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！

龙图腾网获悉南通恒畅纺织有限公司申请的专利一种纺织品出货检验控制系统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：CN119671108B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411644283.3，技术领域涉及：G06Q10/0631；该发明授权一种纺织品出货检验控制系统是由周正旭设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种纺织品出货检验控制系统在说明书摘要公布了：本发明涉及运行控制技术领域，具体涉及一种纺织品出货检验控制系统，包括数据获取模块、检验任务生成模块、检验分配模块，其中；所述数据获取模块用于自动采集待检纺织品的基本信息和出货要求；所述检验任务生成模块根据纺织品基本信息和出货要求动态生成检验任务，包括检验标准和检验流程；所述检验分配模块按照检验标准和检验流程分配对应检验人员，为检验人员提供一个工作站，其中包括待检验纺织品的所有相关信息、检验标准和检验流程指导，支持检验人员按照既定标准执行检验任务。本发明，不仅显著提升了检验任务生成的准确性，还确保了每项检验工作都高度符合纺织品的实际情况和市场需求。

本发明授权一种纺织品出货检验控制系统在权利要求书中公布了：1.一种纺织品出货检验控制系统，其特征在于，包括数据获取模块、检验任务生成模块、检验分配模块，其中； 所述数据获取模块用于自动采集待检纺织品的基本信息和出货要求； 所述检验任务生成模块根据纺织品基本信息和出货要求动态生成检验任务，包括检验标准和检验流程，具体包括： 机器学习子模块：基于神经网络自编码器识别和分类纺织品的基本信息和出货要求对应的检验需求，所述神经网络自编码器具体包括： 收集纺织品的基本信息和出货要求相关数据； 对纺织品的基本信息和出货要求进行编码，转换成适合神经网络处理的格式； 自编码器网络架构设计： 编码器：采用卷积神经网络层来处理图像输入，提取纺织品图像中的纹理、图案和颜色特征，对于非图像数据，通过全连接层来处理，并将非图像数据部分的输出与图像特征合并，形成一个综合特征表示； 解码器：设计解码器部分以重建输入数据，包括图像的重建以及纺织品的基本信息和出货要求，以确保编码过程捕捉到所有信息； 使用纺织品数据集来训练自编码器，关注编码器部分能否提取特征，训练目标是最小化重建误差，即输入数据和解码器输出之间的差异； 特征提取与分类：训练完成后，使用编码器部分作为特征提取器，对新的纺织品数据进行特征提取，提取的特征反映纺织品的基本属性和出货要求； 基于提取的特征，训练一个分类器来识别不同的检验需求类别； 根据分类结果，动态生成相应的检验任务； 所述自编码器网络架构包括由两个卷积层组成的编码器部分，用于从纺织品图像中提取特征，同时通过全连接层来处理纺织品的基本信息； 图像特征提取：对于输入的纺织品图像I,第一个卷积层的计算表示为：F1＝ReLUW1*I+b1，其中，F1是第一个卷积层的输出特征图，W1是卷积核的权重，b1是偏置项，ReLU是激活函数，用于增加非线性，*表示卷积操作； 第二个卷积层的计算表示为：F2＝ReLUW2*F1+b2，其中，F2是第二个卷积层的输出特征图，W2和b2分别是第二个卷积层的权重和偏置项； 基本信息处理：对于纺织品的基本信息B，通过一个全连接层进行处理，计算如下：FB＝ReLUWB·B+bB，其中，FB是全连接层的输出特征，WB是全连接层的权重，bB是偏置项，·表示矩阵乘法； 在提取了图像特征和处理基本信息之后，将两部分特征融合在一起，用于检验需求分类，通过平均池化或全局最大池化将F2转换为一个固定大小的特征向量V2，然后将V2和FB连接起来形成一个综合特征向量Fcombined； 使用全连接层作为分类器，根据综合特征向量预测纺织品的检验需求类别； 所述根据综合特征向量预测纺织品的检验需求类别表示为： Y＝SoftmaxWC·Fcombined+bC，其中，Y是预测的检验需求类别的概率分布，WC是分类器全连接层的权重，bC是偏置项，Softmax函数用于将输出转换为概率分布； 规则引擎子模块：构建基于领域专家知识的规则库，包括纺织品检验的标准规则、行业最佳实践和客户要求，利用规则引擎对机器学习子模块的输出进行分析，以生成符合实际操作需求的检验任务和检验流程； 所述规则引擎子模块具体包括： 构建规则库：收集和整理纺织品检验相关的国际和国家标准，以及行业公认质量控制标准，规则包括纤维成分、尺寸稳定性、色牢度、耐磨性，汇集行业内公认最佳实践和经验法则，包括材质的处理方法、产品类型的检验重点，针对不同客户或市场的不同要求，包括环保标准、安全规定； 规则匹配与应用：规则引擎将机器学习子模块的输出作为输入，对照规则库中的各项规则进行匹配； 检验任务和流程生成：根据匹配结果，规则引擎生成具体检验任务，每个任务均包括检验标准、所需仪器、预期结果； 所述检验分配模块按照检验标准和检验流程分配对应检验人员，为检验人员提供一个工作站，其中包括待检验纺织品的所有相关信息、检验标准和检验流程指导，支持检验人员按照既定标准执行检验任务，具体包括： 维护一个检验人员数据库，记录每个检验人员的技能、资质、经验和过往检验表现； 检验任务需求分析：对于每个生成的检验任务，分析所需的技能和资质要求，包括检验经验、对特定检验设备的熟练度以及对相关标准的理解程度； 基于人员分配优化算法，考虑任务紧急度、人员技能匹配度、工作负载平衡因素，为每个检验任务匹配最优检验人员； 确定检验任务与人员的最优匹配，将自动调度任务，并通过工作站通知相应的检验人员； 所述人员分配优化算法包括约束条件的定义： 人员技能匹配S：每位检验人员具备技能集合，不同的检验任务需要不同技能，用二元关系Sij表示，其中i表示第i个检验人员，j表示第j个检验任务，如果Sij＝1，则表示第i个检验人员具备完成第j个任务所需的技能；如果Sij＝0，则表示不具备； 工作负载平衡W：为了确保工作负载的平衡，每位检验人员分配的任务量不应超过其工作能力上限，设Wi为第i个检验人员的工作量，Li为其最大承受工作量，应满足Wi≤Li； 检验时间限制T：每个检验任务需要在预定时间内完成，设和分别为第j个检验任务的开始时间和结束时间，分配给该任务的检验人员在该时间范围内可用； 所述约束条件表达为： 技能匹配约束：对于每个任务j，有至少一个技能匹配的检验人员被分配： 工作负载约束：每个检验人员的总任务工作量不超过其最大承受工作量：其中，Wij表示第i个检验人员执行第j个任务的工作量； 时间限制约束：确保分配给每个任务的检验人员在任务的时间范围内可用； 基于制约条件，构建人员分配优化算法的目标函数和约束条件，目标函数是最大化任务分配效率或最小化检测人员空闲时间，所述最大化分配效率表示为：其中，n是检验人员的总数，m是检验任务的总数，Xij是一个决策变量，如果第i个检验人员被分配到第j个任务，则Xij＝1，否则Xij＝0；所述最小化所有检验人员空闲时间即最小化可用工作时间与被分配任务的工作时间之差的总和：其中，n为检验人员的总数，m为检验任务的总数，Ti为第i位检验人员的可用工作时间，Dj为完成第j个检验任务所需的时间，Xij为决策变量，如果第i个检验人员被分配到第j个任务，则Xij＝1，否则Xij＝0。

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南通恒畅纺织有限公司，其通讯地址为：226400 江苏省南通市如东县双甸镇工业集中区C区；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。