基于近红外光谱和残差神经网络的异性纤维分类识别

针对传统图像处理方法对棉层中异性纤维检测效果不佳的问题,基于近红外光谱和残差神经网络提出一种对棉层中异性纤维的分类识别方法。采用Savitzky-Golay法对异性纤维的近红外光谱数据进行平滑处理,结合F检验和LightGBM分类算法实现特征波长优选,并将优选后的光谱数据经格拉姆角场转换成保留波长序列之间时序性的格拉姆角和场图像;构建残差深度卷积神经网络模型,将转换后的格拉姆角和场图像作为训练样本对残差网络模型进行训练。实验结果表明,该方法能够有效地对复杂环境下棉层中的异性纤维进行分类,分类准确率达到99.69%,与其它数据转换方式和分类模型相比提高了棉层中异性纤维的分类识别精度,为复杂环境下异性纤维分类识别研究提供了新思路。

棉花中异性纤维检测图像分割和边缘检测方法研究进展

为进一步提高棉花中异性纤维的检测效率,对异性纤维图像处理方法进行探究。通过分析不同异性纤维图像边缘检测方法的定位精度、背景模糊以及受噪声影响情况发现,不同图像分割方法中异性纤维边缘连续性和分割效果存在差异性。统计了常见异性纤维图像边缘检测法和图像分割方法,分析了各类处理方法的优势和局限性,归纳了适用于各类异性纤维的检测方法,总结了现有研究中存在的问题和不足。研究认为:目前对不同种类异性纤维检测适用的图像处理方法不同,还无法同时检测出全部种类的异性纤维;应根据实践中具体异性纤维的种类、含量、物理特性等选择适合的检测算法并进行算法融合,开发普适性好的算法以降低成本和减少计算量。