CN114136882B - 一种基于近红外光谱的织物纤维成分在线检测系统 - Google Patents
一种基于近红外光谱的织物纤维成分在线检测系统 Download PDFInfo
- Publication number
- CN114136882B CN114136882B CN202111298071.0A CN202111298071A CN114136882B CN 114136882 B CN114136882 B CN 114136882B CN 202111298071 A CN202111298071 A CN 202111298071A CN 114136882 B CN114136882 B CN 114136882B
- Authority
- CN
- China
- Prior art keywords
- data
- crowdsourcing
- component detection
- cloud
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 239000004744 fabric Substances 0.000 title claims abstract description 66
- 239000000835 fiber Substances 0.000 title claims abstract description 28
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 48
- 230000004044 response Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000000739 chaotic effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000013450 outlier detection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 229920002334 Spandex Polymers 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004759 spandex Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱的织物纤维成分在线检测系统，主要包括以下模块：基于云的众包平台，数据采集标注模块，成分检测模块，在线展示模块；本发明通过建立基于云的众包平台，将数据采集标注模块，成分检测模块，在线展示模块有机结合起来，统一纳入云平台，解决以往数据流分散，混乱，目标性，时效性差的问题，实现对织物纤维成分的数据采集，标注分析，成分检测，数据展示的全链路服务，具有显著的方便易用、功能完整、服务易拓展等特点。
Description
技术领域
本发明涉及一种基于近红外光谱的织物纤维成分在线检测系统，尤其是涉及一种基于云平台的在线检测系统。
背景技术
织物生产过程容易受到各种外界因素影响，这导致其成品的质量波动较大，需要进行严格的质量检测。织物纤维成分分析分为两个步骤：成分定性分析方法和成分定量分析方法。传统的成分定性分析方法和定量分析方法好步骤多，耗时长，对技术人员要求高，成本较大，急需技术创新。
近来也有基于LSTM，RNN等深度神经网络方法进行织物纤维成分分析的研究，但织物成分分析任务和一般的分类定性任务或回归定量任务一样，存在类别总数多，类间分布不均衡的问题。更进一步，织物成分分析任务还存在区别于一般分类回归任务，存在多织物成分类组合，且同一多织物成分类组合，存在不同类别数据分布不均衡的问题，例如90％棉10％氨纶的织物生产数量就远小于95％棉5％氨纶的织物生产数量。这个问题在混合成分类别数增加到三元组甚至四元组时更加明显。不平衡的数据标签分布在深度神经网络模型训练阶段极大地误导模型，使预测结果向对样本数量多的首部类偏移，降低模型预测精准度。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于近红外光谱的织物纤维成分在线检测系统。
所述基于近红外光谱的织物纤维成分在线检测系统，将从数据采集开始到神经网络模型预测多个原本分散的环节纳入统一的框架，通过云平台整合数据流通逻辑，实时根据数据库现有数据分布与神经网络模型预测历史数据，调整数据采集策略，并通过众包的方式，方便快捷地下发数据采集任务，解决数据分布不平衡问题。
所述基于近红外光谱的织物纤维成分在线检测系统，主要包括以下模块：基于云的众包平台，数据采集标注模块，成分检测模块，在线展示模块。
所述基于云的众包平台用于存储，校验，分析数据，接收，转发推理任务，管理众包任务；
所述数据采集标注模块用于采集与标注织物纤维成分近红外光谱数据，接收众包任务；
所述成分检测模块用于预测织物纤维成分，根据新数据线上训练模型；所述在线展示模块用于展示数据集信息，众包平台信息，历史推理信息，发布众包任务。
优选地，所述基于云的众包平台还包括数据采集校验方法，成分检测模块服务注册方法，成分检测请求转发与负载均衡方法，数据分析方法。
优选地，所述数据采集校验方法包括平滑对比校验方法与离群点检测方法。
所述规则平滑对比校验方法针对采集过程中漏光，仪器过热，操作不规范等误差干扰引起的织物近红外光谱数据异常波动，可视化表现为波形锯齿的问题，使用Savitzky-Golay平滑降噪算法对光谱数据处理得到平滑后的织物近红外光谱，对比原始数据若标准差大于一个阈值，则说明Savitzky-Golay平滑降噪算法对原始数据影响较大，即原始数据不够平滑，锯齿较多，采集过程中存在干扰需要重新采集。
所述离群点检测方法指多个众包采集员工采集的相同布匹样品，若某一员工采集的数据与该布匹上传数据均值的标准差大于一个阈值β，则说明可能采集到离群点，有误差需要重新采集。将离群点数据剔除后重新计算数据均值，重复此过程，直到所有数据与均值的标准差均小于β。等到被要求重新采集的众包员工将某布匹样品数据重新采集上传后，再次执行此过程。若此过程未能找出任一离群样本，则所有该布匹上传样本统一通过离群点检测。
优选地，所述成分检测模块服务注册方法，是保证众包平台接入多个成分检测模块的服务。在模块模块上线时接收服务注册请求，此后云众包平台用户可以选择指定的成分检测服务；在此期间，云众包平台始终以心跳包的形式与各个已注册成分检测模块服务器保持连接，一旦连接丢失，该成分检测模块即从云平台注销，用户无法访问该服务。优选地，所述成分检测模块请求转发与负载均衡方法，过程是：所述成分检测模块服务注册时，云平台使用接该模块提交的测试平均计算时间初始化该模块的平均响应时间。对应没有指定模块的成分检测请求，云平台自动根据各个已注册成分检测模块的平均响应时间和最近请求时间，将检测请求转发给相对负载最小的成分检测模块。每一次成功的请求响应都会更新云平台对应成分检测模块的平均响应时间。优选地，所述数据分析方法，其特征在于云平台定时查询当前数据库中标签分布，记录各成分检测模块的历史数据，得到数据分析结果。优选地，所述数据采集标注模块，其特征在于，采集标注人员使用专业近红外光谱仪，按照指定织物纤维成分数据采集规范操作，采集织物近红外光谱数据。采集标注模块对近红外光谱仪采集的数据进行数据校验以排除漏光的操作误差；同时记录有标签的织物样本成分，与光谱数据对应，确认无误后提交到云众包平台；接收云众包平台返回的相同样本的多众包采集标注员工采集光谱数据对比结果，若对比结果为失败，则要求采集员重新采集。
优选地，所述成分检测模块，其特征在于，所述方法还包括：深度模型线上训练方法，自动化部署方法，请求任务队列。
优选地，所述深度模型线上训练方法，过程是：训练基于Resnet的一维卷积神经网络，部署后初始化成分检测模块，使用自动调度策略，规避资源占用大的请求高峰期，自动从云平台下载新数据集完成训练，定时更新线上模型参数。
优选地，所述自动化部署方法，过程是：成分检测模块初始化API服务器时加载神经网络模型，模拟10次织物纤维近红外光谱数据输入，得到测试平均计算时间和测试平均单次请求资源占用率；成分检测模块主动向云众包平台发送服务注册请求，建立心跳包建立，发送测试平均计算时间，以初始化云平台建立该推理服务器的平均响应时间即负载性能指标，便于负载均衡。
优选地，所述请求任务队列，过程是：成分检测模块初始化API服务器时得到的测试平均单次请求资源占用率和无请求资源占用率计算求得最大并发响应数量N，建立请求任务队列。当接收到的成分检测请求数大于N时，将请求放入请求任务队列，直到有请求被完成，资源释放后再从请求任务队列队首获取并响应请求。
优选地，所述在线展示模块，用于接收云众包平台发送的数据分析结果，以可视化方法展示给用户。用户可根据展示的数据库标签分布图，发布指定成分织物的众包采集任务，及时调整采集数据策略。
与现有的技术相比，本发明具有如下优点：
本发明实施例中，该织物成分在线检测系统包括：基于云的众包平台，数据采集标注模块，成分检测模块，在线展示模块。本发明将数据采集，数据分析，神经网络模型训练，部署，推理等从上到下的模块纳入统一的框架，通过云平台整合数据流通逻辑，节省了数据流通在各环节的损失，便于织物成分在线检测系统准确地调整数据采集策略，灵活地派发接收数据采集任务，快速地预测织物纤维成分，方便地给神经网络模型线上训练，从而解决或部分解决数据分布不平衡问题，最终提升神经网络模型检测织物纤维成分的精度。
附图说明
下面结合附图和具体实施方式对本申请作进一步详细的说明。
图1为本发明提供的织物纤维成分检测系统架构图；
图2为本发明提供的同布匹多次采样波形对比图。
具体实施方式
下面结合附图详细说明本发明的具体实施例。然而，应当将本发明理解成并不局限于以下描述的这种实施方式，并且本发明的技术理念可以与其他公知技术或功能与那些公知技术相同的其他技术组合实施。
在以下具体实施例的说明中，为了清楚展示本发明的结构及工作方式，将借助诸多方向性词语进行描述，但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“轴向”、“径向”等词语理解为方便用语，而不应当理解为限定性词语。
相关术语解释如下：
数据校验：对数据进行重新审查和校验的过程，目的在于删除、纠正存在的错误，并提供数据一致性。
服务注册：一个应用可能由一组职责单一化的服务组成，单个服务实例初始化成功后向注册中心提交本服务实例信息，并以心跳包保持连接，实现弹性扩容，去依赖的服务。
下面结合附图详细说明本发明的具体实施例。
参照图1，织物纤维成分在线检测系统，包括步骤S1-S5具体如下：
1.步骤S1：初始化基于云的众包平台
基于云的众包平台用于存储，校验，分析数据，接收，转发推理任务，管理众包任务；包括数
据采集校验模块，成分检测服务注册模块，成分检测请求转发与负载均衡模块，数据分析模块，众包任务管理模块。
所述步骤还包括：
步骤S11：初始化数据校验模块。
基于云的众包平台开放指定端口，接收众包员工的采集数据，并对众包员工的上传数据
进行数据校验。数据采集校验方法包括平滑对比校验方法与离群点检测方法。
步骤S12：对所述众包员工上传数据进行平滑对比校验。
平滑对比校验针对采集过程中漏光，仪器过热，操作不规范等误差干扰引起的织物近红
外光谱数据异常波动，可视化表现为波形锯齿的问题。
在本步骤中，可以使用Savitzky-Golay平滑降噪算法对所述众包员工上传光谱数据处理，得到平滑后的织物近红外光谱，对比原始数据若标准差大于一个阈值，实验中设定为0.01，则说明Savitzky-Golay 平滑降噪算法对原始数据影响较大，即原始数据不够平滑，锯齿较多，采集过程中存在干扰需要重新采集。
步骤S12：对所述众包员工上传数据进行离群点检测。
同一布匹样品的检测结果可能会受到温度、湿度，人工操作不规范等多重因素影响，导致多次采集数据有差异，如图2所示。当差异较大时，该次采集的数据被视为离群点，不应该被纳入数据库。所述离群点检测方法需要等到某布匹样品分配的所有众包员工均上传，且通过平滑对比校验以后进行，指多个众包采集员工采集的相同布匹样品，若某一员工采集的数据与该布匹上传数据均值的标准差大于一个阈值β，则说明可能采集到离群点，有误差需要重新采集。因为离群点的存在会对数据均值造成影响，故将该员工上传数据剔除要求重新采集后，需要重复此过程，直到所有数据与均值的标准差均小于β。等待到众包员工将数据采集上传后，重新满足该布匹样品分配的所有众包员工均上传的条件后，再次执行此过程。若此过程未能找出任一离群样本，则所有该布匹上传样本统一通过离群点检测。
步骤S13：初始化成分检测服务注册模块。基于云的众包平台开放指定端口，接收多个成分检测模块的服务注册请求，解析请求内容，记录待注册模块的IP地址，端口，测试平均计算时间等信息，并以每秒一次的频率与各模块发送心跳包，保持连接。当心跳包失去连接后，重试3次，仍无法建立连接则将该模块注销，并通知请求转发与负载均衡模块注销该模块。
步骤S14：初始化成分检测请求转发与负载均衡模块。
在本步骤中，该模块从服务注册模块处取得已注册的成分检测模块信息，如IP地址，端口及测试平均计算时间等。该模块使用各成分检测模块提交的测试平均计算时间初始化其平均响应时间。
该模块开放指定成分检测请求端口，接收用户的成分检测请求，对应没有指定模块的成分检测请求，云平台自动根据各个已注册成分检测模块的平均响应时间和最近请求时间，将检测请求转发给相对负载最小的成分检测模块。每一次成功的请求响应都会更新云平台对应成分检测模块的平均响应时间，同时将检测结果记录进数据库。
步骤S15：初始化数据分析模块。该模块初始化数据库连接，定时在数据库中查询当前在库数据，统计数据标签分布比例及各类别样本数量等信息。定时从数据库中查询历史成分检测请求数据，用预测的成分作为伪标签，统计成分检测请求的标签分布比例及各类别样本数量等信息。定时将统计信息发送给数据检测模块。
步骤S16：初始化众包任务管理模块。该模块开放端口接收众包任务派发请求，并根据当前在线众包员工已接受任务量及平均采集时间计算众包员工负载，将任务派发给负载较小的众包员工。
2.步骤S2：初始化成分检测模块
本步骤包括自动化部署和初始化请求任务队列，和深度模型线上训练步骤。
所述自动化部署，过程是该模块初始化API服务器，加载神经网络模型，模拟10次织物纤维近红外光谱数据输入，得到测试平均计算时间和测试平均单次请求资源占用率；成分检测模块主动向云众包平台发送服务注册请求，建立心跳包连接，发送测试平均计算时间，以初始化云平台建立该推理服务器的平均响应时间即负载性能指标，便于负载均衡。
所述初始化请求任务队列，过程是：成分检测模块初始化API服务器时得到的测试平均单次请求资源占用率和无请求资源占用率计算求得最大并发响应数量N，建立请求任务队列。当接收到的成分检测请求数大于N时，将请求放入请求任务队列，直到有请求被完成，资源释放后再从请求任务队列队首获取并响应请求。
所述深度模型线上训练，过程是：模型采用基于Resnet的一维卷积神经网络，使用自动调度策略，规避资源占用大的请求高峰期，自动从云平台下载新数据集完成训练，定时更新线上模型参数。
3.步骤S3：初始化数据展示模块
本步骤中，该模块初始化API服务器，与云平台建立WebSocket连接，接受云平台的数据分析结果，并将数据分布图，请求分布图等可视化展现给用户。用户可根据数据库中数据分布情况，实际请求的数据分布情况，用户本身需求等派发数据采集任务提交到云平台众包任务管理模块。
4.步骤S4：织物纤维近红外光谱数据的采集
众包员工登录数据采集标注模块，领取采集任务，遵循数据采集标准，深入纺织服装厂，布匹生产商等地，采用高光谱近红外仪，采集布匹在近红外波段的反射率，吸收率，强度等数据，并对数据进行清洗，只采取波长为900nm-1700nm的光谱序列数据。将采集得到的数据标注好成分标签以后上传到云众包平台，经过校验无误后完成该次采集任务，若有误，则重新采集指定布匹样品的近红外光谱序列数据。
5.步骤S5：织物纤维成分检测
用户登录数据采集标注模块，按照采集标准采集织物纤维近红外光谱数据后标注空标
签，则视为成分检测模式而非数据采集模式，上传到云众包平台后只进行平滑对比校验。云众包平台数据校验模块确认数据有效后，根据负载情况将请求转发到相应成分检测模块并计时。当计时大于最大响应时间T则说明该成分检测模块繁忙，云平台将请求转发给其他成分检测模块。
成分推理模块接收到请求后先检查当前处理请求数量是否小于该模块的最大并发响
应数量N，若小于则将数据输入模型，等待输出结果，编码后返回给云平台；若当前处理请求数量大于N，则将该请求加入请求任务队列。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。
Claims (2)
1.一种基于近红外光谱的织物纤维成分在线检测系统的检测方法，其特征在于，所述检测系统包括：
基于云的众包平台，用于存储，校验，分析数据，接收，转发推理任务，管理众包任务；
数据采集标注模块，用于采集与标注织物纤维成分近红外光谱数据，接收众包任务；
成分检测模块，用于预测织物纤维成分；
在线展示模块，用于展示数据集信息，众包平台信息，历史推理信息，发布众包任务，
所述检测方法包括：
S11：数据采集校验方法，众包平台将单个数据集采集任务派发给三个众包数据采集员，检测相同采集任务三个众包员工的提交数据；若某众包员工采集得到的织物近红外光谱数据与该任务提交数据均值的标准差大于一个阈值，则说明采集到离群点，有误差需要重新采集；使用Savitzky-Golay平滑降噪算法对光谱数据处理，对比原始数据若标准差大于一个阈值，则说明采集中存在干扰需要重新采集；
S12：成分检测模块服务注册方法，众包平台接入多个成分检测模块，在模块上线时接收服务注册请求，此后云众包平台用户可以选择指定的成分检测服务；在此期间，云众包平台始终以心跳包的形式与各个已注册成分检测模块服务器保持连接，一旦连接丢失，该成分检测模块即从云平台注销，用户无法访问该服务；
S13：成分检测模块请求转发与负载均衡方法，对应没有指定模块的成分检测请求，云平台自动根据各个已注册成分检测模块的平均响应时间和最近请求时间，将检测请求转发给相对负载最小的成分检测模块；
S14：数据分析方法，云平台定时查询当前数据库中标签分布，记录各成分检测模块的历史数据，得到数据分析结果，哪些标签的织物数据较少，对应哪些标签的成分检测精度较差，各成分检测模块之间的推理精度差异，供研究人员与开发人员分析数据，及时调整数据采集策略，评估和改进神经网络模型性能，S21：采集标注人员使用专业近红外光谱仪，按照指定织物纤维成分数据采集规范操作，采集织物近红外光谱数据；采集标注模块对近红外光谱仪采集的数据进行数据校验以排除漏光的操作误差；同时记录有标签的织物样本成分，与光谱数据对应，确认无误后提交到云众包平台；接收云众包平台返回的数据校验结果，若数据校验失败，则要求采集员重新采集，
S31：深度模型线上训练方法，所述深度模型是基于Resnet的一维卷积神经网络，使用自动调度策略自动从云平台下载新数据集完成训练，定时更新线上模型参数；
S32：自动化部署方法，所述成分检测模块初始化API服务器时加载神经网络模型，模拟10次织物纤维近红外光谱数据输入，得到测试平均计算时间和测试平均单次请求资源占用率；成分检测模块主动向云众包平台发送服务注册请求，建立心跳包建立，发送测试平均计算时间，以初始化云平台建立该服务器的平均响应时间即负载性能指标，便于负载均衡；
S33：请求任务队列，成分检测模块初始化API服务器时得到的测试平均单次请求资源占用率和无请求资源占用率计算求得最大并发响应数量N，建立请求任务队列；当接收到的成分检测请求数大于N时，将请求放入请求任务队列，直到有请求被完成，资源释放后再从请求任务队列队首获取并响应请求。
2.根据权利要求1所述的一种基于近红外光谱的织物纤维成分在线检测系统的检测方法，其特征在于，所述检测系统的在线展示模块接收云众包平台发送的数据分析结果，以可视化方法展示给用户；用户可根据展示的数据库标签分布图，发布指定成分织物的众包采集任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111298071.0A CN114136882B (zh) | 2021-11-04 | 2021-11-04 | 一种基于近红外光谱的织物纤维成分在线检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111298071.0A CN114136882B (zh) | 2021-11-04 | 2021-11-04 | 一种基于近红外光谱的织物纤维成分在线检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114136882A CN114136882A (zh) | 2022-03-04 |
| CN114136882B true CN114136882B (zh) | 2024-04-19 |
Family
ID=80392484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111298071.0A Active CN114136882B (zh) | 2021-11-04 | 2021-11-04 | 一种基于近红外光谱的织物纤维成分在线检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136882B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973439A (zh) * | 2024-04-01 | 2024-05-03 | 长春理工大学 | 一种水质浊度预测方法、浊度预测系统及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109525665A (zh) * | 2018-11-16 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于众包的创客云中心配置推荐方法 |
| CN110110545A (zh) * | 2019-03-25 | 2019-08-09 | 湖州师范学院 | 基于位置隐私保护和欺骗者检测的空间众包质量控制模型 |
| CN110297990A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 众包营销微博与水军的联合检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9297748B2 (en) * | 2013-03-13 | 2016-03-29 | Aclima Inc. | Distributed sensor system with remote sensor nodes and centralized data processing |
-
2021
- 2021-11-04 CN CN202111298071.0A patent/CN114136882B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109525665A (zh) * | 2018-11-16 | 2019-03-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于众包的创客云中心配置推荐方法 |
| CN110110545A (zh) * | 2019-03-25 | 2019-08-09 | 湖州师范学院 | 基于位置隐私保护和欺骗者检测的空间众包质量控制模型 |
| CN110297990A (zh) * | 2019-05-23 | 2019-10-01 | 东南大学 | 众包营销微博与水军的联合检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114136882A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI742980B (zh) | 用於申請規劃介面遷移的電腦化系統以及用於申請規劃介面遷移的電腦實行方法 | |
| US8180762B2 (en) | Database tuning methods | |
| US7970755B2 (en) | Test execution of user SQL in database server code | |
| CN109582301A (zh) | 基于任务调度系统的业务处理方法、装置、设备及介质 | |
| US20040148138A1 (en) | System, method and model for autonomic management of enterprise applications | |
| KR102254653B1 (ko) | 레거시 서비스를 이용한 데이터 라벨링 시스템 및 방법 | |
| CN103095475A (zh) | 多模通信设备的巡检方法和系统 | |
| CN106598823B (zh) | 一种网络行为特征的差量计算方法和系统 | |
| CN114136882B (zh) | 一种基于近红外光谱的织物纤维成分在线检测系统 | |
| CN104573977A (zh) | 一种质量数据管理系统与方法 | |
| CN112183990A (zh) | 基于大数据机器学习的自适应稽查监控管理平台及方法 | |
| US20120303625A1 (en) | Managing heterogeneous data | |
| CN106980572A (zh) | 分布式系统的在线调试方法和系统 | |
| CN109063433A (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN110895506A (zh) | 测试数据的构造方法和构造系统 | |
| CN110321531A (zh) | 实验室仪器信息管理系统 | |
| US20050278301A1 (en) | System and method for determining an optimized process configuration | |
| CN106850316A (zh) | 一种光纤成端图形化管理方法及系统 | |
| CN113360353B (zh) | 一种测试服务器和云平台 | |
| CN112988868B (zh) | 一种钢铁实验室数据处理方法及系统 | |
| CN107040434A (zh) | 终端电脑实际带宽远程集中采集系统及方法 | |
| CN107544895A (zh) | Hadoop大数据平台测试系统及方法 | |
| CN110764909B (zh) | 一种用于云计算平台的存储设备的负载均衡的方法和系统 | |
| CN116777297B (zh) | 基于idc设备监测数据的机房评价指标配置方法和系统 | |
| CN104268680A (zh) | 病例检测进程实时同步系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |