买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于智能近红外光谱系统和神经网络的织物分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119810670B 。

龙图腾网通过国家知识产权局官网在2026-01-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510103192.7，技术领域涉及：G06V20/10；该发明授权一种基于智能近红外光谱系统和神经网络的织物分类方法是由罗林保;黄志禹;梁孟飞;施凡;黎应豪设计研发完成，并于2025-01-22向国家知识产权局提交的专利申请。

本一种基于智能近红外光谱系统和神经网络的织物分类方法在说明书摘要公布了：本发明公开了一种基于智能近红外光谱系统和神经网络的织物分类方法，是应用于由近红外光谱仪、电容触摸串口屏、ZYNQ处理平台与控制底板所组成的智能近红外光谱系统中，其中，近红外光谱仪用于采集织物的近红外光谱反射数据，并通过UART接口传输至控制底板；控制底板内置STM32模块，用于控制光谱仪采集数据、完成初步处理，并将处理后的光谱反射数据通过UART接口传输至ZYNQ处理平台，ZYNQ处理平台中的Zy‑Net分类模块基于神经网络对光谱数据进行计算，并利用其内置FPGA的硬件加速能力，实现高效、低延迟的实时分类，最终将分类结果通过电容触摸串口屏实时显示。本发明充分发挥ZYNQ处理平台的软硬件协同优势，以快速高效地实时显示不同织物的分类。

本发明授权一种基于智能近红外光谱系统和神经网络的织物分类方法在权利要求书中公布了：1.一种基于智能近红外光谱系统和神经网络的织物分类方法，其特征在于，是应用于由近红外光谱仪、电容触摸串口屏、ZYNQ处理平台与控制底板所组成的智能近红外光谱系统中，其中，所述近红外光谱仪通过UART接口与控制底板上的UART排针连接，用于采集织物的近红外光谱反射数据；所述ZYNQ处理平台包括：Zy-Net模块；所述控制底板包括：STM32模块；所述织物定性分类方法是按如下步骤进行： 步骤1、构建样本织物反射光谱数据集以及数据的预处理； 步骤1.1、将所述近红外光谱仪对准参考白板，由所述电容触摸串口屏向所述控制底板的STM32模块发送白板矫正指令，所述STM32模块识别所述白板矫正指令后，驱动近红外光谱仪采集并得到参考光谱={,,...,,...,}，表示第m个光谱数据，M表示光谱数据的总数；m=1,2,...,M； 步骤1.2、将所述近红外光谱仪对准待测的第q种织物样本，由所述电容触摸串口屏向所述控制底板的STM32模块发送采集数据控制指令，所述STM32模块识别所述采集数据控制指令后，驱动近红外光谱仪采集并得到第q个种类织布的反射光谱数据；其中，表示第q个种类织布的第m个反射光谱数据；q∈Q；Q表示织物样本的种类数； 所步骤1.3、所述STM32模块通过式1计算得到第q种织物样本的光谱反射率，并通过UART串口将光谱反射率传输至ZYNQ处理平台； 1 步骤2、构建用于织物分类的Zy-Net分类网络，包括：织物光谱特征提取模块、数据转换模块和织物分类模块； 步骤2.1、所述织物光谱特征提取模块对进行处理，得到第q个种织物样本最终的显著反射光谱特征；所述织物光谱特征提取模块由U个一维卷积块串联构成，每个一维卷积块是由一个一维卷积层、一个BN层、一个ReLU激活层与最大池化层依次串联而成；u=1,2,...,U； 步骤2.1.1、当u=1时，第q个种织物样本的光谱反射率输入织物光谱特征提取模块的第u个一维卷积块的一维卷积层中，并利用式2得到第q个种织物样本的第u个反射光谱特征: +2 式2中，表示第u个一维卷积层的偏置值，表示第u个一维卷积层的权重，*表示一维卷积操作； 步骤2.1.2、第u个一维卷积块中的BN层利用式3对进行批量归一化处理，得到第q个种织物样本的第u个归一化后的反射光谱特征： =·+3 式3中，和分别表示第u个卷积块的均值参数和标准差参数，表示防止除零的常数；和分别表示第u个卷积块的缩放参数和偏移参数； 步骤2.1.3、第u个一维卷积块中的ReLU激活层利用式4对进行非线性变换，得到第q个种织物样本的第u个变换后的反射光谱特征： 4 步骤2.1.4、第u个一维卷积块中的最大池化层对进行特征提取，得到第q个织物样本的第u个显著反射光谱特征； 步骤2.1.5、当u=2,3,...,U时，将第q个种织物样本的第u-1个显著反射光谱特征输入第u个一维卷积块中进行处理，从而由第U个一维卷积块输出最终的显著反射光谱特征； 步骤2.2、所述数据转换模块对进行展平处理，得到第u个一维反射光谱特征； 步骤2.3、所述织物分类模块对进行处理，得到第q个种织物样本的预测类别概率； 步骤2.4、利用式5建立Zy-Net神经网络模型的损失函数： 5 式5中，为的真实类别标签； 步骤2.5、通过梯度下降法对所述的Zy-Net分类网络进行训练，并计算损失函数，当网络训练达到设定的次数后，停止训练，从而得到最优参数的织物分类模型并部署到ZYNQ处理平台上，用于实现不同种类织物的分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。