一种基于纺织品纤维识别与成分检测系统的方法与流程

本发明涉及纺织品纤维成分检测领域，具体是一种基于纺织品纤维识别与成分检测系统的方法。
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。技术实现要素：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，一种基于纺织品纤维识别与成分检测系统的方法，主要包括以下步骤：1)建立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，并存储在上位机中。建立纤维交叉点定位模型的主要步骤如下：i)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。ii)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。iii)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。iv)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。建立异常纤维过滤模型的主要步骤如下：i)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。所述包含异常纤维的图像为长宽相等的正方形卷积核。ii)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。iii)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。iv)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。建立纤维识别与质量分析模型的主要步骤如下：i)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。ii)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。iii)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。iv)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。v)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。2)确定待检测样本，并将待检测样本制作成玻片。所述待检测样本为纺织品。3)利用光学成像系统获取待检测样本的图像。所述光学成像系统为显微镜。4)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。5)上位机将若干待检测样本的图像输入到纤维交叉点定位模型中。6)纤维交叉点定位模型对待检测样本的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。7)将若干只含有单根纤维的图像输入到异常纤维过滤模型中，利用异常纤维过滤模型中的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。8)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。9)所述上位机基于纤维的种类和质量，得到每类纤维成分比。i＝1,2,3，…，n。n为纤维类别总数。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3，一种基于纺织品纤维识别与成分检测系统的方法，主要包括以下步骤：1)建立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，并存储在上位机中。建立纤维交叉点定位模型的主要步骤如下：i)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。ii)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。iii)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。iv)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。建立异常纤维过滤模型的主要步骤如下：i)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。所述包含异常纤维的图像为长宽相等的正方形卷积核。ii)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。iii)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。iv)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。建立纤维识别与质量分析模型的主要步骤如下：i)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。ii)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。iii)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。iv)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。v)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，从而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。2)确定待检测样本，并将待检测样本制作成玻片，主要步骤如下：2.1)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。2.2)在纤维上方放入少量纸巾。2.3)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。2.4)切除前后多余纤维。2.5)旋转推扭，使得少部分纤维从切片器当中推出。2.6)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。2.7)旋转推扭，毛绒纤维旋转10格(±2格)、棉麻纤维旋转8格(±2格)2.8)将旋转推扭后推出纤维切出，置于载玻片中央。2.9)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。2.10)用针将纤维搅拌均匀2.11)盖上盖玻片，使用针将盖玻片抵住，缓缓盖上，完成制片。所述待检测样本为纺织品。3)利用光学成像系统获取待检测样本的图像，并输入到纤维交叉点定位模型中。所述光学成像系统为显微镜。4)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。5)上位机将若干待检测样本的图像输入到纤维交叉点定位模型中。6)纤维交叉点定位模型对待检测样本的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。7)将若干只含有单根纤维的图像输入到异常纤维过滤模型中，利用异常纤维过滤模型中的softmax函数过滤异常纤维图像，得到若干正常纤维图像。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。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，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。j表示任意类别。zj为第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，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表示输出函数。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。8)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。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和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。9)所述上位机基于纤维的种类和质量，得到每类纤维成分比。i＝1,2,3，…，n。n为纤维类别总数。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/t8170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2：一种基于纺织品纤维识别与成分检测系统的方法，主要步骤如下：1)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。2)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。3)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。4)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。5)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。6)所述上位机基于纤维的种类和质量，得到每类纤维成分比；i＝1,2,3，…，n；n为纤维类别总数。实施例3：一种基于纺织品纤维识别与成分检测系统的方法，主要步骤如下：1)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。2)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。3)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。4)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。5)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。6)所述上位机基于纤维的种类和质量，得到每类纤维成分比；i＝1,2,3，…，n；n为纤维类别总数。实施例4：一种基于纺织品纤维识别与成分检测系统的方法，主要步骤如下：1)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。2)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。3)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。4)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。5)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。6)所述上位机基于纤维的种类和质量，得到每类纤维成分比；i＝1,2,3，…，n；n为纤维类别总数。当前第1页12