[發明專利]一種基于深度學習的纖維截面直徑檢測方法

在審

• 申請號: 202010183578.0
• 申請日: 2020-03-17
• 公開（公告）號: CN111402320A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 徐運海;董蘭蘭
• 申請（專利權）人: 北京和眾視野科技有限公司
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于深度學習的纖維截面直徑檢測方法，包括：利用預訓練參數創建卷積神經網絡模型；其中，卷積神經網絡模型為Mask R?CNN模型，其卷積核為長度不等的矩形卷積核；獲取纖維圖片的訓練集及驗證集，通過纖維圖片的訓練集及驗證集對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；確定待檢測纖維圖片，根據訓練后的卷積神經網絡模型對待檢測纖維圖片進行識別，得到纖維圖片中各個纖維截面的形狀掩碼；其中，訓練、驗證集及待識別纖維圖片均為1024×1024大小的纖維圖片；基于纖維截面的形狀掩碼，計算各個截面掩碼輪廓的參數；所述參數包括截面掩碼輪廓的面積、周長、直徑。本發明能夠自動確定纖維特征，準確計算纖維截面的直徑。

技術領域

本發明屬于纖維檢測技術領域，具體涉及一種基于深度學習的纖維截面直徑檢測方法。

背景技術

目前，現有技術對纖維截面直徑的測量方法，是將待測纖維束切成毫米級的小段，再利用分散裝置將纖維段分散散落在玻片上，放在顯微鏡頭下通過攝像頭成像。利用經典數字圖像方法，對圖像中的大量纖維段分別測量其直徑，這個過程在紡織領域內習慣叫做縱面法測量。這里有一個比較關鍵的問題是，大量纖維段散落在玻片上，其中存在著非常多的交叉、彎曲和部分重疊的情況，經典圖像算法并不能很好的應對，會存在非常多的重復測量(因為交叉纖維被分成多段，而這多段并不一定被歸結為同一根纖維)和合并測量(并在一起的兩根算成了一根)，這些其實都是偽數據。這樣的系統測試出的數據有一定的隨機性，尤其對纖維直徑離散較大的樣本誤差會較大。另一方面，分散纖維采集測量通常一個視場內可測的纖維數量平均10根左右，要達到數千根的大容量測試，要對應數百個視場的移動采集，效率較低。另外，對于截面形狀不接近圓形的纖維，其測得直徑也有一定偏差。

因此，如何準確高效地檢測大量纖維的直徑，是本領域技術人員需要解決的問題。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于深度學習的纖維截面直徑檢測方法，利用Mask-RCN模型自動確定纖維特征，準確計算纖維截面的直徑(面積)。

本發明的實施例提供了一種基于深度學習的纖維截面直徑檢測方法，包括如下步驟：

步驟1，利用預訓練參數創建卷積神經網絡模型；其中，所述卷積神經網絡模型為Mask R-CNN模型，其卷積核為長度不等的矩形卷積核；

步驟2，獲取纖維圖片的訓練集及驗證集，通過所述纖維圖片的訓練集及驗證集對所述卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；

步驟3，確定待檢測纖維圖片，根據所述訓練后的卷積神經網絡模型對所述待檢測纖維圖片進行識別，得到纖維圖片中各個纖維截面的形狀掩碼；其中，所述訓練、驗證集及待識別纖維圖片均為1024×1024大小的纖維圖片；

步驟4，基于纖維截面的形狀掩碼，計算各個截面掩碼輪廓的參數；所述參數包括截面掩碼輪廓的面積、周長、直徑。

與現有技術相比本發明的有益效果是：

1、無論纖維截面形狀如何，都可以準確獲取其截面面積，從而計算出準確的當量直徑。

2、截面方式下的視場內纖維不存在交叉問題，因而也不存在重復測量的問題。

3、視場內纖維數量密度高，通常一個視場內有數百根纖維可供測量，效率較縱面法有大幅提升。

4、基于AI神經網絡算法，很好地解決了傳統數字圖像算法難以解決的相鄰截面難以準確分割的問題，為截面計算奠定了基礎。

附圖說明

圖1是本發明基于深度學習的纖維截面直徑檢測方法的流程圖；

圖2是本發明Mask R-CNN結構簡化圖。

具體實施方式