卷積神經(jīng)網(wǎng)絡(luò)在異型纖維識(shí)別中的研究和應(yīng)用.pdf

1、纖維成分檢測(cè)是一個(gè)涉及圖像處理、圖像分析、模式識(shí)別和機(jī)器學(xué)習(xí)等多個(gè)研究領(lǐng)域的課題。隨著數(shù)字圖像處理技術(shù)和機(jī)器學(xué)習(xí)的不斷發(fā)展，異型纖維圖像的識(shí)別工作取得了很大的進(jìn)展。然而，采用計(jì)算機(jī)技術(shù)自動(dòng)識(shí)別異型纖維仍然是一個(gè)難以解決的復(fù)雜問題。本課題來(lái)源于《基于約束條件的非負(fù)矩陣分解算法及其在纖維自動(dòng)識(shí)別中的應(yīng)用研究》（NO.61472075)國(guó)家自然科學(xué)基金項(xiàng)目，研究的重點(diǎn)是采用數(shù)字圖像處理和機(jī)器學(xué)習(xí)等技術(shù)來(lái)達(dá)到自動(dòng)分析和識(shí)別異型纖維的目的。

2、>　　本文重點(diǎn)研究了異型纖維的識(shí)別問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的異型纖維識(shí)別方法，并描述了一種面向異型纖維識(shí)別的七層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)。通過實(shí)驗(yàn)證明，本文提出的異型纖維識(shí)別方法不僅可以基于大量帶有類別標(biāo)簽的纖維樣本自動(dòng)逐層提取纖維的高層特征，以避免傳統(tǒng)纖維識(shí)別方法繁瑣和復(fù)雜的人工特征提取過程；而且可以有效降低扭曲形變的纖維對(duì)識(shí)別效果的影響，分類識(shí)別的正確率有了較大提高，達(dá)到了90.875％。為了改善纖維識(shí)別效果，提高纖維識(shí)別正確

3、率，本文的主要研究?jī)?nèi)容有：
　　(1)圖像預(yù)處理：為了避免不必要的計(jì)算，提高運(yùn)算速度往往需要將彩色圖像灰度化。此外，纖維圖像中的噪聲還會(huì)對(duì)纖維的分割和識(shí)別造成嚴(yán)重的影響，如何有效的去除噪聲也是纖維圖像預(yù)處理的關(guān)鍵步驟。本文為了盡可能多的過濾噪聲，保留原有圖像的有用信息，采用小波閾值去噪的方法來(lái)改善纖維圖像的質(zhì)量；為了進(jìn)一步突出圖像中的有用信息，將會(huì)對(duì)去噪后的圖像進(jìn)行OSTU二值化處理。
　　(2)圖像分割：圖像分割是將原圖像

4、分割成若干個(gè)特定的感興趣目標(biāo)的過程，是圖像處理和圖像分析的一個(gè)關(guān)鍵環(huán)節(jié)，分割后的單個(gè)目標(biāo)圖像可以用于后續(xù)的特征提取和分類識(shí)別。由于異型纖維圖像存在擠壓、粘連等特點(diǎn)，給纖維圖像的分割造成極大困難。為了有效降低纖維擠壓粘連對(duì)分割效果的影響，本文將采用水平集的圖像分割算法。
　　(3)特征提?。簩?duì)于淺層的機(jī)器學(xué)習(xí)算法，特征的選取需要依靠人工經(jīng)驗(yàn)，人工選取的特征往往很難滿足特征的可區(qū)分性、獨(dú)立性和可靠性，因此特征選取的好壞將直接影響識(shí)別結(jié)