纱线缺陷检测方法，其特征在于，还包括：
所述初始化纱线图像群的特征参数，进行初始化校正，具体包括：
预处理纱线图像群，进行灰度增强，增大动态范围和增强对比度，初始化倾斜校正，获取图像群POI点，滤除噪声边缘像素，并对纱线图像群进行行扫描脉冲，生成脉冲数群体初始化，形成第一代群体，求出每个个体的适应度，记录群体内最好的个体，用 adjbest表示适应度最高的个体；
所述对初始化校正后的纱线图像群进行标准粒子群切分处理，具体包括：对图像数据采用小波域变权重 MRMRF 法纱线切分，选择各小波尺度特征，纱线图像标记场建模，纱线图像特征场建模，用遗传模糊均值算法对切分处理后的训练样本计算并反复迭代进行聚类分析，最终得出纱线的正常模式和各种缺陷模式的模板，之后进行纱线图像切分的 MAP 估计和参数估计。
3.如权利要求1所述的一种基于遗传算法的纱线缺陷检测方法，其特征在于，还包括：
所述提取切分后的纱线分块图像的毛羽图像，具体包括：
毛羽提取和毛羽细粒度化，采用改进的快速并行细化法对提取的毛羽二值图像进行细化处理，使毛羽在不改变大小形态的基础上，宽度变为单像素。
4.如权利要求1所述的一种基于遗传算法的纱线缺陷检测方法，其特征在于，还包括：
所述对毛羽图像进行遗传算法的缺陷检测，具体包括：
选取训练数据，选择毛羽正常数据和各种毛羽缺陷数据存入数据样本，则数据样本中共有 N 类数据，分别取自正常数据 F0，缺陷 1 数据 F1，缺陷 2 数据 F2…缺陷N数据FN；
分析之前进行预处理，即进行特征参数选择提取和数据归一化处理，预处理后的数据存入训练样本；
系统实际运行时的测量值进行模糊聚类分析，对诊断原始数据进行预处理，将处理后的诊断数据对比正常和缺陷模板进行模糊聚类分析，根据模糊距离的分析和计算，可以得出系统是以多大的隶属度处于正常状态还是某种缺陷状态，再结合诊断逻辑即可得出最终诊断结果。
5.如权利要求1所述的一种基于遗传算法的纱线缺陷检测方法，其特征在于，还包括：
所述存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度，具体包括：
通过拉普拉斯滤波器的二值化图像需要进行阈值处理；对于没有缺陷点的拉普拉斯值用于决定二值化的阈值；
采用每帧图像中最大拉普拉斯值的 105%作为阈值,该阈值随没有缺陷点的图像更新而更新,当有任何缺陷点情况下不进行更新。
6.一种基于遗传算法的纱线缺陷检测装置，其特征在于，包括：
初始化采集模块：采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述数据采集模块的FPGA芯片；
切分模块：对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
细处理模块：提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，提取切分后的纱线分块图像的毛羽图像，得到满足特征提取条件的多帧样本图像帧；
缺陷检测模块：对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
更新存储模块：存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。
7.如权利要求6所述的一种基于遗传算法的纱线缺陷检测装置，其特征在于：
所述初始化采集模块中初始化纱线图像群的特征参数，进行初始化校正，具体包括：
预处理纱线图像群，进行灰度增强，增大动态范围和增强对比度，初始化倾斜校正，获取图像群POI点，滤除噪声边缘像素，并对纱线图像群进行行扫描脉冲，生成脉冲数群体初始化，形成第一代群体，求出每个个体的适应度，记录群体内最好的个体，用 adjbest表示适应度最高的个体；
所述切分模块中对初始化校正后的纱线图像群进行标准粒子群切分处理，具体包括：对图像数据采用小波域变权重 MRMRF 法纱线切分，选择各小波尺度特征，纱线图像标记场建模，纱线图像特征场建模，用遗传模糊均值算法对切分处理后的训练样本计算并反复迭代进行聚类分析，最终得出纱线的正常模式和各种缺陷模式的模板，之后进行纱线图像切分的 MAP 估计和参数估计。
8.如权利要求6所述的一种基于遗传算法的纱线缺陷检测装置，其特征在于：
所述细处理模块中提取切分后的纱线分块图像的毛羽图像，具体包括：
毛羽提取和毛羽细粒度化，采用改进的快速并行细化法对提取的毛羽二值图像进行细化处理，使毛羽在不改变大小形态的基础上，宽度变为单像素。
9.如权利要求7所述的一种基于遗传算法的纱线缺陷检测装置，其特征在于：
所述缺陷检测模块中对毛羽图像进行遗传算法的缺陷检测，具体包括：
选取训练数据，选择毛羽正常数据和各种毛羽缺陷数据存入数据样本，则数据样本中共有 N 类数据，分别取自正常数据 F0，缺陷 1 数据 F1，缺陷 2 数据 F2…缺陷N数据FN；
分析之前进行预处理，即进行特征参数选择提取和数据归一化处理，预处理后的数据存入训练样本；
系统实际运行时的测量值进行模糊聚类分析，对诊断原始数据进行预处理，将处理后的诊断数据对比正常和缺陷模板进行模糊聚类分析，根据模糊距离的分析和计算，可以得出系统是以多大的隶属度处于正常状态还是某种缺陷状态，再结合诊断逻辑即可得出最终诊断结果。
10.如权利要求6所述的一种基于遗传算法的纱线缺陷检测装置，其特征在于：
所述更新存储模块中存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度，具体包括：
通过拉普拉斯滤波器的二值化图像需要进行阈值处理；对于没有缺陷点的拉普拉斯值用于决定二值化的阈值；
采用每帧图像中最大拉普拉斯值的 105%作为阈值,该阈值随没有缺陷点的图像更新而更新,当有任何缺陷点情况下不进行更新。

说明书全文

一种基于遗传算法的 纱线 缺陷检测方法和装置

技术领域

[0001] 本发明涉及自动纺织机技术领域，具体而言，涉及一种基于遗传算法的纱线检测方法和装置。

背景技术

[0002] 目前现代纺织工业中，已经开始利用机器代替人工穿针引线，为了避免穿插错误，必须有一套实时监测方法和装置对自动穿经机中钩针钩起的纱线数量进行实时监测。

[0003] 因为自动穿经机进行穿经时，钩针钩起纱线会拉扯纱线,所以现有的监测方法是在钩针钩起纱线时，利用压力传感器感应纱线对感应器的压力，因而产生电流，进而判断钩起的纱线的数量。但是压力传感器是一种机械传感器，随着工作时间的增加，不可避免的存在固件的耗损，导致穿线机缺陷率的提高。对于成纱的质量评定基于成纱的线体条干均匀度与纱缺陷数量。

[0004] 由于受到纱线生产原料、纺纱器械以及纺纱环境的影响，线体条干不匀与产生纱缺陷都是不可避免的。先进的纺纱技术，也只能提高均匀度，减少纱缺陷数量。中国自古作为纺织大国，在国际有着很高的地位和较高的市场，然而，我国纺织工业存在着一些问题：用于纺织的原料品种比较单一，织物品种类型少、各纺织成品的结构不合理、以及生产出的产品质量较低。而且，现有用于纺纱、织造、印染等的加工设备技术落后且低水平生产能力过剩，进一步影响的纱线的生产质量。据统计，每一根劣质纱线的在应用到制造过程，造成的劣质布料，会造成 490 倍于纱线原材料价值的损失，因此，从经济角度来看，必须要对纺纱过程中纱线的质量进行控制与检测。

[0005] 目前的清纱技术主要包括纱线信号量的采集，数据的处理，切纱功能的实现等。传感技术也从以往的单一传感方式向多传感方式符合的方向发展。开发具有高效传感信号采集，多功能集成的纱线检测技术是国内纱线检测工艺刻不容缓的事情。

发明内容

[0006] 为解决当前纱线编制过程中的质量检测不到位的问题，本发明请求保护一种基于遗传算法的纱线缺陷检测方法和装置。

[0007] 本发明首先请求保护一种基于遗传算法的纱线缺陷检测方法，所述方法包括：采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述FPGA芯片；
对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，得到满足特征提取条件的多帧样本图像帧；
对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。

[0008] 参照附图1，本发明还请求保护一种基于遗传算法的纱线缺陷检测装置，其特征在于，包括：初始化采集模块：采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述数据采集模块的FPGA芯片；
切分模块：对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
细处理模块：提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，提取切分后的纱线分块图像的毛羽图像，得到满足特征提取条件的多帧样本图像帧；
缺陷检测模块：对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
更新存储模块：存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。

[0009] 本申请以纱线纺织机输入口端输入的纱线为研究对象，针对遗传算法在纱线纺织检测工作过程的缺陷检测和诊断中的应用问题提出了相应的解决方案。将量子遗传算法应用于非线性回归中回归函数的回归函数项与回归系数的优化问中，能使所得回归函数很好地拟合样本数据，拟合误差很小。通过对图像处理参数的分析，得到了自适应较好的图像处理方法；结合两种长度计算方法的优势，能准确地获得毛羽的长度信息。

附图说明

[0010] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0011] 附图1为本发明所涉及的一种基于遗传算法的纱线缺陷检测方法的工作流程图。

[0012] 附图2为本发明所涉及的一种一种基于遗传算法的纱线缺陷检测装置的结构模块图。

具体实施方式

[0013] 本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。

[0014] 本发明首先请求保护一种基于遗传算法的纱线缺陷检测方法，所述方法包括：采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述FPGA芯片；
对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，得到满足特征提取条件的多帧样本图像帧；
对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。

[0015] 优选的，所述初始化纱线图像群的特征参数，进行初始化校正，具体包括：预处理纱线图像群，进行灰度增强，增大动态范围和增强对比度，初始化倾斜校正，获取图像群POI点，滤除噪声边缘像素，并对纱线图像群进行行扫描脉冲，生成脉冲数群体初始化，形成第一代群体，求出每个个体的适应度，记录群体内最好的个体，用 adjbest表示适应度最高的个体；
所述求出每个个体的适应度采用将 BP 网络的各权值和隐单元及输出单元的阈值，按顺序编成一个长串，形成染色体，将染色体上表示的各权值和阈值分配到 BP 网络结构上，结合训练集样本的输入与输出，前向计算，计算出误差平方和 , 将误差平方和最小转化为适应度函数最大的映射,其转化方法
FitnV 表示个体的适应度。Nind 表示种群中个体的个数。Pos 表示对所有个体的误差平方和值进行降序排列后其所对应的顺序，即误差平方和最大的个体（适应度最差的个体）排在第一个位置，误差平方和最小的个数（适应度最好的个体）排列在第 Nind 个位置。sp（1≤sp≤2）表示将适应度值转换为[2-sp，sp]之间的值，如果取 sp=2，则表示将适应度值压缩为[0，2]之间的值。随机产生染色体，染色体上各基因值，代表各连接权重及阈值。参考权值和阈值的选取经验，取（-1.5F，1.5F）之间的数，其中F为所连单元的输入端个数。

[0016] 进一步地，所述对初始化校正后的纱线图像群进行标准粒子群切分处理，具体包括：对图像数据采用小波域变权重 MRMRF 法纱线切分，选择各小波尺度特征，纱线图像标记场建模，纱线图像特征场建模，用遗传模糊均值算法对切分处理后的训练样本计算并反复迭代进行聚类分析，最终得出纱线的正常模式和各种缺陷模式的模板，之后进行纱线图像切分的 MAP 估计和参数估计。

[0017] 优选的，所述提取切分后的纱线分块图像的毛羽图像，具体包括：毛羽提取和毛羽细粒度化，采用改进的快速并行细化法对提取的毛羽二值图像进行细化处理，使毛羽在不改变大小形态的基础上，宽度变为单像素。

[0018] 进一步地，所述对毛羽图像进行遗传算法的缺陷检测，具体包括：选取训练数据，选择毛羽正常数据和各种毛羽缺陷数据存入数据样本，则数据样本中共有 N 类数据，分别取自正常数据 F0，缺陷 1 数据 F1，缺陷 2 数据 F2…缺陷N数据FN；
分析之前进行预处理，即进行特征参数选择提取和数据归一化处理，预处理后的数据存入训练样本；
系统实际运行时的测量值进行模糊聚类分析，对诊断原始数据进行预处理，将处理后的诊断数据对比正常和缺陷模板进行模糊聚类分析，根据模糊距离的分析和计算，可以得出系统是以多大的隶属度处于正常状态还是某种缺陷状态，再结合诊断逻辑即可得出最终诊断结果。

[0019] 优选的，所述存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度，具体包括：通过拉普拉斯滤波器的二值化图像需要进行阈值处理；对于没有缺陷点的拉普拉斯值用于决定二值化的阈值；
采用确定阈值的方法是最大每帧图像拉普拉斯值作为参考标准,最佳阈值T 通过如下的公式选取:
是每帧图像最大拉普拉斯值, 每帧图像阈值, 是最大拉普拉斯值百分数；
阈值处理公式:
其中, 是符号函数;本次阈值处理函数为软阈值化,即是将图像灰度的绝对值与阈值进行比较,然后根据结果再向 0 进行收缩。该算法在空间上更加接近极大准则的理想值,使去噪后的信号更加平滑。

[0020] 采用每帧图像中最大拉普拉斯值的 105%作为阈值,该阈值随没有缺陷点的图像更新而更新,当有任何缺陷点情况下不进行更新。

[0021] 参照附图2，本发明还请求保护一种基于遗传算法的纱线缺陷检测装置，其特征在于，包括：初始化采集模块：采用显微镜镜头提取纱线图像群，初始化纱线图像群的特征参数，进行初始化校正，将采集到的所述纱线的图像发送至所述A/D转换器进行处理，并将处理后的所述纱线图像群存储至所述数据采集模块的FPGA芯片；
切分模块：对初始化校正后的纱线图像群进行标准粒子群切分处理，记录当前粒子群各离散粒子的类型和长度；
细处理模块：提取切分后的纱线分块图像的毛羽图像，对所述纱线分块图像的毛羽图像的多帧样本图像进行形态学处理，提取切分后的纱线分块图像的毛羽图像，得到满足特征提取条件的多帧样本图像帧；
缺陷检测模块：对毛羽图像进行遗传算法的缺陷检测，输出纱线遗传算法的最优缺陷检测，根据所述特征参数和预设的准则参数之间的匹配度，确定所述待检测纱线所包括的纱线数量是否符合要求；
更新存储模块：存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度；
所述适应度为毛羽特定类型下的长度阈值映射情况。

[0022] 优选的，所述初始化采集模块中初始化纱线图像群的特征参数，进行初始化校正，具体包括：预处理纱线图像群，进行灰度增强，增大动态范围和增强对比度，初始化倾斜校正，获取图像群POI点，滤除噪声边缘像素，并对纱线图像群进行行扫描脉冲，生成脉冲数群体初始化，形成第一代群体，求出每个个体的适应度，记录群体内最好的个体，用 adjbest表示适应度最高的个体；
所述求出每个个体的适应度采用将 BP 网络的各权值和隐单元及输出单元的阈值，按顺序编成一个长串，形成染色体，将染色体上表示的各权值和阈值分配到 BP 网络结构上，结合训练集样本的输入与输出，前向计算，计算出误差平方和 , 将误差平方和最小转化为适应度函数最大的映射,其转化方法
FitnV 表示个体的适应度。Nind 表示种群中个体的个数。Pos 表示对所有个体的误差平方和值进行降序排列后其所对应的顺序，即误差平方和最大的个体（适应度最差的个体）排在第一个位置，误差平方和最小的个数（适应度最好的个体）排列在第 Nind 个位置。sp（1≤sp≤2）表示将适应度值转换为[2-sp，sp]之间的值，如果取 sp=2，则表示将适应度值压缩为[0，2]之间的值。随机产生染色体，染色体上各基因值，代表各连接权重及阈值。参考权值和阈值的选取经验，取（-1.5F，1.5F）之间的数，其中F为所连单元的输入端个数。

[0023] 进一步地，所述切分模块中对初始化校正后的纱线图像群进行标准粒子群切分处理，具体包括：对图像数据采用小波域变权重 MRMRF 法纱线切分，选择各小波尺度特征，纱线图像标记场建模，纱线图像特征场建模，用遗传模糊均值算法对切分处理后的训练样本计算并反复迭代进行聚类分析，最终得出纱线的正常模式和各种缺陷模式的模板，之后进行纱线图像切分的 MAP 估计和参数估计。

[0024] 进一步地，所述细处理模块中提取切分后的纱线分块图像的毛羽图像，具体包括：毛羽提取和毛羽细粒度化，采用改进的快速并行细化法对提取的毛羽二值图像进行细化处理，使毛羽在不改变大小形态的基础上，宽度变为单像素。

[0025] 优选的，所述缺陷检测模块中对毛羽图像进行遗传算法的缺陷检测，具体包括：选取训练数据，选择毛羽正常数据和各种毛羽缺陷数据存入数据样本，则数据样本中共有 N 类数据，分别取自正常数据 F0，缺陷 1 数据 F1，缺陷 2 数据 F2…缺陷N数据FN；
分析之前进行预处理，即进行特征参数选择提取和数据归一化处理，预处理后的数据存入训练样本；
系统实际运行时的测量值进行模糊聚类分析，对诊断原始数据进行预处理，将处理后的诊断数据对比正常和缺陷模板进行模糊聚类分析，根据模糊距离的分析和计算，可以得出系统是以多大的隶属度处于正常状态还是某种缺陷状态，再结合诊断逻辑即可得出最终诊断结果。

[0026] 进一步地，所述更新存储模块中存储检测出缺陷的纱线图像群，更新检测后的缺陷最优适应度，具体包括：通过拉普拉斯滤波器的二值化图像需要进行阈值处理；对于没有缺陷点的拉普拉斯值用于决定二值化的阈值；
采用确定阈值的方法是最大每帧图像拉普拉斯值作为参考标准,最佳阈值T 通过如下的公式选取:
是每帧图像最大拉普拉斯值, 每帧图像阈值, 是最大拉普拉斯值百分数；
阈值处理公式:
其中, 是符号函数;本次阈值处理函数为软阈值化,即是将图像灰度的绝对值与阈值进行比较,然后根据结果再向 0 进行收缩。该算法在空间上更加接近极大准则的理想值,使去噪后的信号更加平滑。

[0027] 采用每帧图像中最大拉普拉斯值的 105%作为阈值,该阈值随没有缺陷点的图像更新而更新,当有任何缺陷点情况下不进行更新。

[0028] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

标题	发布/更新时间	阅读量
缺陷检查方法	2020-05-12	777
缺陷检测方法	2020-05-12	767
缺陷检查系统	2020-05-13	88
潜在缺陷识别	2020-05-13	240
绝缘缺陷的检测	2020-05-13	268
缺陷检测装置、缺陷修复装置、缺陷检测方法	2020-05-11	765
缺陷检测机	2020-05-11	257
缺陷检测方法	2020-05-13	656
石墨烯缺陷检测	2020-05-13	262
缺陷检测装置、缺陷修正装置及缺陷检测方法	2020-05-12	289

一种基于遗传算法的纱线缺陷检测方法和装置