基于图像增强的羊毛羊绒纤维表面形态结构图识别方法技术

一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，分别从羊毛及羊绒纤维上切取纤维片段，并拍摄获取图像数据；将获取的图像数据进行预处理和数字化处理，之后标注并进行矩阵存储；设定图像增强方法集合；构建基于强化学习训练的采样模型或者基于掩膜算法的采样模型，得到识别模型训练过程中图像增强方法及对应增强数据；构建图像识别模型，将增强数据作为Softmax层的输入，在每轮迭代训练中对增强数据训练，得到识别结果，将识别结果的误差作为反馈进一步优化模型，直至得到最优的增强策略，准确识别羊毛羊绒纤维图像。本发明专利技术在少量图像数据中针对有效特征稀疏的问题实现羊毛羊绒纤维图像的准确识别。现羊毛羊绒纤维图像的准确识别。现羊毛羊绒纤维图像的准确识别。

【技术实现步骤摘要】
基于图像增强的羊毛羊绒纤维表面形态结构图识别方法


[0001]本专利技术属于纺织品检测识别
，特别涉及一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方法。

技术介绍

[0002]山羊绒纤维具有纤细、弹性强、柔软保暖等优良性能，是高档纺织产品的原料，但其资源珍稀，价格相对较高。为谋取利益，在生产加工过程中存在使用价格相对低廉的羊毛纤维以假充真，掺入山羊绒中的不法行为。由于动物纤维的基本组成物质是蛋白质，无法采用化学方法对山羊绒和羊毛纤维进行定性和定量鉴别分析，同时两类纤维外观形态又十分接近，通过光学显微镜观察纤维表面鳞片微观结构进行的识别，存在着较大的主观因素和误差，羊绒与羊毛纤维种类鉴别成为纤维检验领域的难点。

技术实现思路

[0003]针对现有基于数字图像识别的方法对数据量和数据精度的严苛的要求，本专利技术的目的在于提供一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，旨在解决获取图像成本高、图像数据稀缺情况下，图像特征少、特征单一、识别准确率低等羊毛羊绒图像识别问题，降低利用深度学习实现识别模型训练对数据要求的高门槛，并在少量图像数据中针对有效特征稀疏的问题实现羊毛羊绒纤维图像的准确识别。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，包括如下步骤：
[0006]S1：分别从羊毛及羊绒纤维上切取纤维片段，并拍摄获取图像数据；
[0007]S2：将获取的图像数据进行预处理操作得到预处理纤维图像，包括：背景去除、灰度处理、去噪、二值化；将预处理纤维图像进行数字化处理得到数字图像，对数字图像标注并进行矩阵存储；
[0008]S3：设定图像增强方法集合；
[0009]S4：将所述图像增强方法集合看作一种函数映射，每一类增强方法看作一个函数，对应的函数执行概率和操作幅度看作权重，形成函数映射关系，构建基于强化学习训练的采样模型对函数映射关系拟合；或者，利用掩膜算法对图像增强方法在图像识别模型不断迭代训练产生的反馈信息中对增强方法集合执行掩膜，直至找到适合当前羊毛羊绒纤维图像识别的掩膜方案；最终根据所述采样模型或所述掩膜方案，得到识别模型训练过程中图像增强方法及对应增强数据；
[0010]S5：构建图像识别模型，将S4得到的增强数据作为Softmax层的输入，在每轮迭代训练中对增强数据训练，得到识别结果，将识别结果的误差作为反馈进一步优化模型，直至得到最优的增强策略，准确识别羊毛羊绒纤维图像。
[0011]在一个实施例中，所述S1，对切取的纤维片段，分别进行电镜纤维采样及显微镜纤维采样，得到电镜纤维图像及显微镜纤维图像。
[0012]在一个实施例中，电镜纤维采样的方法是：
[0013]采用哈氏切片器分别从羊毛及羊绒纤维上切取长度0.4～0.6mm的纤维片段，放入玻璃试管内，滴入乙酸乙酯，搅拌均匀，待溶剂蒸发后，粘贴在样品座上，用真空喷镀仪镀上金膜后放入扫描电子显微镜样品室内，拍摄纤维纵向形态图像；
[0014]显微镜纤维采样的方法是：
[0015]采用哈氏切片器分别从羊毛及羊绒纤维上切取长度0.4～0.6mm的纤维片段，置于表面皿上，滴加液体石蜡或甘油，充分搅拌至纤维均匀分散后，转移至载玻片，利用光学显微镜拍摄纤维纵向形态图像。
[0016]在一个实施例中，所述S3包括：
[0017](1)设定图像增强方法N类；
[0018](2)设定各增强方法的执行概率及操作幅度，初始状态下执行概率为随机取值，且操作幅度存在默认值；
[0019](3)对执行概率及操作幅度进行离散化，获得能够在神经网络中进行梯度求解的离散矩阵表示，其中：对于执行概率，将其离散为不小于23＝8个均匀离散值；对于操作幅度，将其离散为10个均匀离散值；所述图像增强方法集合能够衍生出(N
×8×
10)2个子集合用于在训练过程中对纤维图像进行随机增强。
[0020]在一个实施例中，所述S4，当通过采样模型获取图像增强方法及对应增强数据时：
[0021](1)构建一个基于强化学习的能够接收强化训练奖励信号的采样模型；
[0022](2)通过动态融入交叉熵训练和强化训练两种训练方法，完成采样模型自身的参数更新和图像识别模型反馈信号的获取。模型训练采用深度确定性策略梯度作为优化算法；
[0023](3)将多轮训练中Softmax的预测输出进行嵌入化表示，并作为图像识别模型的输入。
[0024]在一个实施例中，所述S4，当通过掩膜算法获取图像增强方法及对应增强数据时：对所述图像增强方法集合进行掩膜，从而产生随机增强方法，步骤如下：
[0025](1)在初始状态下，从所述图像增强方法集合中随机抽取若干增强方法生成增强数据，参与图像识别模型训练，并在训练中动态地对图像增强方法集合执行掩膜采样，执行算法如下：
[0026](1.1)向量化表示所述图像增强方法集合，并给定四个变量：图像增强方法集合：AS＝{AS1,
…
,AS
i
},i∈[1,N]；增量：Δ；批训练大小：batchsize以及增强方法子集：Sub
AS
；AS
i
表示第i个增强方法；
[0027](1.2)在每轮的训练迭代中以初始随机生成的Sub
AS
开始，以一个batchsize为单元，使用Sub
AS
中的增强方法产生增强数据；
[0028](1.3)在之后的每个batchsize训练中以Δ为增量，逐步掩膜Sub
AS
中剩余的元素即增强方法，表示为：Sub
AS
{AS
i+Δ
},i+Δ∈[i,N]，并以模型训练的损失为衡量标准记录Sub
AS
中能够降低损失值的元素；
[0029](2)完成每轮训练后，以设定的识别模型验证集准确率为指标在下一轮训练中修改对Sub
AS
的掩膜方式，直到识别模型的准确率达到阈值。
[0030]在一个实施例中，所述S5：
[0031](1)所述图像识别模型根据数据规模采取任意监督或半监督式学习方法训练，在迭代训练中将S4中输出的嵌入化表示作为图像识别模型的Softmax层采样依据，对生成的增强数据归一化处理并参与图像识别模型训练；
[0032](2)识别模型训练阶段得到两种误差损失：
①
以识别误差形式参与图像识别模型的梯度更新，
②
以奖励信号形式反馈给S4强化训练，提供参数更新的依据；
[0033](3)在图像识别模型与采样模型共同训练中，两个模型的收敛条件为：验证集准确率不低于设定阈值
[0034]与现有技术相比，本专利技术的有益效果是：
[0035](1)本专利技术能够在图像资源极低情况下完成羊毛羊绒纤维表面形态结构图的识别，且识别准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特征在于，包括如下步骤：S1：分别从羊毛及羊绒纤维上切取纤维片段，并拍摄获取图像数据；S2：将获取的图像数据进行预处理操作得到预处理纤维图像，包括：背景去除、灰度处理、去噪、二值化；将预处理纤维图像进行数字化处理得到数字图像，对数字图像标注并进行矩阵存储；S3：设定图像增强方法集合；S4：将所述图像增强方法集合看作一种函数映射，每一类增强方法看作一个函数，对应的函数执行概率和操作幅度看作权重，形成函数映射关系，构建基于强化学习训练的采样模型对函数映射关系拟合；或者，利用掩膜算法对图像增强方法在图像识别模型不断迭代训练产生的反馈信息中对增强方法集合执行掩膜，直至找到适合当前羊毛羊绒纤维图像识别的掩膜方案；最终根据所述采样模型或所述掩膜方案，得到识别模型训练过程中图像增强方法及对应增强数据；S5：构建图像识别模型，将S4得到的增强数据作为Softmax层的输入，在每轮迭代训练中对增强数据训练，得到识别结果，将识别结果的误差作为反馈进一步优化模型，直至得到最优的增强策略，准确识别羊毛羊绒纤维图像。2.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特征在于，所述S1，对切取的纤维片段，分别进行电镜纤维采样及显微镜纤维采样，得到电镜纤维图像及显微镜纤维图像。3.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特征在于，电镜纤维采样的方法是：采用哈氏切片器分别从羊毛及羊绒纤维上切取长度0.4～0.6mm的纤维片段，放入玻璃试管内，滴入乙酸乙酯，搅拌均匀，待溶剂蒸发后，粘贴在样品座上，用真空喷镀仪镀上金膜后放入扫描电子显微镜样品室内，拍摄纤维纵向形态图像；显微镜纤维采样的方法是：采用哈氏切片器分别从羊毛及羊绒纤维上切取长度0.4～0.6mm的纤维片段，置于表面皿上，滴加液体石蜡或甘油，充分搅拌至纤维均匀分散后，转移至载玻片，利用光学显微镜拍摄纤维纵向形态图像。4.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特征在于，所述S3包括：(1)设定图像增强方法N类；(2)设定各增强方法的执行概率及操作幅度，初始状态下执行概率为随机取值，且操作幅度存在默认值；(3)对执行概率及操作幅度进行离散化，获得能够在神经网络中进行梯度求解的离散矩阵表示，其中：对于执行概率，将其离散为不小于23＝8个均匀离散值；对于操作幅度，将其离散为10个均匀离散值；所述图像增强方法集合能够衍生出(N
×8×
10)2个子集合用于在训练过程中对纤维图像进行随机增强。5.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特征在于，所述S4，当通过采样模型获取图像增强方法及对应增强数据时：

【专利技术属性】
技术研发人员：吉亚图，李佳根，徐绚绚，路敏，乌尼尔，仁庆道尔吉，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：