[發明專利]混紡纖維形態特征鑒定模型、其訓練方法以及鑒別方法

在審

• 申請號: 202010700499.2
• 申請日: 2020-07-20
• 公開（公告）號: CN111899233A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 陳沛;袁俊;李妍;閆春紅;李娜;馬源;王錦冠;張志健
• 申請（專利權）人: 中紡標（深圳）檢測有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/62;G06K9/46;G06K9/62;G01N21/84
• 代理公司: 深圳市神州聯合知識產權代理事務所(普通合伙) 44324
• 代理人: 王志強

1.混紡纖維形態特征鑒定模型，該模型包括有特征提取模塊以及全連接模塊，所述特征提取模塊與所述全連接模塊連接；

其特征在于，所述全連接模塊中包括有金字塔池化層，所述金字塔池化層設置在所述特征提取模塊后，所述特征提取模塊與所述金字塔池化層連接。

2.如權利要求1所述的基于深度學習的動物混紡纖維形態特征鑒定模型，其特征在于，所述特征提取模塊包括有第一DenseBlock、第二DenseBlock、第三DenseBlock和第四DenseBlock；

所述第一DenseBlock的輸入端接入具有實際尺寸的單根纖維圖像，所述第一DenseBlock、所述第二DenseBlock、所述第三DenseBlock和所述第四DenseBlock順序設置依次連接，所述第四DenseBlock接入所述金字塔池化層。

3.如權利要求2所述的基于深度學習的動物混紡纖維形態特征鑒定模型，其特征在于，所述特征提取模塊還包括有第一Transition層、第二Transition層和第三Transition層；

所述第一Transition層設置在所述第一DenseBlock和所述第二DenseBlock之間并連接二者；所述第二Transition層設置在所述第二DenseBlock和所述第三DenseBlock之間并連接二者，所述第三Transition層設置在所述第三DenseBlock和所述第四DenseBlock之間并連接二者。

4.如權利要求1所述的基于深度學習的動物混紡纖維形態特征鑒定模型的訓練方法，其特征在于，該模型還包括有用于輸出feature map的數量與同分類數量的卷積層，所述卷積層設置于所述金字塔池化層后并與其連接。

5.一種基于1-4任一項所述的基于深度學習的動物混紡纖維形態特征鑒定模型的訓練方法，其特征在于，該方法包括有以下步驟：

A1：建立初始鑒定模型；

A2：取n*k張具有實際的纖維相同大小尺寸的單根纖維圖像，隨機地以每n張為一批地分成k批；

A3：將單根纖維圖像分批輸入到鑒定模型中直至全部單根纖維圖像輸入完成；

A4：將A2-A3步驟重復c輪；

A5：保存模型結構以及模型數據，得到合適可用的鑒定模型；

其中，n、k、c均為自然數。

6.混紡纖維形態特征鑒定模型的鑒別方法，其特征在于，該方法包括有以下步驟：

S1：采樣：取待測的動物混紡纖維制作玻片，利用顯微鏡與相機采集玻片指定區域中的纖維的原始圖像；

S2：圖片處理：對原始圖像做出處理，得到具有與實際的纖維相同大小尺寸的單根纖維圖像；

S3：鑒定：將單根纖維圖像輸入到鑒定模型中，得到該單根纖維的分類概率；

S4：遍尋玻片的所有區域，重復S1-S3，直至獲得玻片上所有纖維的分類概率，根據該玻片上所有纖維的分類結果得到原待測的動物混紡纖維的形態特征鑒定結果。

7.如權利要求6所述的基于深度學習的動物混紡纖維形態特征鑒定模型的鑒別方法，其特征在于，所述S1具體為：取待測的動物混紡纖維制作纖維組織玻片，將纖維組織玻片放置在外部圖片采集設備上，獲得玻片指定區域中纖維原始圖像。

8.如權利要求7所述的基于深度學習的動物混紡纖維形態特征鑒定模型的鑒別方法，其特征在于，所述S2具體包括有以下子步驟：

S21：邊緣檢測：對原始圖像進行邊緣檢測，檢測出原始圖像中所有的纖維的邊緣，保留其各自邊緣；

S22：切分：依據邊緣檢測結果，切分出單根纖維圖像；

S23：調整纖維姿態：旋轉單根纖維圖像，使其呈現高度小于寬度的尺寸結構。

9.如權利要求7所述的基于深度學習的動物混紡纖維形態特征鑒定模型的鑒別方法，其特征在于，所述S3具體為：

S31：將單根纖維圖像輸入到鑒定模型中，所述特征提取模塊從中逐層提取特征；

S32：所述金字塔池化層自動適應單根纖維圖像的尺寸，進行池化運算；

S33：經卷積層運算后輸出feature map的數量與同分類數量，得到該單根纖維的分類概率。