共查询到18条相似文献,搜索用时 750 毫秒
1.
2.
3.
4.
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. 相似文献
5.
6.
羊绒、羊毛纤维的形态和物理化学性质十分相似,2种纤维表面鳞片的纹理有所不同,鉴别二者的传统方法显微镜人工鉴别存在速度慢、识别率不高、人力成本高等弊端。针对该问题,文章提出了一种基于轻量级卷积神经网络MobileNetV3_small模型的纤维识别方法。实验发现:纤维图像中的鳞片纹理模式复杂度有限,轻量级网络能够有效地提取纤维图像中的视觉特征,并根据特征较好地识别出纤维的类别,实验中5种不同的纤维测试集识别率超过97.1%。与其他卷积神经网络相比,轻量级模型MobileNetV3_small速度更快,识别5 000个样本只需13 s,适合于纤维商检中的快速检测。 相似文献
7.
基于视觉词袋模型的羊绒与羊毛快速鉴别方法 总被引:2,自引:0,他引:2
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。 相似文献
8.
利用反射式暗视场组合照明装置直接采集高放大倍率下羊绒和羊毛纤维集合体表面纤维图像,通过图像处理的方法整体提取同一图像内多根羊绒和羊毛纤维的4个表面特征参数,利用贝叶斯分类模型进行统计,得出纤维集合体中羊毛和羊绒的比例.实验结果表明鉴别精度达到87.5%. 相似文献
9.
10.
11.
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。 相似文献
12.
13.
14.
基于贝叶斯方法的山羊绒与细羊毛的鉴别 总被引:3,自引:0,他引:3
根据细羊毛与山羊绒的鳞片形状与结构特征的不同,提出智能识别2类纤维的方法。通过CCD系统获取2类纤维的灰度图像,采用图像技术将灰度图像处理成单像素宽度的二值图,从二值图中提取描述2类纤维鳞片形状特征的4个比对指标。在样本数据库上基于4个比对指标的统计假设建立辨识细羊毛与山羊绒纤维的贝叶斯分类模型。仿真结果表明:该模型具有较好的纤维鉴别能力,对山羊绒纤维的识别准确度达到83%,对细羊毛则达到90%;并且随着参数的增加,模型有进一步提高鉴别精度的可能。 相似文献
15.
基于谱线特征的羊绒与羊毛的鉴别 总被引:1,自引:0,他引:1
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。 相似文献
16.
17.