CN111665243A - 一种纺织品纤维识别与成分检测系统 - Google Patents
一种纺织品纤维识别与成分检测系统 Download PDFInfo
- Publication number
- CN111665243A CN111665243A CN201910163415.3A CN201910163415A CN111665243A CN 111665243 A CN111665243 A CN 111665243A CN 201910163415 A CN201910163415 A CN 201910163415A CN 111665243 A CN111665243 A CN 111665243A
- Authority
- CN
- China
- Prior art keywords
- fiber
- images
- fibers
- neural network
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 353
- 239000004753 textile Substances 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000012634 optical imaging Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 51
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 12
- 239000000126 substance Substances 0.000 description 6
- 239000011521 glass Substances 0.000 description 3
- 210000004209 hair Anatomy 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 239000006059 cover glass Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000012209 synthetic fiber Substances 0.000 description 2
- 229920002994 synthetic fiber Polymers 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241000282836 Camelus dromedarius Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 229920003043 Cellulose fiber Polymers 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 229920000433 Lyocell Polymers 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 244000082204 Phyllostachys viridis Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000004952 Polyamide Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 241001416177 Vicugna pacos Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010425 asbestos Substances 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 210000000085 cashmere Anatomy 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000002557 mineral fiber Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920002239 polyacrylonitrile Polymers 0.000 description 1
- 229920002647 polyamide Polymers 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920006306 polyurethane fiber Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004627 regenerated cellulose Substances 0.000 description 1
- 229920006297 regenerated protein fiber Polymers 0.000 description 1
- 229910052895 riebeckite Inorganic materials 0.000 description 1
- 239000011492 sheep wool Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8444—Fibrous material
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Mechanical Coupling Of Light Guides (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。光学成像系统对待检测样本进行光学成像,相机拍摄得到待检测样本的图像,并发送给上位机。上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量;上位机基于纤维的种类和质量,得到每类纤维成分比。本发明实现了待测纺织品成分的自动识别和成分质量比例的自动分析,通过纤维交叉点定位模型解决了传统识别系统无法有效识别交叉纤维种类和质量的问题,提高了纤维识别的效率和准确性。
Description
技术领域
本发明涉及纺织品纤维成分检测领域,具体是一种纺织品纤维识别与成分检测系统。
背景技术
目前,纺织品成分检测主要由人工实施,传统的方法包含的方法有化学法和显微镜观察法。化学法主要利用不同化学试剂对不同纤维在不同温度下的溶解特性可对部分纤维的成分进行定量分析。显微镜观察法的流程为检测员将待测纺织品样本制作为玻片,手动调节显微镜的移动,用肉眼去分辨纺织品纤维的微观形状,判断样本面料的种类,并计量尺寸。传统的纺织品成分检测方法主要有如下缺陷:
1)化学法会产生大量硫酸废液等,严重污染检测场所、危害检测人员健康,且根据国家环保要求,不能排放、难以回收;
2)整个流程由人工实施,效率低下,需消耗大量人力资源,人力成本高;
3)纺织品检验所工作人员每天使用显微镜观测长达8-10小时,时间长、强度高、重复性强,长时间工作会产生疲劳,导致准确度下降。
因此,亟需将新的无污染、自动化、无人化的新技术引入到纺织品成分检测行业中,以解决传统检测方法的各种缺陷。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。
所述待检测样本为纺织品。
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机。
所述光学成像系统为显微镜。
所述上位机存储有纤维交叉点定位模型、异常纤维过滤模型和纤维识别与质量分析模型。
所述上位机将待检测样本的图像导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除。
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置,并且由神经网络动态预测出纤维的宽度,记为D。
II)在图像中,确定以交叉点中心位置为圆心的圆形区域C,其半径的尺寸主要由纤维宽度D和神经网络预测动态确定。
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除。其中与背景色相近像素RGB理想值为除去纤维以外部分所有像素RGB值的平均值,三个通道值记为[R,G,B]。
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像。
建立纤维交叉点定位模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的交叉纤维图像,对交叉纤维图像中的纤维交叉点进行标记,并打上标签。
2)基于标记好的交叉纤维图像,分别建立交叉纤维训练集和交叉纤维验证集。
3)将交叉纤维训练集输入到神经网络中,对神经网络进行训练。
4)将交叉纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到纤维交叉点定位模型。
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,过滤异常纤维图像,得到若干正常纤维图像。所述正常纤维图像为完整的单根纤维或不完整的单根纤维。
建立异常纤维过滤模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含异常纤维的图像,根据图像中的异常情况进行标记,并打上标签。
2)基于若干包含异常纤维的图像,建立异常纤维训练集和异常纤维验证集。所述包含异常纤维的图像为长宽相等的正方形卷积核。
3)将异常纤维训练集输入到神经网络中,对神经网络进行训练。
4)将异常纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到异常纤维过滤模型。
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量。
建立纤维识别与质量分析模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含各类纤维的图像,并利用纤维交叉点定位模块将图像中的多根纤维定位并拆分成若干单根纤维图像。
2)对若干单根纤维图像进行处理,得到若干长宽相等、尺寸相同的图像。处理后的单根纤维图像为长宽相等的正方形卷积核。按照纤维种类对处理后的单根纤维图像进行分类和标记,并打上标签。
3)基于分类后的单根纤维图像,获取不同种类纤维的训练集和验证集。
4)将不同种类纤维的训练集输入到神经网络中,对神经网络进行训练。
5)将不同种类纤维的验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,得到纤维识别与质量分析模型。
所述上位机基于纤维的种类和质量,得到每类纤维成分比。
本发明的技术效果是毋庸置疑的。本发明实现了待测纺织品成分的自动识别和成分质量比例的自动分析,通过纤维交叉点定位模型解决了传统识别系统无法有效识别交叉纤维种类和质量的问题,提高了纤维识别的效率和准确性。
附图说明
图1为待检测样本的图像;
图2为完整的单根纤维图像;
图3为不完整的单根纤维图像;
图4为纤维交叉点定位模型;
图5为异常纤维过滤模型;
图6为异常纤维过滤模型处理流程;
图7为纤维识别与质量分析模型。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图3,一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。
所述待检测样本为纺织品。
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机。
所述光学成像系统为显微镜。
光学成像系统对待检测样本进行光学成像的主要步骤如下:
1)将待检测样本制作为玻片:
1.1)将待观察纺织品拆分成合适大小的样本,随后将样本放入切片器当中。
1.2)在纤维上方放入少量纸巾。
1.3)合上切片器,并且确定切片器之间没有空隙,确保纤维能够夹紧夹稳。
1.4)切除前后多余纤维。
1.5)旋转推扭,使得少部分纤维从切片器当中推出。
1.6)切除此部分推出纤维,确保后续旋转推扭动作有效将纤维推出。
1.7)旋转推扭,毛绒纤维旋转10格(±2格)、棉麻纤维旋转8格(±2格)
1.8)将旋转推扭后推出纤维切出,置于载玻片中央。
1.9)取石蜡。将胶头滴管悬浮在载玻片中央上方,缓缓滴入石蜡,控制在较小一滴的量。
1.10)用针将纤维搅拌均匀
1.11)盖上盖玻片,使用针将盖玻片抵住,缓缓盖上,完成制片。
2)利用光学成像系统,即显微镜得到待检测样本的图像。
所述上位机存储有纤维交叉点定位模型、异常纤维过滤模型和纤维识别与质量分析模型。
所述上位机将待检测样本的图像导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除。
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置,并且由神经网络动态预测出纤维的宽度,记为D。纤维的宽度范围为0~50微米。
II)在图像中,确定以交叉点中心位置为圆心的圆形区域C,其半径的尺寸主要由纤维宽度D和神经网络预测动态确定,范围在[0.3D,1.5D]之间。
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除。其中与背景色相近像素RGB理想值为除去纤维以外部分所有像素RGB值的平均值,三个通道值记为[R,G,B]。实际确定背景色相近像素RGB误差范围应该不超过±20,即[R±20,G±20,B±20]。
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像。
建立纤维交叉点定位模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的交叉纤维图像,对交叉纤维图像中的纤维交叉点进行标记,并打上标签。
2)基于标记好的交叉纤维图像,分别建立交叉纤维训练集和交叉纤维验证集。
3)将交叉纤维训练集输入到神经网络中,对神经网络进行训练。
4)将交叉纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到纤维交叉点定位模型,如图4所示。
纤维交叉点定位模型包括:
第一层:自定义分类网络,常用的神经网络模型主要包括LeNet-5,AlexNet,GoogLeNet,VGG等,本实施例采用VGG_base。
第二到十一层:
Conv6-Conv7-Conv8_2-Conv9_2-Conv10_2-Conv11_2。
第三层:全链接层。
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,利用异常纤维过滤模型的Softmax函数过滤异常纤维图像,得到若干正常纤维图像。所述正常纤维图像为完整的单根纤维或不完整的单根纤维。异常纤维图像指的是图像中纤维破损,或者成像模糊,图中含有杂质、气泡等情况。正常纤维图像的纤维长度范围为[0.1mm,0.5mm],纤维宽度小于50um。
Softmax函数σ(z)=(σ1(z),…,σm(z))定义如下:
式中,m为类别总数。Zj是第j个类别的线性预测结果。
其中,是第g个类别的线性预测结果,将此公式代入上述公式对其取非负,并且除以所有项之和进行归一化,得到的值σg=σg(z)就是数据x属于类别g的概率。x为训练集数据。然后Softmax回归的目标是根据最大化似然函数原则,在目标函数中,我们则是要最小化损失函数,所以使用最小化log似然函数的原则。所以Softmax-Loss函数的定义如下:
L(y,o)=-log(oy)
y为异常纤维过滤模型的输出。Oy为输出函数。
Zy为第y个类别的线性预测结果。
通过最小化损失函数,可以得到拟合数据的最优模型。
建立异常纤维过滤模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含异常纤维的图像,根据图像中的异常情况进行标记,并打上标签。
2)基于若干包含异常纤维的图像,建立异常纤维训练集和异常纤维验证集。所述包含异常纤维的图像为长宽相等的正方形卷积核。
3)将异常纤维训练集输入到神经网络中,对神经网络进行训练。
4)将异常纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到异常纤维过滤模型,如图5和图6所示。
异常纤维过滤模型的结构包含:
第一层:5x5,32深度的2D卷积。
第二层:5x5,64深度的2D卷积。
第三层:Flattenizer。
第四层:无激活函数的全连接层。
第五层:Softmax分类。
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量。
建立纤维识别与质量分析模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含各类纤维的图像,并利用纤维交叉点定位模块将图像中的多根纤维定位并拆分成若干单根纤维图像。
2)对若干单根纤维图像进行处理,得到若干长宽相等、尺寸相同的图像。处理后的单根纤维图像为长宽相等的正方形卷积核。按照纤维种类对处理后的单根纤维图像进行分类和标记,并打上标签。
3)基于分类后的单根纤维图像,获取不同种类纤维的训练集和验证集。
4)将不同种类纤维的训练集输入到神经网络中,对神经网络进行训练。
5)将不同种类纤维的验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,得到纤维识别与质量分析模型,如图7所示。
纤维识别与质量分析模型包含:
(Input)-(Stem)-(5×Inception-resnet-A)-(Reduction-A)-(10×Inception-resnet-B)-(Reduction-B)-(5×Inception-resnet-C)-(Average-Pooling)-(Dropout)-(Softmax)
其中input输入为分辨率299×299的3通道图片,Stem由11个卷积层和2个Maxpool层组成,Inception-resnet-A由7个卷积层与1个直联通路构成,Reduction-A由4个卷积层和1个MaxPool层构成,Inception-resnet-B由5个卷积层与1个直联通路构成,Reduction-B由7个卷积层和1个MaxPool层构成,Inception-resnet-C由5个卷积层与1个直联通路构成。
在已经识别出纤维种类的纤维图片中,沿着图片的宽(图片较短边),等距的扫描,在每个扫描方向上,检测纤维的两个边缘距离同一边(图片较长边)的距离d1,d2,两个距离之差的绝对值为|d1-d2|,对每个扫描方向上获得的|d1-d2|取平均值,这个平均值记为纤维的宽,最后将纤维的宽带入到该类纤维对应的质量计算公式中,获得纤维的相对质量。
所述上位机基于纤维的种类和质量,得到每类纤维成分比,并生成待测样本各类纤维成分占比的分析报告。
纺织品成分质量比例详细计算公式如下。
某组分纤维的平均直径D和标准差S按以下公式计算:
式中,D为纤维平均直径,单位为微米(μm),A为组中值,单位为微米(μm),F为测量根数,S为标准差,单位为微米(μm),平均直径和标准差的试验结果按GB/T 8170修约至两位小数。
各组分纤维质量百分比按以下公式计算:
式中,Pi为某组分纤维质量百分比%,Ni为某组分纤维的计数根数,Di为某组分纤维平均直径,单位为微米(μm),Si为某组分纤维平均直径标准差,单位为微米(μm),ρi为某组分纤维的密度,单位为克每立方厘米(g/cm3)。
常用动物纤维密度表
纤维种类 | 密度g/cm3 |
山羊绒(毛) | 1.30 |
羊驼毛 | 1.30 |
绵羊毛 | 1.31 |
纺织品类别主要包括天然纤维和化学纤维。天然纤维主要包括植物纤维,如棉、麻、竹等,动物纤维,如羊毛、蚕丝、驼毛、兔毛等,矿物纤维,如玻璃纤维、石棉等。化学纤维主要包括再生纤维和合成纤维。再生纤维主要包括再生纤维素纤维,如天丝、莫代尔等,再生蛋白质纤维,如大豆纤维、牛奶纤维等。合成纤维主要包括聚酯纤维、聚酰胺纤维、聚丙烯腈纤维、聚氨酯纤维、聚丙烯纤维。
实施例2:
一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机。
所述上位机将若干待检测样本的图像依次导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除。
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置。
II)在图像中,确定以交叉点中心位置为圆心、以图像中纤维宽度尺寸为半径的圆形区域C。半径误差为[xx,xx]。
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除。
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像。
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,过滤异常纤维图像,得到若干正常纤维图像。所述正常纤维图像中的纤维均为完整的单根纤维或不完整的单根纤维,本实施例中单根纤维长度为0.1mm,纤维宽度为49um。
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量。
所述上位机基于纤维的种类和质量,得到每类纤维成分比;
实施例3:
一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机。
所述上位机将若干待检测样本的图像依次导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除。
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置。
II)在图像中,确定以交叉点中心位置为圆心、以图像中纤维宽度尺寸为半径的圆形区域C。半径误差为[xx,xx]。
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除。
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像。
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,过滤异常纤维图像,得到若干正常纤维图像。所述正常纤维图像中的纤维均为完整的单根纤维或不完整的单根纤维,本实施例中单根纤维长度为0.5mm,纤维宽度为49um。
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量。
所述上位机基于纤维的种类和质量,得到每类纤维成分比;
实施例4:
一种纺织品纤维识别与成分检测系统,主要包括待检测样本、光学成像系统、相机和上位机。
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机。
所述上位机将若干待检测样本的图像依次导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除。
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置。
II)在图像中,确定以交叉点中心位置为圆心、以图像中纤维宽度尺寸为半径的圆形区域C。半径误差为[xx,xx]。
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除。
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像。
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,过滤异常纤维图像,得到若干正常纤维图像。所述正常纤维图像中的纤维均为完整的单根纤维或不完整的单根纤维,本实施例中单根纤维长度为0.25mm,纤维宽度为49um。
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量。
所述上位机基于纤维的种类和质量,得到每类纤维成分比;
Claims (7)
1.一种纺织品纤维识别与成分检测系统,其特征在于,主要包括待检测样本、光学成像系统、相机和所述上位机;
光学成像系统对待检测样本进行光学成像。
所述相机对待检测样本的光学影像进行拍摄,得到若干待检测样本的图像,并发送至上位机;
所述上位机存储有纤维交叉点定位模型、异常纤维过滤模型和纤维识别与质量分析模型;
所述上位机将若干待检测样本的图像依次导入纤维交叉点定位模型中,实现自动对图像中的纤维交叉点进行定位和删除;
纤维交叉点定位模型删除纤维交叉点的主要步骤如下:
I)根据纤维交叉点定位模型找到交叉点中心位置,并且由神经网络动态预测出纤维的宽度,记为D;
II)在图像中,确定以交叉点中心位置为圆心的圆形区域C,其半径的尺寸主要由纤维宽度D和神经网络预测动态确定;
III)采用与图像背景色相近的像素值替代C区域的原始像素,实现交叉点的删除;其中与背景色相近像素RGB理想值为除去纤维以外部分所有像素RGB值的平均值,三个通道值记为[R,G,B];
所述上位机对删除纤维交叉点后的图像进行拆分,得到若干只含有单根纤维的图像;
所述上位机将若干只含有单根纤维的图像导入异常纤维过滤模型中,过滤异常纤维图像,得到若干正常纤维图像;所述正常纤维图像中的纤维均为完整的单根纤维或不完整的单根纤维;
所述上位机将若干正常纤维图像导入纤维识别与质量分析模型中,识别每张正常纤维图像中纤维的种类,并计算纤维质量;
所述上位机基于纤维的种类和质量,得到每类纤维成分比;
2.根据权利要求1所述的一种纺织品纤维识别与成分检测系统,其特征在于:所述光学成像系统为显微镜。
3.根据权利要求1或2所述的一种纺织品纤维识别与成分检测系统,其特征在于:所述待检测样本为纺织品。
4.根据权利要求1所述的一种纺织品纤维识别与成分检测系统,其特征在于,建立纤维交叉点定位模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的交叉纤维图像,对交叉纤维图像中的纤维交叉点进行标记,并打上标签;
2)基于标记好的交叉纤维图像,分别建立交叉纤维训练集和交叉纤维验证集;
3)将交叉纤维训练集输入到神经网络中,对神经网络进行训练;
4)将交叉纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到纤维交叉点定位模型。
5.根据权利要求1或2所述的一种纺织品纤维识别与成分检测系统,其特征在于,建立异常纤维过滤模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含异常纤维的图像,根据图像中的异常情况进行标记,并打上标签;
2)基于若干包含异常纤维的图像,建立异常纤维训练集和异常纤维验证集;
3)将异常纤维训练集输入到神经网络中,对神经网络进行训练;
4)将异常纤维验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,从而得到异常纤维过滤模型。
6.根据权利要求5所述的一种纺织品纤维识别与成分检测系统,其特征在于,所述包含异常纤维的图像为长宽相等的正方形卷积核。
7.根据权利要求1所述的一种纺织品纤维识别与成分检测系统,其特征在于,建立纤维识别与质量分析模型的主要步骤如下:
1)利用光学成像系统获取若干尺寸相同的包含各类纤维的图像,并利用纤维交叉点定位模块将图像中的多根纤维定位并拆分成若干单根纤维图像;
2)对若干单根纤维图像进行处理,得到若干长宽相等、尺寸相同的图像;处理后的单根纤维图像为长宽相等的正方形卷积核;按照纤维种类对处理后的单根纤维图像进行分类和标记,并打上标签;
3)基于分类后的单根纤维图像,获取不同种类纤维的训练集和验证集;
4)将不同种类纤维的训练集输入到神经网络中,对神经网络进行训练;
5)将不同种类纤维的验证集输入到神经网络中,对神经网络进行验证,并根据验证结果调整神经网络的参数,得到纤维识别与质量分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163415.3A CN111665243B (zh) | 2019-03-05 | 2019-03-05 | 一种纺织品纤维识别与成分检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163415.3A CN111665243B (zh) | 2019-03-05 | 2019-03-05 | 一种纺织品纤维识别与成分检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111665243A true CN111665243A (zh) | 2020-09-15 |
CN111665243B CN111665243B (zh) | 2024-03-19 |
Family
ID=72381434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910163415.3A Active CN111665243B (zh) | 2019-03-05 | 2019-03-05 | 一种纺织品纤维识别与成分检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111665243B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113019983A (zh) * | 2021-03-04 | 2021-06-25 | 韦李飞 | 纤维特征识别及分拣系统 |
CN113207935A (zh) * | 2021-03-03 | 2021-08-06 | 吴燕 | 基于类型解析的自适应机械加工系统及方法 |
CN114693680A (zh) * | 2022-05-31 | 2022-07-01 | 季华实验室 | 织物纤维的检测方法、电子设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012093206A (ja) * | 2010-10-27 | 2012-05-17 | Toray Ind Inc | 強化繊維基材の検査装置 |
CN102840835A (zh) * | 2012-07-06 | 2012-12-26 | 西安电子科技大学 | 基于欧氏距离和图像分块的羊毛直径检测方法 |
CN103673923A (zh) * | 2013-12-25 | 2014-03-26 | 裘钧 | 基于数字图像处理的曲线纤维网络结构形貌特征测量方法 |
CN106096613A (zh) * | 2016-05-31 | 2016-11-09 | 哈尔滨工业大学深圳研究生院 | 基于角点特征的图像多目标检测方法及装置 |
CN106373119A (zh) * | 2016-09-05 | 2017-02-01 | 广东工业大学 | 一种纤维检测方法及系统 |
CN107909107A (zh) * | 2017-11-14 | 2018-04-13 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
CN108038838A (zh) * | 2017-11-06 | 2018-05-15 | 武汉纺织大学 | 一种棉麻纤维种类自动检测方法和系统 |
CN108305287A (zh) * | 2018-02-02 | 2018-07-20 | 天津工业大学 | 一种基于相位信息的纺织材料纤维直径测量方法 |
-
2019
- 2019-03-05 CN CN201910163415.3A patent/CN111665243B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012093206A (ja) * | 2010-10-27 | 2012-05-17 | Toray Ind Inc | 強化繊維基材の検査装置 |
CN102840835A (zh) * | 2012-07-06 | 2012-12-26 | 西安电子科技大学 | 基于欧氏距离和图像分块的羊毛直径检测方法 |
CN103673923A (zh) * | 2013-12-25 | 2014-03-26 | 裘钧 | 基于数字图像处理的曲线纤维网络结构形貌特征测量方法 |
CN106096613A (zh) * | 2016-05-31 | 2016-11-09 | 哈尔滨工业大学深圳研究生院 | 基于角点特征的图像多目标检测方法及装置 |
CN106373119A (zh) * | 2016-09-05 | 2017-02-01 | 广东工业大学 | 一种纤维检测方法及系统 |
CN108038838A (zh) * | 2017-11-06 | 2018-05-15 | 武汉纺织大学 | 一种棉麻纤维种类自动检测方法和系统 |
CN107909107A (zh) * | 2017-11-14 | 2018-04-13 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
CN108305287A (zh) * | 2018-02-02 | 2018-07-20 | 天津工业大学 | 一种基于相位信息的纺织材料纤维直径测量方法 |
Non-Patent Citations (2)
Title |
---|
高亮;王旭;王荣武;: "木棉和棉的自动识别", 东华大学学报(自然科学版), no. 01 * |
高亮;王旭;王荣武;: "木棉和棉的自动识别", 东华大学学报(自然科学版), no. 01, 15 February 2017 (2017-02-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113207935A (zh) * | 2021-03-03 | 2021-08-06 | 吴燕 | 基于类型解析的自适应机械加工系统及方法 |
CN113019983A (zh) * | 2021-03-04 | 2021-06-25 | 韦李飞 | 纤维特征识别及分拣系统 |
CN114693680A (zh) * | 2022-05-31 | 2022-07-01 | 季华实验室 | 织物纤维的检测方法、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111665243B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665243A (zh) | 一种纺织品纤维识别与成分检测系统 | |
Álvarez et al. | Routine determination of plankton community composition and size structure: a comparison between FlowCAM and light microscopy | |
EP3042177B1 (de) | In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer zelle | |
RU2019115141A (ru) | Cистема и способ выполнения автоматизированного анализа проб воздуха | |
JPH11506196A (ja) | 生物標本群用のスライド及び標本の準備を連続的に監視及び予測する方法及び装置 | |
EP2239557B1 (de) | Verfahren zur Messung luftgetragener biologischer Gefahrstoffe | |
DE102016102867A1 (de) | Mikroskopanordnung | |
DE3503475A1 (de) | Verfahren zum automatischen pruefen von blutproben | |
CN102637258A (zh) | 一种建立在线表面质量检测系统缺陷库的方法 | |
DE102012222867A1 (de) | Defektuntersuchungsverfahren | |
KR102489789B1 (ko) | 골수 도판의 디지털화 플로우 방법 | |
EP3608828A1 (de) | Verfahren zur bereitstellung eines auswertungsmittels für wenigstens ein optisches anwendungssystem einer mikroskopischen anwendungstechnologie | |
CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN111665244B (zh) | 一种基于纺织品纤维识别与成分检测系统的方法 | |
CN102628759A (zh) | 纺织纤维数字化切片的制备和检测方法及模拟镜检的方法 | |
Gulfan et al. | Evaluating the usability and user experience of phytoplankton cell counter prototype | |
CN111721765A (zh) | 一种纺织品纤维识别与成分检测系统及其使用方法 | |
NL8403625A (nl) | Werkwijze en inrichting voor het automatisch analyseren van biologische monsters. | |
Poulton et al. | Imaging flow cytometry for quantitative phytoplankton analysis-FlowCAM | |
Allen et al. | Machine vision for automated optical recognition and classification of pollen grains or other singulated microscopic objects | |
DE112016006056T5 (de) | Betrachtungsvorrichtung | |
CN108519382A (zh) | 纺织纤维识别结果的评判方法 | |
DE69831573T2 (de) | Inspektionssystem mit probenvorschau | |
CN104865195B (zh) | 光学投影断层成像的检测方法 | |
CN106918488A (zh) | 鲜茧生丝和干茧生丝的快速鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |