印花面料的边缘轮廓快速提取方法

工业协作型缝纫机器人代替操作工自动完成缝合是未来发展的必然趋势,但当前的工业协作型缝纫机器人难以快速精准地定位面料边缘轮廓信息,影响缝纫效率与缝纫质量。针对印花面料提出线下使用深度学习建立面料检测模型,线上调用面料检测模型分割面料与背景并结合传统轮廓检测算法快速准确提取面料边缘轮廓的方法。首先,建立面料图像数据集,并通过卷积拆分和融合损失函数对VGG-UNet模型进行优化,将面料数据集输入至优化的VGG-UNet模型进行训练学习并构建最优面料检测模型;其次,利用最优面料检测模型分割面料与背景;然后,采用数学形态学算法对分割后的面料图像进行自适应开运算去除面料边缘的毛边;最后,利用Canny算子对去除毛边后的面料图像进行轮廓提取。实验结果表明,本文方法可较好去除面料毛边并快速精准提取印花面料的边缘轮廓,所提取的轮廓与面料边缘轮廓高度拟合,轮廓提取精度高于99%,轮廓提取时间仅需0.216 s。本文研究可为后续机器人的轨迹规划提供快速准确的坐标信息,提高缝合质量和效率,推进无人化、自动化缝合生产线的实现。

面向服装面料自动缝合的缝纫工艺参数建模

为了解决缝纫中面料性能与缝纫加工工艺参数仅依靠技术工的经验完成匹配的问题,通过建立面料在缝纫过程中的多力场耦合模型智能选择缝纫加工工艺参数。以纬编织物为例,首先建立了织物单元的三维结构模型;其次分析了穿刺过程中织物组织与纱线间的抱合力对缝纫针的影响,并对面料在缝纫过程中的运动进行分析,创新性地建立了缝纫过程中基于面料力学性能的多力场耦合模型;然后建立了织物的有限元模型和缝纫针的几何模型,分析面料在缝纫过程中应力、应变的分布情况,得到面料在缝纫过程中因受外力作用而发生的形变并验证模型的正确性;最后搭建了协同自动缝纫实验平台进行实验验证数学多力场耦合模型的正确性。结果表明,该方法相比于工人凭借着经验完成缝纫可减少面料的形变和皱缩率,提高服装缝纫质量,为下一步服装面料自动缝合提供工艺参数,并为服装智能制造提供理论及技术参考。

SNA视角下企业R&D资本存量的测算研究

文章通过SNA2008与弗拉斯卡蒂手册、IFRS准则的对比,明确会计核算与SNA2008具有适配性,提出应从会计核算微观角度出发,在SNA宏观视角下对企业R&D资本存量进行测算的思路,对会计核算路径进行调整,实现微观数据与宏观视角的对接,并基于2010~2019年沪深A股上市公司数据,对R&D资本存量进行测算,实现在SNA视角下会计核算角度出发的R&D资本存量测算研究,对SNA视角下R&D资本化的研究具有一定的参考意义。