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。     

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.     

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%。     

基于轻量级卷积神经网络的羊绒羊毛识别方法

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。     

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。     

多目标聚集状态下的羊绒纤维自动识别

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%.     

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。     

融合空间信息的词袋模型用于羊绒羊毛纤维识别

针对视觉词袋模型缺乏空间信息,对图像纹理表述不明确的问题,提出一种融合空间信息的词袋模型方法用于羊绒羊毛纤维识别。该方法通过融入局部特征间的相对位置特征,构造空间上下文近义词表,结合软分配的方式,将特征点分配给多个同义性较强的视觉单词,有效减弱了单词同义性和歧义性的影响。结合含空间信息的特征共同表征图像纹理,弥补了视觉词袋模型缺乏空间信息的缺点。实验结果表明,该方法相比于传统词袋模型的平均正确率提高了7.9%,其平均识别率可达93.3%,可用于羊绒羊毛纤维的自动分类识别。     

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。     

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.     

基于贝叶斯方法的山羊绒与细羊毛的鉴别

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。     

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。     

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。     

羊绒羊毛纤维线粒体DNA碱基对序列研究

物种不同,DNA序列亦不同,而生存环境、食物链等因素也会引起基因突变。文章对不同地区、不同种类的羊绒和羊毛纤维线粒体DNA进行测序实验,通过对实验所得序列的比较与分析,得出结论:羊绒羊毛纤维线粒体DNA序列的相似度达98%以上,但在特定的位置有各自的特征碱基序列;不同产地、不同种类的山羊绒纤维线粒体DNA的特征碱基序列基本一致,不同产地、不同类别的绵羊毛纤维线粒体DNA的特征碱基序列亦基本一致。