基于图像处理与深度学习方法的棉纤维梳理过程纤维检测识别技术

发布时间：2024-03-06 04:12

　　针对棉纤维梳理过程中高速摄像机对锡林表面拍摄得到的图像无法人眼识别的问题,使用图像处理与深度学习结合的算法,通过一系列检测流程实现人眼的辅助识别。采用高速摄像机对梳棉机移动盖板下的锡林表面梳理过程进行拍摄得到数据图像,首先对图像通过多级小波卷积神经网络提取去噪残差,然后使用深度卷积超分辨率重构网络进行超分辨率重构,最后使用一种强噪声条件下的多尺度边缘检测与增强算法进行纤维的勾画,得到可供人眼识别的清晰的纤维图像,最后尝试使用特征增强后的图像样本进行循环生成对抗网络的训练,得到更连续清晰的纤维提取结果。研究表明,该图像处理流程提高了对梳理过程纤维的检测识别效果,为纤维梳理领域的研究提供了一种新的思路。

【文章页数】：7 页

【部分图文】：

图1样本集示例图片

本文实验采用胶南永佳纺织机械制造有限公司生产的A186F型梳棉机进行实验，通过在梳棉机漏底开2.7cm×2.7cm的观察口，使用加拿大MegaSpeedCorp．公司生产的75KS2C3104型高速摄像机拍摄梳棉机工作状态下梳理纤维的视频。拍摄频率为6000帧/s，得到....

图2检测流程图

整体检测流程如图2所示。对于原始图像，首先通过图像去噪算法得到去除纤维信息而只保留针点与光斑的平滑图像，然后通过图像做差得到残差图像，即为棉纤维特征初提取图像;针对特征初提取图像纤维边界模糊的特点，使用超分辨率重构算法增加图像的梯度，便于人眼的进一步观察以及计算机边缘识别;最后使....

图3多级小波卷积神经网络的网络结构示意图

式(1)可理解为通过原始图像(Ip)减去平滑后的图像(Ic)得到残差图像，即为要提取的纤维特征图像(If)。简单来说，对于一个往干净图像中加噪声的过程，是一个有定解的稳定问题，但对于去噪这个逆问题，则是一个非存在唯一稳定解的问题[4]，类似于超定方程的求解过程，没有严格的限定条件....

图4示例1和2初步提取特征的提取效果

从图4可看出:残差中针点和光斑信息基本都得到了去除，而纤维信息保留较为完好，且有轻微的平滑效果;另外还有一些图像本身带有的模糊效果影响观察。总体而言，纤维的特征已基本得到了提取，但由于平滑效果和模糊块的影响，还达不到能进行边界勾画的效果。2.2特征增强

本文编号：3920534