共查询到20条相似文献,搜索用时 31 毫秒
1.
为进一步提高棉花中异性纤维的检测效率,对异性纤维图像处理方法进行探究。通过分析不同异性纤维图像边缘检测方法的定位精度、背景模糊以及受噪声影响情况发现,不同图像分割方法中异性纤维边缘连续性和分割效果存在差异性。统计了常见异性纤维图像边缘检测法和图像分割方法,分析了各类处理方法的优势和局限性,归纳了适用于各类异性纤维的检测方法,总结了现有研究中存在的问题和不足。研究认为:目前对不同种类异性纤维检测适用的图像处理方法不同,还无法同时检测出全部种类的异性纤维;应根据实践中具体异性纤维的种类、含量、物理特性等选择适合的检测算法并进行算法融合,开发普适性好的算法以降低成本和减少计算量。 相似文献
2.
3.
4.
在棉纺企业原棉异性纤维剔除工艺过程中,异性纤维种类及特征多样,难以构造统一的识别模型,为此,提出了一种基于聚类统计分析的棉花异性纤维图形检测算法。通过获取原棉纤维及异性纤维在RGB颜色模型空间的各分量值,进行数值聚类统计分析,采用RGB彩色图像阈值聚类统计分类的方法将获取的图片信息分为3类,进而判断有无异性纤维,再经过形态学等预处理修缮图像,对棉花中异性纤维的特征进行提取,较准确地得到异性纤维的面积、质心坐标和周长等参数,为异性纤维的清除提供条件。实验结果表明,该算法能较准确地识别异性纤维。 相似文献
5.
6.
针对传统图像处理方法对棉层中异性纤维检测效果不佳的问题,基于近红外光谱和残差神经网络提出一种对棉层中异性纤维的分类识别方法。采用Savitzky-Golay法对异性纤维的近红外光谱数据进行平滑处理,结合F检验和LightGBM分类算法实现特征波长优选,并将优选后的光谱数据经格拉姆角场转换成保留波长序列之间时序性的格拉姆角和场图像;构建残差深度卷积神经网络模型,将转换后的格拉姆角和场图像作为训练样本对残差网络模型进行训练。实验结果表明,该方法能够有效地对复杂环境下棉层中的异性纤维进行分类,分类准确率达到99.69%,与其它数据转换方式和分类模型相比提高了棉层中异性纤维的分类识别精度,为复杂环境下异性纤维分类识别研究提供了新思路。 相似文献
7.
8.
9.
探讨基于卷积神经网络的Faster-RCNN深度学习方法,检测籽棉中异性纤维的检测技术。使用线扫描相机在LED照明条件下获取籽棉和异性纤维的图像,采用基于Faster-RCNN的人工智能深度学习方法处理图像。试验结果表明,Faster-RCNN处理方法对籽棉图像中异性纤维的检出率达到90%,相比传统的图像检测方法大幅度提高了检测率,特别是对传统方法难以识别的白色或浅色异性纤维,其检测率可以达到90%以上。认为:本文所采用的基于Faster-RCNN的人工智能深度学习方法处理图像在异纤检测应用上具有一定可行性。 相似文献
10.
11.
12.
针对现有的异纤清理机无法彻底清除异性纤维的问题,提出了一种在籽棉轧花前对异性纤维进行检测的方法。以清除了铃壳、茎、叶等有机杂物的籽棉和常见的21种有色及白色异纤为检测样本,在白色LED和红色线激光双光源照明获取图像,在RGB颜色空间的R 通道和HSI颜色空间的S通道利用改进的索贝尔(Sobel)边缘检测算法检测异纤。同时在S通道利用一维最大熵法以提高异纤检测率。实验结果表明:采用的双光源照明成像方法和图像处理算法可减少阴影等干扰,白色异纤的检出率可达到74.7%,有色异纤的检出率可达到70.8%,为籽棉中异性纤维的检测提供了参考和借鉴。 相似文献
13.
Matlab语言是具有强大矩阵运算能力的可视化计算软件。边缘检测技术是数字图像处理非常重要的内容,属于图像分析的范畴。着重阐述了在原棉检测中棉花异性纤维的边缘检测算法和重心定位算法,并通过Matlab语言实现了这两种算法,得到了很好的效果。 相似文献
14.
为了实现棉花异性纤维分类识别与计重的自动化,本文建立了一种棉花异性纤维分类识别和计重系统SIW(system of identification and weight statistics),提出了系统的组成结构和工作原理,对系统关键的硬件设备和软件实现过程作了必要的说明,包括场景图像的采集、图像处理和识别方法以及计重模型的建立。最后对SIW系统进行测试,测试结果证明,该系统可以有效地识别出棉花中的异性纤维,并准确得到各种异性纤维的重量,实现异性纤维检测和计重的全程自动化。 相似文献
15.
针对籽棉图像阴影多、常规图像处理方法难于识别的问题,以去除棉叶、棉壳等有机杂物的籽棉为样本,将不同颜色、形状、尺寸的12种常见异性纤维和籽棉样本随机地分布在运转中的传送带上,采用线扫描相机获得发光二极管(LED)照明的籽棉图像520张,“LED+线激光”双光源照明的籽棉图像1 148张。然后采用一种由13个卷积层、13个采样层和4个池化层构成的Faster RCNN深度学习人工神经网络,对 2 种成像方法获得的籽棉图像进行基于人工智能的网络训练,再进行异性纤维检测验证。实验数据表明,LED照明和“LED+线激光”双光源照明条件下,籽棉图像中的异性纤维的检出率分别达到了90.3%和86.7%,特别是LED照明条件下对白色异性纤维进行识别,其识别率由5.9%提升到了90.3%。 相似文献
16.
17.
18.
本文介绍棉花异性纤维检测系统的国内外现状,叙述了检测系统的总体设计方案,包括系统的总体结构、检测项目的器件等。同时结合当前电子技术和图像处理技术的最新发展,介绍了用于棉花检测系统的性能指标和设计准则,提出了采用FPGA+DSP结构来实现图像检测的方法。
本文是作者《基于DSP的棉花异性纤维检测系统》一文的部分摘编,其另外两部分为图像处理算法与硬件设计和系统的软件设计与仿真测试。 相似文献
19.
20.
为进一步提高棉花中异性纤维的检出率,针对光学成像技术在异性纤维检测中的应用情况进行探究,通过阐述紫外光、X射线、线激光、偏振光、红外光和高光谱成像技术的原理和检测效果,分析了各成像方法的优势及局限性。归纳总结了现有研究中存在的问题和不足,认为目前不同种类异性纤维检测适用的成像方法不同,无法同时检测出全部种类的异性纤维;而且多相机成像方案和相机分辨率的提高增加了图像冗余信息,影响了检测速度;同时大部分检测方法仅在实验室条件下得到验证,缺乏实际生产环境的检验。最后指出未来会以多相机多光源成像方案为主,减少图像信息冗余,合理选择光源的种类、数量、功率和安装方式,开发成像系统参数自动调整系统。 相似文献