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.     

利用图像处理和分析技术测定羊毛/羊绒混纺比

叙述了利用图像处理技术测定羊毛/羊绒混纺纱混纺比的新途径.在预处理阶段,通过数学形态学操作对羊毛/羊绒混纺纱截面图像进行去噪和平滑.在人眼视觉机理的基础上,提出光斑扩散方法,用来探测图像中各个纤维截面并得到其轮廓线.在特征抽取阶段,构建了面积系数作为区分羊毛和羊绒纤维的特征指标.对抽取到的特征数据进行聚类和分类,累计每一类纤维的面积系数之和.最后,考虑到2种纤维的密度,计算出羊毛/羊绒混纺比.通过对同一羊毛/羊绒混纺纱的不同部分采集一系列截面图像进行测试,得到了可靠的结果.     

利用图像处理和分析技术测定羊毛/羊绒混纺比

叙述了利用图像处理技术测定羊毛/羊绒混纺纱混纺比的新途径。在预处理阶段,通过数学形态学操作对羊毛/羊绒混纺纱截面图像进行去噪和平滑。在人眼视觉机理的基础上,提出光斑扩散方法,用来探测图像中各个纤维截面并得到其轮廓线。在特征抽取阶段,构建了面积系数作为区分羊毛和羊绒纤维的特征指标。对抽取到的特征数据进行聚类和分类,累计每一类纤维的面积系数之和。最后,考虑到2种纤维的密度,计算出羊毛/羊绒混纺比。通过对同一羊毛/羊绒混纺纱的不同部分采集一系列截面图像进行测试,得到了可靠的结果。     

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。     

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。     

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。     

浅谈羊绒与羊毛纤维鉴别检测方法

通过对羊绒、羊毛纤维的组织结构和性能的分析,介绍了染色法、溶液鉴别法、光学投影显微镜法、扫描电子显微镜法、计算机图形分析法等鉴别羊绒与羊毛纤维的方法.指出了计算机图像法是较为理想的检测方法.     

基于SURF特征的羊绒羊毛鉴别算法

为了实现羊绒与羊毛纤维的快速自动鉴别,提出了基于SURF特征的羊毛羊绒鉴别算法。首先采用扫描电子显微镜获取两种纤维的表面形貌图像,再对图像进行预处理,去除背景并对纤维区域进行增强处理,然后提取SURF特征并聚类,将原始图像转换成相对应的高维向量,最后对数据进行分类。试验结果表明,该方法有效,在两种纤维不同混合比例的情况下,识别率都超过90%。     

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。     

山羊绒和细绵羊毛纤维的形态特征分析

采用扫描电镜计算机图像系统采集山羊绒和细支绵羊毛纤维的实时图像,经过灰度变换、滤波等图像预处理后,将图像转换成二值图.分析山羊绒和细支绵羊毛纤维表面的形态特征,测量相关的鳞片参数,经对测试数据的统计分析,认为综合山羊绒和细支绵羊毛纤维鳞片标准周长和标准面积这样两个特征参数,运用这些参数的计算结果可有效地区分上述两种纤维.     

羊绒与羊毛直径的水平集中轴线法测量

针对中轴线法测量求取不准确的问题,提出了一种新的水平集中轴线法的羊绒与羊毛直径测量方法。首先对由光学显微镜得到的纤维图像进行处理,包括预处理、区域生长分割和细化,在此基础上采用水平集中轴线法获得光滑、连续、单像素分布的中轴线。并随机抽取100根6个批次的山羊绒、绵羊毛纤维,利用该测量方法对其直径进行测量,计算其平均值,并与真实值进行比较。结果表明,羊绒直径的平均误差为0.29mμm,均方差为0.05,羊毛直径的平均误差为0.37 μm,均方差为0.06。用本文方法测得的羊绒与羊毛直径值与真实直径值极为接近,说明该方法比较准确,且由均方差可知,该算法的鲁棒性也较好。     

变异山羊绒染色性能研究

采用毛用活性染料对变异山羊绒进行染色,研究了染色时正常绒纤维与两型毛的染色动力学,测试了其染色效果及染后纤维表面形态。结果表明绒纤维的平衡吸附量和染色速率常数均高于两型毛,达到吸附平衡的时间比两型毛短。通过显微镜看到染料在两型毛纤维的较直端仍有一定程度的上染,使得两型毛与绒纤维之间的染色差异减小。通过原子力显微镜测试可知绒纤维与两型毛的表面形态的不同,可定量得出两者的差异。     

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。     

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。     

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。     

基于决策树算法的羊绒与羊毛纤维鉴别

山羊绒和绵羊毛（下简称羊绒与羊毛）的鉴别不仅是目前纤维检测领域中的一个热点和难点,且其鉴别研究主要是基于传统统计方法。为此,首次将数据挖掘思想引入羊绒与羊毛纤维的鉴别研究中,提出采用单根纤维上的多元指标作为分类研究的特征属性,从新的视角探索羊绒与羊毛鉴别方法。采用了四个主要的决策树算法,对羊绒和羊毛之间进行了分类,完成了相应的数学建模和评估。实验结果表明：所建模型的平均相对误差都低于6%,经对比,C5.0算法比其他算法更为精准和稳定,可用于对实际羊绒与羊毛纤维的检测分类。     

基于稀疏字典学习的羊绒与羊毛分类

为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。