[发明专利]纤维检测方法、装置及电子设备

说明书

本发明提供一种纤维检测方法、装置及电子设备，涉及图像识别技术领域，其中，纤维检测方法包括：获取待检测纤维图像；根据预设深度学习模型提取待检测纤维图像的纤维特征，预设深度学习模型包括多种基于卷积神经网络的深度学习模型；利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识别结果。该纤维检测方法能够通过多种基于卷积神经网络的深度学习模型，对每种纤维进行独立的神经网络检测识别，从而在对混合纤维检测时，排除其他纤维对识别的干扰，达到准确识别纤维的目的。

技术领域

本发明涉及图像识别技术领域，尤其是涉及一种纤维检测方法、装置及电子设备。

背景技术

随着我国经济的持续快速发展，各行各业均呈现蓬勃发展态势。随之而来的是，各种包含纤维结构的物质材料越来越丰富，其种类、纤维组成、形态等千差万别。目前的纤维检测识别方式是基于人工的方式来进行的，通常需要采集图像，然后对上述图像进行观测，根据已有经验和知识，确定该图像中的纤维类型，计算其纤维直径及数量等。此过程费时费力，且效率低下，尤其对于包含混合型纤维结构的材料来说，其识别的难度很大。

发明内容

有鉴于此，本发明的目的在于提供一种纤维检测方法、装置及电子设备，能够通过多种基于卷积神经网络的深度学习模型，对每种纤维进行独立的神经网络检测识别，从而在对混合纤维检测时，排除其他纤维对识别的干扰，达到准确识别纤维的目的。

第一方面，本发明实施例提供了一种纤维检测方法，包括：

获取待检测纤维图像；

根据预设深度学习模型提取待检测纤维图像的纤维特征，预设深度学习模型包括多种基于卷积神经网络的深度学习模型；

利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识别结果。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取待检测纤维图像，具体包括：

获取电子显微镜对目标检测物进行拍照所采集的图像，得到待检测纤维图像；目标检测物包含纤维结构。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，纤维特征包括：纤维类型、纤维直径、纤维数量。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于卷积神经网络的深度学习模型是通过数量超过一定阈值的纤维样本数据训练得到的，纤维样本数据包括不同类型的纤维对应的图片。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，通过以下方式获得基于预设深度学习模型训练的分类器：

利用多种基于卷积神经网络的深度学习模型提取纤维样本数据的深层特征；

基于机器学习算法，对深层特征训练分类器；

其中纤维样本数据中包括纤维特征、匹配度和识别结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识别结果，具体包括：

确定基于预设深度学习模型训练的分类器所对应的数据格式；

如果数据格式包括二进制数据格式，将纤维特征转换为二进制数据格式后输入基于预设深度学习模型训练的分类器，以生成对应待检测纤维图像的识别结果。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，在利用基于预设深度学习模型训练的分类器对纤维特征进行识别，生成待检测纤维图像的识别结果之后，还包括：

将待检测纤维图像的识别结果作为新的纤维样本数据保存在纤维样本数据库中。