纤维检测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种纤维检测方法、装置及电子设备，涉及图像识别技术领域，其中，纤维检测方法包括：获取待检测纤维图像；根据预设深度学习模型提取待检测纤维图像的纤维特征，预设深度学习模型包括多种基于卷积神经网络的深度学习模型；利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识别结果。该纤维检测方法能够通过多种基于卷积神经网络的深度学习模型，对每种纤维进行独立的神经网络检测识别，从而在对混合纤维检测时，排除其他纤维对识别的干扰，达到准确识别纤维的目的。

【技术实现步骤摘要】
纤维检测方法、装置及电子设备
本专利技术涉及图像识别
，尤其是涉及一种纤维检测方法、装置及电子设备。
技术介绍
随着我国经济的持续快速发展，各行各业均呈现蓬勃发展态势。随之而来的是，各种包含纤维结构的物质材料越来越丰富，其种类、纤维组成、形态等千差万别。目前的纤维检测识别方式是基于人工的方式来进行的，通常需要采集图像，然后对上述图像进行观测，根据已有经验和知识，确定该图像中的纤维类型，计算其纤维直径及数量等。此过程费时费力，且效率低下，尤其对于包含混合型纤维结构的材料来说，其识别的难度很大。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种纤维检测方法、装置及电子设备，能够通过多种基于卷积神经网络的深度学习模型，对每种纤维进行独立的神经网络检测识别，从而在对混合纤维检测时，排除其他纤维对识别的干扰，达到准确识别纤维的目的。第一方面，本专利技术实施例提供了一种纤维检测方法，包括：获取待检测纤维图像；根据预设深度学习模型提取待检测纤维图像的纤维特征，预设深度学习模型包括多种基于卷积神经网络的深度学习模型；利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识本文档来自技高网...

【技术保护点】
一种纤维检测方法，其特征在于，包括：获取待检测纤维图像；根据预设深度学习模型提取所述待检测纤维图像的纤维特征，所述预设深度学习模型包括多种基于卷积神经网络的深度学习模型；利用基于所述预设深度学习模型训练的分类器对所述纤维特征进行识别，生成所述待检测纤维图像的识别结果。

【技术特征摘要】
1.一种纤维检测方法，其特征在于，包括：获取待检测纤维图像；根据预设深度学习模型提取所述待检测纤维图像的纤维特征，所述预设深度学习模型包括多种基于卷积神经网络的深度学习模型；利用基于所述预设深度学习模型训练的分类器对所述纤维特征进行识别，生成所述待检测纤维图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述获取待检测纤维图像，具体包括：获取电子显微镜对目标检测物进行拍照所采集的图像，得到所述待检测纤维图像；所述目标检测物包含纤维结构。3.根据权利要求1所述的方法，其特征在于，所述纤维特征包括：纤维类型、纤维直径、纤维数量。4.根据权利要求1所述的方法，其特征在于，所述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的纤维样本数据训练得到的，所述纤维样本数据包括不同类型的纤维对应的图片。5.根据权利要求1所述的方法，其特征在于，通过以下方式获得所述基于所述预设深度学习模型训练的分类器：利用基于卷积神经网络的深度学习模型提取纤维样本数据的深层特征；基于机器学习算法，对所述深层特征训练分类器；其中所述纤维样本数据中包括纤维特征、匹配度和识别结果。6.根据权利要求1所述的方法，其特征在于，所述利用基于所述预设深度学习模型训练的分类器对所述纤维特征进行识别，生成所述待检测纤维图像的识别结果，具体...

【专利技术属性】
技术研发人员：黄鼎隆，马修·罗伯特·斯科特，傅恺，郭胜，
申请(专利权)人：深圳码隆科技有限公司，
类型：发明
国别省市：广东,44