基于前馈神经网络的毛粘混纺纱线材质识别

《基于前馈神经网络的毛粘混纺纱线材质识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于前馈神经网络的毛粘混纺纱线材质识别　　摘要：针对快速准确识别混纺纱线不同材质的问题，本文首先使用BP神经网络应用平均影响值（MIV）方法，筛选混纺纱线横截面图像中的羊毛和粘胶形态特征指标，然后利用概率神经网络、支持向量机、极限学习机分别对羊毛和粘胶材质进行识别。结果显示选取合适类型的前馈神经网络，均可快速获取约为90%的识别准确率，具有潜在的实用价值。　　关键词：前馈神经网络；材质识别；羊毛；粘胶；MIV；图像处理　　中图分类号：TP391；TS137　　文献标志码：A　　IdentifyingtheMa

2、terialsofWool/ViscoseBlendedYarnsBasedonFeed-forwardNeuralNetwork　　Abstract：Inordertoidentifythematerialsofblendedyarns，thearticlefirstselectedtheindicatorsthatcanreflectthemorphologicalcharacteristicsofwoolandviscosefibersinthecross-sectionimagesofblendedy

3、arnbyusingMIV-BPmethod.Thenitusedprobabilisticneuralnetwork/supportvectormachine/extremelearningmachinetoidentifywoolandviscosematerials.Theidentificationresultsshowthatbyusingsuitablefeed-forwardneuralnetwork，thematerialscanbequicklyidentifiedwithaccuracyu

4、ptoabout90%andthemethodhasthe4potentialforpracticaluse.　　Keywords：feed-forwardneuralnetwork；materialidentification；wool；viscose；MIV；imageprocessing　　传统的混纺纱线检测多由人工完成，工作量大，易于出错。随着数字图像技术的发展和神经网络的不断完善，通过图像技术提取纤维特征，利用神经网络进行识别，是现今最主要的自动检测方式。但是纤维特征的筛选多由主观确定，且大多利用B

5、P神经网络来构造材质识别的分类器。由于BP神经网络的学习速度慢，难以满足纤维检测的实时性，所以本文尝试将前馈神经网络的多种典型形式结合图像处理技术，进行羊毛/粘胶混纺纱线的特征选取，训练计算机更为客观、准确、迅速的实现毛粘混纺纱线中的材质识别。　　1羊毛和粘胶的形态特征　　1.1基于图像处理的羊毛/粘胶特征提取　　通过配套PC图像采集接口的CU-Ⅱ型纤维细度仪，显微拍摄利用哈氏切片法获取的羊毛/粘胶混纺纱线横截面图片（图1）。其中羊毛和粘胶为待识别目标，需要保留；而火棉胶溶液的作用是固化纱线，可看作为背景，需

6、要去除。经图像灰度化、去噪、增强、二值化、形态学处理之后得到的羊毛和粘胶个体示意图如图2和图3所示。通过观察可以发现，羊毛和粘胶从图像的角度来看，最大的差异在于羊毛个体的形态较饱满，外廓参差较少；粘胶个体形态较干瘪，外廓参差较多。4　　通过Matlab中用来度量图像区域属性的函数regionprops，获取第一至第六个特征指标，分别为Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如图4所示，第七个特征指标定义为Bc，即从水平与垂直两个方向获

7、取的目标个体长度，然后将以较小长度Lmin作为直径的圆的面积与以较大长度Lmax作为直径的圆的面积相除（式（1））；如图5所示，第八个特征指标定义为SMr，Sh和Sv分别是目标个体从水平方向逐行和垂直方向逐列扫描得到的缺口面积总和，S是目标个体的横截面面积（式（2））。　　Bc=L2min/L2max（1）　　SMr=1-（Sh+Sv）/S（2）　　在本文的研究中总共提取了215个羊毛个体和152个粘胶个体的特征值，部分羊毛和粘胶个体特征值的原始数据见表1。　　1.2基于BP神经网络的羊毛/粘胶特征筛选4　　

8、标准前馈神经网络的内部结构分为：一层输入层、若干层隐藏层和一层输出层。各层之间全连接，同层之间无连接，信号从输入层开始，逐步向前传递，直至输出层。BP神经网络则是一种基于梯度算法的信号前向传递，误差反向传播的单隐藏层前馈神经网络。相对于常见的特征筛选方法（例如主成分分析法仅仅是利用坐标变换来去除材质特征间的冗余信息），利用BP神经网络进行材质特征的筛选，可以为后续前馈神经网络分类器提供合适的经过机器