浙江东进新材料有限公司

该数据经规范处理和加工后，形成高质量、高识别精度的AI验布训练数据集及配套算法，可直接应用于本公司智能AI验布机的日常质检工作，能够帮助AI验布机模型深入学习并识别各类面料的瑕疵特征（包括断经、断纬、油污、色差、破洞等常见疵点的形态、大小、分布），有效解决传统人工验布效率低、漏检率高、质检标准不统一的问题，替代人工完成高强度质检工作，提升质检准确性和效率，减少次品流出，同时实现质检数据的规范记录，为质量追溯和工艺优化提供支撑。同时对于纺织智能装备制造厂商，该数据适配各类品牌AI验布机、面料检测设备，提供标准化训练数据集与特征编码算法，助力智能验布设备算法迭代与整机智能化升级。1.数据采集：原始面料图像数据来源于本公司生产车间配套的AI智能验布机高清线阵相机自行拍摄生成，涵盖织造、印染等各生产环节的面料图像，同步记录每张图像的图像ID及对应面料生产批次、机台参数等关联信息，确保数据可追溯，来源合法、真实有效，无个人数据、公共数据，全程由企业自主采集管控。 2.图像预处理：对采集的原始面料图像进行针对性预处理，结合AI智能验布机的检测需求，执行图像缩放、裁剪、去噪、分辨率校准及布面平整化修正等操作，统一数据格式与图像参数，确保图像清晰、布面瑕疵特征可识别，适配华为ESIE算法的后续特征提取的需求。同步记录预处理后的图片文件名，实现原始图像与预处理图像的一一对应、可追溯关联。 3.模型训练：依托AI智能验布机本地化部署的华为ESIE算法（高效空间信息编码算法），结合华为昇腾AI算力支撑，底层采用高效空间特征编码逻辑，按“面料类型+材质+纹理+瑕疵类型+瑕疵尺寸”的核心逻辑整合数据，生成适配验布场景的结构化特征编码，无需额外生成提示词，直接用于面料瑕疵识别训练。算法通过大核卷积与Hadamard积方式，精准捕捉面料瑕疵的长程依赖特征，提升微小瑕疵识别精度，抽取部分训练数据进行人工校验，确保瑕疵识别结果准确，贴合实际质检需求。训练完成后，将识别结果与原始图像数据、预处理图像数据相关联，形成包含图像ID、预处理图像路径、瑕疵识别结果及算法编码信息的完整记录，适配越剑智能验布机的实时质检与数据追溯需求，同时依托边缘计算能力，实现数据实时分析与模型自学习优化。注，等级划分：总扣分小于10分为A等，10（含）-20（含）分为B等，20-30（含）分为C等，超过30分为D等。