基于改进支持向量机的高维隐写盲检测方法

针对高维大样本空间中支持向量机( SVM)存在计算复杂度高、分类精度低等问题,在随机子空间方法与主成分分析方法的基础上,提出一种特征加权支持向量机的高维隐写盲检测方法。通过随机子空间对原始高维样本的特征空间进行随机采样,产生多个低维的特征子集,在特征子集中采用主成分分析法进行特征提取,并利用卡方统计计算特征权重,运用特征加权核函数训练各基SVM分类器,并用多数投票法融合各基分类器结果得到最终分类结果。对HUGO隐写算法的实验结果表明,该方法能有效降低SVM计算复杂度,与传统方法相比,具有较高的隐写检测率和更快的分类速度。     

苯并咪唑离子液体的合成及其对罗丹明B萃取性能的研究

离子液体可以通过结构设计实现特定的功能。本研究针对染料具有共轭体系的结构特点,从增强离子液体与染料的相互作用入手,设计合成了三种疏水性苯并咪唑类离子液体。利用IR、MS和1H NMR对其结构进行了表征。利用这三种离子液体对罗丹明B进行萃取,探究了萃取时间、温度、罗丹明浓度、p H值等因素对萃取效果的影响。其中5-硝基-1-丁基苯并咪唑六氟磷酸盐的萃取效果最好。通过与咪唑基离子液体对比,苯并咪唑类离子液体对罗丹明B的萃取性能更优。     

一种基于残差网络的相似动物纤维检测方法

羊绒和羊毛纤维的表面形态及物理化学特征非常相似,这两种动物纤维的鉴别一直是纺织领域的难题。提出了一种基于残差网络的纤维检测方法,能够快速准确地识别羊绒和羊毛纤维。实验中首先将采集到的纤维图像使用了图像翻转等数据增强方法,接下来使用残差网络训练和测试数据样本,测试集的平均识别率达到了96.56%。     

一种基于改进YOLOv5的复杂背景织物疵点检测方法

受背景中复杂纹理的影响,有花纹和图案的织物检测疵点一直是该领域的难题。对此提出了一种改进YOLOv5模型的疵点检测方法,该方法将模型中原来的特征金字塔网络模块替换为双向特征金字塔网络,以更好地融合不同尺度下提取的特征。实验中使用该模型对具有花纹和图案的织物样本进行检测,结果表明改进后的模型有较为明显的性能提升。     

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。