[发明专利]混纺纤维形态特征鉴定模型、其训练方法以及鉴别方法

权利要求书

1.混纺纤维形态特征鉴定模型，该模型包括有特征提取模块以及全连接模块，所述特征提取模块与所述全连接模块连接；

其特征在于，所述全连接模块中包括有金字塔池化层，所述金字塔池化层设置在所述特征提取模块后，所述特征提取模块与所述金字塔池化层连接。

2.如权利要求1所述的基于深度学习的动物混纺纤维形态特征鉴定模型，其特征在于，所述特征提取模块包括有第一DenseBlock、第二DenseBlock、第三DenseBlock和第四DenseBlock；

所述第一DenseBlock的输入端接入具有实际尺寸的单根纤维图像，所述第一DenseBlock、所述第二DenseBlock、所述第三DenseBlock和所述第四DenseBlock顺序设置依次连接，所述第四DenseBlock接入所述金字塔池化层。

3.如权利要求2所述的基于深度学习的动物混纺纤维形态特征鉴定模型，其特征在于，所述特征提取模块还包括有第一Transition层、第二Transition层和第三Transition层；

所述第一Transition层设置在所述第一DenseBlock和所述第二DenseBlock之间并连接二者；所述第二Transition层设置在所述第二DenseBlock和所述第三DenseBlock之间并连接二者，所述第三Transition层设置在所述第三DenseBlock和所述第四DenseBlock之间并连接二者。

4.如权利要求1所述的基于深度学习的动物混纺纤维形态特征鉴定模型的训练方法，其特征在于，该模型还包括有用于输出feature map的数量与同分类数量的卷积层，所述卷积层设置于所述金字塔池化层后并与其连接。

5.一种基于1-4任一项所述的基于深度学习的动物混纺纤维形态特征鉴定模型的训练方法，其特征在于，该方法包括有以下步骤：

A1：建立初始鉴定模型；

A2：取n*k张具有实际的纤维相同大小尺寸的单根纤维图像，随机地以每n张为一批地分成k批；

A3：将单根纤维图像分批输入到鉴定模型中直至全部单根纤维图像输入完成；

A4：将A2-A3步骤重复c轮；

A5：保存模型结构以及模型数据，得到合适可用的鉴定模型；

其中，n、k、c均为自然数。

6.混纺纤维形态特征鉴定模型的鉴别方法，其特征在于，该方法包括有以下步骤：

S1：采样：取待测的动物混纺纤维制作玻片，利用显微镜与相机采集玻片指定区域中的纤维的原始图像；

S2：图片处理：对原始图像做出处理，得到具有与实际的纤维相同大小尺寸的单根纤维图像；

S3：鉴定：将单根纤维图像输入到鉴定模型中，得到该单根纤维的分类概率；

S4：遍寻玻片的所有区域，重复S1-S3，直至获得玻片上所有纤维的分类概率，根据该玻片上所有纤维的分类结果得到原待测的动物混纺纤维的形态特征鉴定结果。

7.如权利要求6所述的基于深度学习的动物混纺纤维形态特征鉴定模型的鉴别方法，其特征在于，所述S1具体为：取待测的动物混纺纤维制作纤维组织玻片，将纤维组织玻片放置在外部图片采集设备上，获得玻片指定区域中纤维原始图像。

8.如权利要求7所述的基于深度学习的动物混纺纤维形态特征鉴定模型的鉴别方法，其特征在于，所述S2具体包括有以下子步骤：

S21：边缘检测：对原始图像进行边缘检测，检测出原始图像中所有的纤维的边缘，保留其各自边缘；

S22：切分：依据边缘检测结果，切分出单根纤维图像；

S23：调整纤维姿态：旋转单根纤维图像，使其呈现高度小于宽度的尺寸结构。

9.如权利要求7所述的基于深度学习的动物混纺纤维形态特征鉴定模型的鉴别方法，其特征在于，所述S3具体为：

S31：将单根纤维图像输入到鉴定模型中，所述特征提取模块从中逐层提取特征；

S32：所述金字塔池化层自动适应单根纤维图像的尺寸，进行池化运算；

S33：经卷积层运算后输出feature map的数量与同分类数量，得到该单根纤维的分类概率。