CN117876783A - 一种基于机器视觉的羊毛绒分级方法 - Google Patents
一种基于机器视觉的羊毛绒分级方法 Download PDFInfo
- Publication number
- CN117876783A CN117876783A CN202410062353.8A CN202410062353A CN117876783A CN 117876783 A CN117876783 A CN 117876783A CN 202410062353 A CN202410062353 A CN 202410062353A CN 117876783 A CN117876783 A CN 117876783A
- Authority
- CN
- China
- Prior art keywords
- wool
- classification
- grading
- velvet
- model
- 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.)
- Pending
Links
- 210000002268 wool Anatomy 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 240000007651 Rubus glaucus Species 0.000 claims description 9
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 9
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 238000007635 classification algorithm Methods 0.000 abstract 1
- 239000000835 fiber Substances 0.000 description 17
- 239000011492 sheep wool Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- NUHSROFQTUXZQQ-UHFFFAOYSA-N isopentenyl diphosphate Chemical compound CC(=C)CCO[P@](O)(=O)OP(O)(O)=O NUHSROFQTUXZQQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的羊毛绒分级方法，它涉及羊毛绒分级技术领域。本发明首先构建羊毛绒等级图片数据集，然后选择图片分类的算法对数据集进行训练，最后通过调优迭代选择精度最高的分类模型，通过该模型来较为准确快速的估测出羊毛绒等级。本发明通过深度学习模型对不同细度的羊毛绒进行训练识别，然后基于该模型对羊毛绒进行分级预测，分级精度高，检测效率高，便于及时使用。
Description
技术领域
本发明涉及的是羊毛绒分级技术领域，具体涉及一种基于机器视觉的羊毛绒分级方法。
背景技术
羊毛是中国重要的天然纺织原料，也是农牧民重要的收入来源之一。构成羊毛质量的因素很多，细度是其中最重要的因素之一，毛越细价格越高，如何对羊毛的细度进行评价是十分关键的，国家标准1523-93规定了绵羊毛的等级划分要求，通过该标准能够对羊毛进行判断，但是其标准中的分级要求较为复杂，测定困难。因此对羊毛绒采用机器视觉方法进行分级则能够解决测定困难的问题，其目的是通过现有技术手段在不受人为主观因素的条件下，通过模型对羊毛绒进行分级。
对羊毛绒的分级国家标准规定了各个等级的要求，但是对于如何测定则是比较复杂的，对于羊绒毛的等级监测则主要是通过人工、机器测定等方法进行判断的。但这些方法存在人工误差大或仪器设备处理慢等缺陷与不足。对于当前羊毛绒分级主要的存在问题是：针对于大量的羊毛绒分级速度慢，且很难对羊毛绒进行细粒度的评价，对于需要分级的羊毛绒无法做到快速高效的监测；同时在实际的分级过程中存在大量人为因素，无法排除人为因素的影响，很难高效准确的对羊毛绒进行分。
羊毛绒的分级主要取决于羊毛直径的长度，羊毛长度的检测方法很多,科技进步使羊毛直径测试仪器及原理有了新的发展和应用。计算机技术、图像分析技术、气流测量技术、近红外和远红外方法、光的干涉、光的散射、机械和电场激振法、声波法等能够对羊毛长度进行测量，然后根据国家标准对羊毛绒进行分级。
对于羊毛绒细度的测量的方法有多种，对于最早的方法就是基于人工经验的判断，这种方法主要是依靠人工的经验来进行判断羊毛绒的细度然后进行分级。后续则主要是采用相关仪器设备，首先采用是显微投影仪通过光学显微镜将放大的纤维片段轮廓图像投射到屏幕上，用刻度尺或电子楔尺测量它们的宽度，记录单根纤维测量值，然后统计计算出平均直径、标准差和变异系数，也可以此绘出细度分布直方图。这种方法适用于从原料到成品所有形态羊毛纤维的细度检测，曾被世界各产毛国以及国际标准化组织和国际毛纺组织列为标准方法，这种检测方法速度慢，效率低，且受人为因素及测试数量的限制，其精确度相对较差；光学纤维直径分析仪(OFDA)法，该方法是利用纤维投影图像的光密度值的变化被电脑的图像处理***接收并自动测量,计算出纤维平均直径及其标准差和变异系数,同时绘制出纤维直径分布矩形图。操作者可以直接观察测试点,并且可以全程跟踪检查。气流仪法的主要原理是根据苛仁纳(Kozeny)和其他研究工作者的流体力学公式推断:当一股气流通过装在有漏孔底的筒状容器内的一定质量的纤维,气流量和压力之比取决于纤维的总表面积和一系列常数。对于圆形或近似圆形截面且具有固定密度的纤维(如无髓羊毛纤维),一定质量的表面积与其纤维直径成反比。根据这一原理设计建立一种仪器来估测纤维的平均直径,气流仪由此而诞生。这一方法虽简单而快速,但属一种间接方法,必须采用已知平均直径的纤维(国际标准毛条)来对仪器进行标定后方可使用。此方法的缺陷是不能提供关于纤维直径分布的任何有效数据。杨燕(2017年)采用图像法对羊毛进行了测量，结果表明基于IPP库图像法测试羊毛直径的测试结果与显微投影法、OFDA法测试结果趋势一致，修正值均满足行业标准要求，可用于毛绒纤维长度和平均直径的日常测试，应努力提升羊毛直径检测算法的精度。
对于上述的方法在对羊毛绒进行分级时存在一些不足，首先是人工分级的准确度不精确，且受个人影响较大，其次采用仪器进行检测分级则耗时较长，对大量的羊毛绒进行分级则需要较长时间，不利于及时使用，因此我们提出一种基于机器视觉的羊毛绒分级方法，通过深度学习模型对不同细度的羊毛绒进行训练识别，然后基于该模型对羊毛绒进行分级预测。
发明内容
针对现有技术上存在的不足，本发明目的是在于提供一种基于机器视觉的羊毛绒分级方法，首先构建羊毛绒等级图片数据集，然后选择图片分类的算法对数据集进行训练，最后通过调优迭代选择精度最高的分类模型，通过该模型来较为准确快速的估测出羊毛绒等级。
为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于机器视觉的羊毛绒分级方法，包括以下步骤：
1、构建羊毛绒分级数据集；
2、构建羊毛绒分级检测模型；
3、构建机器视觉的羊毛绒分级***。
作为优选，所述的步骤1具体包括：首先根据国家标准(1523-93)来对羊毛绒进行分级，先采用人工的判断进行初步分级，其次将分级后的羊毛绒采用相机进行拍摄图片，然后采用仪器检测法对羊毛绒进行精细的分级，最后将通过仪器进行分级后的等级与前面所拍摄的羊毛绒图片对应上，根据等级将相同等级的图片放入同一个文件夹内，构建羊毛绒分级数据集。
作为优选，所述的步骤2根据羊毛绒等级数据集构分类检测模型，主要包括的模型有RESnet、VGGnet、Efficientnet等常见的基于卷积神经网络的分类模型，模型主要是基于卷积神经网络对图像进行特征提取，然后采用全连接对提取的特征最后进行分类。然后采用各个模型对羊毛绒等级数据集进行训练，最后对所有模型进行调优迭代，得出最优的羊毛绒分级分类模型。
作为优选，所述的步骤3基于最优羊毛绒等级分类模型进行构建羊毛绒分级***，首先该***由摄像头、树莓派和显示器组成，摄像头用于获取羊毛绒图像，树莓派主要用于加载羊毛绒等级检测模型并保存分级结果，显示器则可以查看检测结果。
本发明的有益效果：本发明通过深度学习模型对不同细度的羊毛绒进行训练识别，然后基于该模型对羊毛绒进行分级预测，分级精度高，检测效率高，便于及时使用。
附图说明
下面结合附图和具体实施方式来详细说明本发明；
图1为本发明构建羊毛绒数据集流程图；
图2为本发明羊毛绒分级检测模型构建示意图；
图3为本发明机器视觉的羊毛绒分级***图；
图4为本发明基于机器视觉的羊毛绒分级方法实现流程图；
图5为本发明实施例初步分级的袋装羊毛绒示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参照图1-4，本具体实施方式采用以下技术方案：针对于羊毛绒的分级进行检测，主要采用深度学习方法加机器视觉对羊毛绒进行分级，具体的方法流程如下：
1、构建羊毛绒分级数据集，首先根据国家标准(1523-93)来对羊毛绒进行分级，先采用人工的判断进行初步分级，其次将分级后的羊毛绒采用相机进行拍摄图片，然后采用仪器检测法对羊毛绒进行精细的分级，最后将通过仪器进行分级后的等级与前面所拍摄的羊毛绒图片对应上，根据等级将相同等级的图片放入同一个文件夹内，构建羊毛绒分级数据集。具体流程如图1所示。
2、构建羊毛绒分级检测模型，根据上述的羊毛绒等级数据集构分类检测模型，主要包括的模型有RESnet、VGGnet、Efficientnet等常见的基于卷积神经网络的分类模型，模型主要是基于卷积神经网络对图像进行特征提取，然后采用全连接对提取的特征最后进行分类。然后采用各个模型对羊毛绒等级数据集进行训练，最后对所有模型进行调优迭代，得出最优的羊毛绒分级分类模型。具体的流程如图2所示。
3、构建机器视觉的羊毛绒分级***，基于上述所得出的最优羊毛绒等级分类模型进行构建羊毛绒分级***，首先该***由摄像头、树莓派和显示器组成，摄像头用于获取羊毛绒图像，树莓派主要用于加载羊毛绒等级检测模型并保存分级结果，显示器则可以查看检测结果。具体的场景设计图如图3所示。
本发明方法中相关的算法：
首先是RES-NET算法：
根据输入样本的维度(width、height、channel)，分类数量创建GoogleNet网络模型
实施例1：
1.收集要进行分级的羊毛绒，然后基于人工对要分级的羊毛绒进行初步分级并封装成袋装羊毛绒如图5，其次拍摄羊毛绒的图片，然后采用羊毛测量仪器对袋装羊毛绒进行整体测量，并依据国家标准进行确定该羊毛绒的等级，最终通过确定5000-8000个羊毛绒样本的等级构建羊毛绒分级数据集。
2.基于上述构建的羊毛绒分级数据集采用ResNet、VggNet等算法对羊毛绒数据集进行训练，首先对羊毛绒图片进行预处理，包括图像裁剪、图像增强、随机裁剪等扩大图像训练数据集来防止模型训练过程中出现过拟合，将图像数据统一裁剪成224*224大小然后进行训练，最后对模型进行调优选出最佳的羊毛绒分级模型。
3.基于上述所构建的最优羊毛绒分级模型，构建羊毛绒机器视觉检测***，首先选择好高清摄像头，然后选择高性能树莓派连接该摄像头，并将分级模型放在树莓派中运行，最后将树莓派分类结果在显示器中进行展示。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于机器视觉的羊毛绒分级方法，其特征在于，包括以下步骤：
(1)、构建羊毛绒分级数据集；
(2)、构建羊毛绒分级检测模型；
(3)、构建机器视觉的羊毛绒分级***。
2.根据权利要求1所述的一种基于机器视觉的羊毛绒分级方法，其特征在于，所述的步骤(1)具体包括：首先根据国家标准(1523-93)来对羊毛绒进行分级，先采用人工的判断进行初步分级，其次将分级后的羊毛绒采用相机进行拍摄图片，然后采用仪器检测法对羊毛绒进行精细的分级，最后将通过仪器进行分级后的等级与前面所拍摄的羊毛绒图片对应上，根据等级将相同等级的图片放入同一个文件夹内，构建羊毛绒分级数据集。
3.根据权利要求1所述的一种基于机器视觉的羊毛绒分级方法，其特征在于，所述的步骤(2)根据羊毛绒等级数据集构分类检测模型，包括的模型有RESnet、VGGnet、Efficientnet基于卷积神经网络的分类模型，模型是基于卷积神经网络对图像进行特征提取，然后采用全连接对提取的特征最后进行分类。然后采用各个模型对羊毛绒等级数据集进行训练，最后对所有模型进行调优迭代，得出最优的羊毛绒分级分类模型。
4.根据权利要求3所述的一种基于机器视觉的羊毛绒分级方法，其特征在于，所述的步骤(3)基于最优羊毛绒等级分类模型进行构建羊毛绒分级***，首先该***由摄像头、树莓派和显示器组成，摄像头用于获取羊毛绒图像，树莓派主要用于加载羊毛绒等级检测模型并保存分级结果，显示器则可以查看检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062353.8A CN117876783A (zh) | 2024-01-16 | 2024-01-16 | 一种基于机器视觉的羊毛绒分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410062353.8A CN117876783A (zh) | 2024-01-16 | 2024-01-16 | 一种基于机器视觉的羊毛绒分级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117876783A true CN117876783A (zh) | 2024-04-12 |
Family
ID=90591719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410062353.8A Pending CN117876783A (zh) | 2024-01-16 | 2024-01-16 | 一种基于机器视觉的羊毛绒分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876783A (zh) |
-
2024
- 2024-01-16 CN CN202410062353.8A patent/CN117876783A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA1161271A (en) | Method and apparatus for measuring mean cell volume of red blood cells | |
| TWI576708B (zh) | 自動缺陷分類的分類器準備與維持 | |
| CN100561186C (zh) | 用于纺织品色牢度色差评级的测试方法和装置 | |
| TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
| CN110403232A (zh) | 一种基于二级算法的烟支质量检测方法 | |
| CN111652883B (zh) | 基于深度学习的玻璃表面缺陷检测方法 | |
| CN107036531A (zh) | 用于检测缺陷的方法和关联装置 | |
| Li et al. | Measuring the unevenness of yarn apparent diameter from yarn sequence images | |
| CN113393460B (zh) | 基于图像处理的烟丝质量参数检测方法及*** | |
| CN111415349B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
| CN113421230A (zh) | 基于目标检测网络的车载液晶屏导光板缺陷视觉检测方法 | |
| CN115493532B (zh) | 测量板材表面待测量元素面积的测量***、方法及介质 | |
| Pereira et al. | Computer vision techniques for detecting yarn defects | |
| CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
| CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测***及其方法 | |
| CN117876783A (zh) | 一种基于机器视觉的羊毛绒分级方法 | |
| CN104778709B (zh) | 一种基于纱线序列图像的电子黑板的构建方法 | |
| CN109376619B (zh) | 一种细胞检测方法 | |
| CN108931529B (zh) | 一种连续生产卷状材料的良率预估方法 | |
| Li et al. | A direct measurement method of yarn evenness based on machine vision | |
| Fabijańska | Yarn image segmentation using the region growing algorithm | |
| US20040008870A1 (en) | Electro-optical method and apparatus for evaluating protrusions of fibers from a fabric surface | |
| Li et al. | Real-time segmentation of yarn images based on an FCM algorithm and intensity gradient analysis | |
| CN113155862B (zh) | 一种偏光膜卷材良率的模拟方法 | |
| CN108519382A (zh) | 纺织纤维识别结果的评判方法 |
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 |