羊绒、羊毛（改性羊毛）的定性鉴别与定量分析

从羊毛及羊绒的组织结构及物理,化学特性方面的差异进行分析,结合实际生产情况,总结了染色法,着色剂法,溶液鉴别法,电子显微镜观察法等定性与定量鉴别羊毛（改性羊毛）与羊绒的原理和方法。     

羊绒和羊毛纤维检测技术研究进展

综述了国内外羊毛和羊绒的鉴别技术,即形态特征分析法、化学分析法、光谱分析法、计算机图像分析法、基于蛋白质的分析法和基于DNA的分析法等6种方法,并对这些技术的基本原理、优缺点和应用范围以及存在的问题进行了分析.其中前5种方法由于受到纤维加工、气候和动物膳食的影响容易出现偏差,而以DNA为基础的检测方法较为灵敏、稳定、可靠.通过综述这些检测技术及方法对指导羊毛和羊绒检测具有一定的意义.     

羊绒和羊毛纤维检测技术研究进展

综述了国内外羊毛和羊绒的鉴别技术,即形态特征分析法、化学分析法、光谱分析法、计算机图像分析法、基于蛋白质的分析法和基于DNA的分析法等6种方法,并对这些技术的基本原理、优缺点和应用范围以及存在的问题进行了分析。其中前5种方法由于受到纤维加工、气候和动物膳食的影响容易出现偏差,而以DNA为基础的检测方法较为灵敏、稳定、可靠。通过综述这些检测技术及方法对指导羊毛和羊绒检测具有一定的意义。     

羊毛与羊绒鉴别技术的研究进展

为了更好地鉴别羊毛与羊绒,介绍了羊毛与羊绒基本组织结构、化学组成成分以及品质性能的同异性。分别从化学分析法、显微技术分析法、计算机图像识别技术、生物技术、红外光谱分析技术6个方面归纳多种羊毛、羊绒鉴别技术的特点和应用情况,并总结了各种方法的优缺点。认为羊毛与羊绒鉴别技术各有千秋,并提出：应扩大样本容量,有针对性地选用现有技术,以及有效结合现有技术和数字化技术进行羊毛与羊绒的鉴别,以提高羊毛与羊绒鉴别准确度和鉴别效率。     

羊绒与羊毛的定性鉴别与定量分析

从羊毛及羊绒的组织结构及物理、化学特性方面的差异进行分析，结合实际生产中的一些情况，总结了定性与定量地鉴别羊毛（改性羊毛）与羊绒的原理和方法。     

羊毛、羊绒纤维鉴别方法综述

主要从特征参数法、溶液法、光谱分析法、DNA法、生物芯片法进行概括和总结。采用光学显微镜或电子显微镜提取纤维直径、鳞片密度、鳞片边缘高度特征参数,通过统计学原理进行分类可以达到预期效果;高锰酸钾溶液对于纤维的破坏程度较明显,处理后的溶液通过测量失重比、拉伸强度等信息进行比较区分;光谱鉴定中标准光谱与待测光谱做差,其阈值的合理选择可以快速进行识别;DNA法与生物芯片法原理相似,同属于生物信息提取分类;运用X射线衍射进行绒毛结晶情况分析;定性检测拉细羊毛与羊绒区别在于细度、弹性、卷曲度等性质的鉴别。     

图像识别在羊绒羊毛检测中的应用研究

利用图像采集设备将纤维图像采集到计算机中,然后用图像处理算法来提取所需纤维信息达到分析与检测的目的。针对纤维具有空间周期性的特点,提出利用数字图像处理技术来实现纤维的自动识别。     

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。     

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。     

基于稀疏表示和自相似学习的图像超分辨率重构

基于稀疏表示的超分辨率重构算法效果依赖于样本图像信息,难以保证重构质量;基于图像结构自相似的算法利用了图像自身的附加信息,但是这些信息不足以获得很好的重构效果．本文综合利用样本图像信息和待处理低分辨率图像自身信息,提出了一种新的方法．在基于稀疏表示的框架下把与待重建图像相似的高分辨率样本图像信息提取出来用于重构,利用低分辨率图像自身的附加信息对上一步的重构图像进行修复,进一步提高重构质量．数值实验结果表明,本算法对图像的细节部分具有更好的重构效果．     

基于谱线分析的羊绒和羊毛的辨别

通过图像处理技术把光学显微镜图像转化为谱线图。根据羊绒和羊毛谱线图呈现的区别,在谱线图上提取6个比对特征,通过比较6个特征的概率分布图以及对特征的相关性分析,最终用横向平均值和纵向离散度特征建立识别函数、识别羊绒和羊毛的混合样本。结果表明,此方法可以有效的识别羊绒和羊毛。     

机织物密度对字典学习纹理表征的影响

为探讨纺织品表观质量的客观、智能评定方法,使用不同密度的机织物图像,采用子窗口样本获取方式作为学习样本,以离散余弦字典作为初始学习字典,选择基于最小二乘的字典学习算法求解用于表征织物纹理图像的字典,再通过字典元素的线性组合对织物图像进行重构。以均方误差为指标,首先讨论织物图像灰度值分布对字典学习算法重构误差的影响,然后对图像灰度值进行标准化处理,在此基础上探讨织物经纬密度对重构图像误差的影响。实验结果发现,当字典个数等于9时,织物密度在150 ~ 360根/10 cm之间,随着织物密度的增加,平纹重构图像的均方误差先变大,以后不再增加,而斜纹重构图像的均方误差增大。     

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.     

应用非负字典学习的机织物瑕疵检测算法

为进一步提高织物瑕疵检测算法对瑕疵类型的通用性,提出一种采用非负字典学习的机织物瑕疵检测算法。首先对正常机织物图像进行窗口分割,将每个子窗口按列展开成列向量,所有列向量联合组成1个矩阵;然后对该矩阵进行非负字典学习,得到个数最佳的非负字典,即基向量;最后应用该字典对待检测样本在最小平方误差下进行近似,并在重构误差的基础上进行疵点检测。重点探讨了窗口大小和字典个数对检测效果的影响。对4 864个样本的实验结果表明,所提算法能在误检率小于10%情况下,取得90%的检出率。     

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。