基于谱线特征的羊绒与羊毛的鉴别

为快速区分和检验羊毛、羊绒,提出基于羊毛与羊绒谱线特征的识别方法。这种方法先通过光学显微镜获得羊毛与羊绒的图像,然后经过图像处理得到羊毛与羊绒的表面信息。接着通过投影的方式,获得羊毛与羊绒表面所对应的谱线。对获得的谱线进行分割,根据羊毛及羊绒谱线的特性不同,提取羊毛及羊绒谱线的单元宽度值、单元峰值及离散系数、峰值宽度比等参数;最后通过对这些参数的分析处理进行识别。实验结果表明,采用这种方法识别羊毛及羊绒,不仅快速准确,而且与以往的方法相比,在精度和速度上都有显著的提高。     

基于羊绒羊毛纤维检测的分类器研究

基于数字图像处理的羊绒羊毛纤维检测已然成为了现今研究的热门,本文主要对现今存在的对羊毛羊绒纤维图片特征进行识别的分类器进行研究。以相同方式提取出的羊绒羊毛纤维图片特征分别使用贝叶斯方法、BP神经网络、SVM支持向量机进行识别,最后通过比较,SVM支持向量机在识别率和识别速度上较其余两个分类器有效,是比较适合进行羊毛羊绒纤维检测的分类器。     

采用数字图像处理的羊毛与羊绒纤维识别

探讨采用数字图像处理的羊毛与羊绒纤维识别效果。首先采集纹理细节和形状轮廓增强的羊毛与羊绒纤维图像,将交叉纤维处理分割成单根纤维。分别提取纤维的形态特征和纹理特征,然后基于支持向量机模型,根据有限样本信息的学习精度和学习能力进行羊毛与羊绒纤维识别。最终,羊毛与羊绒纤维识别正确率达到93.1%。认为:采用数字图像处理提取纤维特征能较好地识别羊毛与羊绒纤维。     

绒纤维专家鉴别特征统计分析及自动鉴别方法研究

在总结前人对羊绒和羊毛的形态学研究基础上,初步确定了适合于羊绒羊毛鉴别的8种特征,并基于这8种特征的经验分布,建立了羊绒羊毛的表达,生成了对应的羊绒羊毛数据库。利用有监督学习方法中的支持向量机算法,实现了对羊绒和羊毛的自动识别,识别结果发现,基于羊绒羊毛形态学特征表达的SVM分类器的正确识别率达到了90%左右,和现有的方法比较,识别的正确率有了较大的提高。     

基于数字图像处理的羊绒与羊毛识别研究

探讨基于数字图像处理的羊绒与羊毛纤维识别方法。利用螺旋相位相衬显微镜采集到特征清晰的羊绒与羊毛纤维图像,经图像预处理后,采用分段扫描法提取纤维直径,鳞片骨架法提取纤维高度等形态特征,并分别提取不同方向上的灰度共生矩的能量、熵、对比度、相关性等4个特征向量的均值和标准差作为纹理特征参数。最后应用BP神经网络,通过误差反馈调节,得到最佳参数的BP神经网络模型。试验表明:羊绒与羊毛纤维识别的正确率达到93.3%。认为:采用数字图像处理提取纤维特征能较好地识别羊绒与羊毛纤维。     

羊绒与羊毛纤维表面形态的图像处理与识别

分析了羊绒和羊毛的表面鳞片形态特征 ,综合利用灰度差值、模板代换、边界搜索、轮廓跟踪、拐点分析等一系列图像处理和识别的方法 ,对羊绒和羊毛表面鳞片形态进行处理 ,提出了鳞片内外 2个方形因子的指标 ,对羊绒纤维实现了自动的识别。     

基于贝叶斯模型的羊绒羊毛识别

探讨一种基于贝叶斯模型鉴别羊绒羊毛的方法。利用扫描电镜对羊绒羊毛纤维进行图片采集,然后对羊绒羊毛纤维图像进行预处理,提取羊绒和羊毛纤维参数的5个直观特征参数,再利用直观特征参数得到4个相对特征参数。对这些特征参数的分布进行统计分析,对各参数的正判率进行比较和相关性分析,最终选择纤维直径、鳞片高度、鳞片密度、周径比、面积比、径高比这6个参数建立贝叶斯模型。试验结果表明:该方法鉴别羊绒羊毛正确率达到95%左右。认为:基于贝叶斯模型的羊绒羊毛识别具有较高的精确度。     

基于基因技术的羊绒与羊毛纤维定性鉴别方法

随着羊毛改性技术的发展,传统的光学显微镜鉴别羊绒羊毛的方法逐渐显出其局限性。采用基因技术,利用山羊与绵羊之间特定碱基序列的差别,通过PCR扩增、测序,得到各自的DNA碱基序列,从而确定其种属,达到鉴别纤维的目的。文章通过纯羊绒羊毛纤维及不同比例羊绒羊毛混合物线粒体DNA的测序实验,研究了羊绒羊毛的DNA鉴别方法。结果表明：1）基于基因技术的DNA测序方法可以准确定性鉴别极小比例的羊绒羊毛纤维;2）对于纯羊绒羊毛纤维,采用一组引物,即可通过特定位点特征碱基序列组来鉴别;3）对于羊绒羊毛混合物,分别采用羊绒引物和羊毛引物对样品测序,通过查找羊绒羊毛纤维各自的特征序列,鉴别样品中是否含有羊绒或羊毛。     

基于多特征融合图像分析技术的羊毛与羊绒鉴别

为快速准确地鉴别羊毛与羊绒,提出一种基于多特征融合的鉴别方法。首先利用光学显微镜及数码相机对羊毛与羊绒纤维进行图像采集,然后分别采用2种类型的预处理操作得到单根纤维图像与去除背景的纤维二值图像;其次通过灰度共生矩阵算法提取第1类预处理后羊毛与羊绒纤维图像的纹理特征参数,基于中轴线算法提取第2类预处理后纤维图像的直径形态特征参数;最后将纹理及形态特征参数融合成多维数组并通过K均值算法进行聚类识别。实验结果显示,与传统利用单一纤维特征提取算法进行识别的方法相比,该算法平均识别率可达到95.25%,识别率较高,可用于羊毛与羊绒纤维的自动分类识别。     

基于鳞片特征的羊绒与羊毛识别模型的研究

羊绒和羊毛纤维表面具有鳞片,其尺寸是微米级别的,无法用肉眼来识别.利用扫描电镜来进行研究是行之有效的方法之一,但其制样复杂、试样量少.采用数字显微成像系统快速采集纤维图像,其在不同照明方式下采集的图像质量存在差别.选用反射式照明方式采集纤维图像,然后通过图像处理和特征提取后,可得到表征羊绒和羊毛纤维的5个特征参数.根据提取的数据比较两类纤维各特征参数间的关系,构建识别羊绒和羊毛纤维的贝叶斯分类模型.     

山羊绒与细羊毛、牦牛绒、驼绒混纺产品中羊绒含量分析的探讨

山羊绒与细羊毛、牦牛绒、驼绒均为角朊蛋白细胞组成,结构特征相似,在测定其混纺产品中羊绒含量具有一定的难度,是检验部门面对的一大难题。本文介绍了动物纤维的结构特点,结合光学显微镜图片围绕着山羊绒与细羊毛、牦牛绒、驼绒的鳞片形态特征的差异,对这几种混纺产品中羊绒含量的定量方法做出探讨。     

毛绒类纤维鳞片结构特征鉴别

以羊毛、山羊绒及其它毛绒类纤维作为研究对象 ,采用带显示屏的高放大倍数的显微镜和配置优良的电脑对上述纤维的鳞片结构特征作定性的分析研究。具体工作包括 :样本的制备 ;仪器的配置与调试 ;利用计算机进行鳞片特征提取 ;羊毛、羊绒等各种动物纤维鳞片结构特征比较。     

应用卷积网络及深度学习理论的羊绒与羊毛鉴别

为解决羊绒与羊毛纤维图像难以鉴别的问题,提出一种基于卷积网络和深度学习理论的鉴别方法。使用sigmoid分类器将卷积深度网络提取的纤维图像特征进行粗分类,根据验证集合验证结果并记录网络的最优权重。根据整体的分类网络所获取的权值,对每张样本图片使用改进的局部增强整体的网络模型提取局部特征,并对局部特征和整体特征进行融合,根据这些融合特征建立新的分类网络。在此基础上,使用鄂尔多斯标准羊绒与羊毛数据集对网络进行50轮次的迭代训练,得到的最优准确率达92.1%。实验结果表明:采用深度卷积网络表征纤维,并对羊绒羊与毛纤维图像进行分类的方法,能够有效解决羊绒、羊毛等类似纤维鉴别问题;若用于商业检测,还需更多数据集的验证。     

山羊绒纤维的拉伸性能

研究了山羊绒纤维的拉伸性能以及单纱的拉伸松弛性能,并与细支羊毛纤维进行对比。研究结果表明:山羊绒纤维的比强度、拉伸模量,松弛时间高于羊毛;在较小定伸长条件下,山羊绒纱线拉伸应力松弛速率慢于羊毛纱线,即山羊绒纱线比羊毛纱线难定形,这些力学性能的差异是由于山羊绒纤维α-结晶度高于羊毛;在80~130℃干热条件下,山羊绒纱线的拉伸应力松弛速率及其定形率均随温度的提高而提高;当温度高于120℃时,提高不显著。     

基于视觉词袋模型的羊绒与羊毛快速鉴别方法

为快速准确地鉴别羊绒和羊毛,提出一种基于视觉词袋模型的鉴别方法。该方法使用羊绒和羊毛的光学显微镜图像作为实验样本,将纤维鉴别问题转化为图像的分类问题。首先对光学显微镜图像进行预处理以增强特征,然后从纤维形态中提取局部特征并生成视觉单词,再依据视觉单词对纤维图像进行分类,从而达到鉴别纤维的目的。使用了4 400 幅纤维图像作为数据集,从中选择不同的羊绒和羊毛的混合比作为训练集和测试集,得到的识别率最高为86%,最低为81.5%,鉴别1 000根纤维需要的时间小于100 s,训练好的分类器可保存并用于后期的检测工作。     

山羊绒与绵羊毛的鉴别与实践

针对绵羊毛影响山羊绒检测误差与误判这一难题,利用现代纺织理论与测试技术,对山羊绒与绵羊毛的表面形态结构进行了剖析,从山羊绒与绵羊毛的鳞片形态、鳞片变异特征、粗细绵羊毛与山羊绒表面形态的异同性等方面进行了多角度的比较,结合多年生产实践经验,探寻了山羊绒与绵羊毛团的区别,洗净后山羊绒与绵羊毛的区别,提出了进厂无毛绒宏观检验与微观检验理念和具体操作方法,对确保无毛绒质量,减小鉴别误差和检验误判具有现实的指导意义.     

彩色目标提取方法检测羊绒/羊毛混纺比

针对目前羊绒/羊毛混纺比检测主要依靠人工,速度慢且精确度不高等问题,应用一种基于HSV颜色模型的彩色目标提取方法检测羊绒/羊毛混纺比。首先将具有某种色彩信息的羊绒或羊毛纤维从背景图片中分离出来,然后根据所提取纤维与背景纤维的形状大小等特征的不同,采用图像腐蚀和膨胀的方法对图片进行处理,使所提取的目标完整地从原图中分离出。研究结果表明:该方法使应用图像处理方法测试羊绒/羊毛混纺比具有可行性。     

基于鳞片纹图基因码的羊绒理论识别精度及正误判率

针对羊绒与细羊毛鉴别的问题,研究了鳞片纹图基因码关于羊绒的的识别精度。研究表明, 虽然羊绒与细羊毛同一鳞片纹图基因码的分布类型相同,但数字特征却大同小异,羊绒鳞片纹图基因码的数字特征表明其鳞片更似方形或窄矩形,而细羊毛的则更似宽矩形。在所有纹图基因码中,两类纤维鳞片面积、周长和矩形度的分布几乎完全重叠,表明三者无法用于纤维鉴别。两类纤维其它纹图基因码的分布部分重叠,据此可建立具有最小识别误差的纤维辨识标准,获得了羊绒纤维最大识别概率为88.8%,羊毛最大识别概率为92%,最小识别误差为10.7%的结论。这些结论为羊绒鉴别最优基因组的发现提供了理论参考。