[发明专利]一种棉花异性纤维在线检测方法及系统

权利要求书

1.一种棉花异性纤维在线检测方法，其特征在于，其步骤如下：

步骤一：偏振相机实时对激光照射的棉花的检测区域进行图像采集；

步骤二：采集的图像组成样本数据，对样本数据进行数据增强，得到增强后的样本集；

步骤三：利用迁移学习方法对样本集进行预训练，得到预分类的图像；

步骤四：通过预分类的图像对并行级联深度学习方法进行训练得到训练模型，训练模型对步骤一偏振相机采集的图像进行识别分类，得到异纤的种类及位置；

步骤五：通过CLAHE算法对识别分类后的图像进行直方图均衡，得到带有目标检测框的异纤位置；

步骤六：异纤ROI算法对目标检测框的异纤位置进行提取，得到异纤目标的几何参数。

2.根据权利要求1所述的棉花异性纤维在线检测方法，其特征在于，所述并行级联深度学习方法包括并行级联的改进的YOLOv5算法和荧光效应异纤目标检测算法，改进的YOLOv5算法用于识别图像中分类颜色特征明显的异纤，荧光效应异纤目标检测算法用于识别在激光照射下产生荧光效应的异纤；利用预分类的图像对改进的YOLOv5算法进行训练，得到了训练好的YOLOv5模型，利用预分类的图像对荧光效应异纤目标检测算法进行训练得到荧光效应异纤目标检测模型；在实际检测中，YOLOv5模型处理偏振相机实时采集的图像，荧光效应异纤目标检测模型检测的图像为偏振相机采集的原图经过灰度化处理后的图像。

3.根据权利要求2所述的棉花异性纤维在线检测方法，其特征在于，所述数据增强的方法包括图像的镜像、亮度变化、高斯模糊、像素平移、大小缩放、旋转变换和/或像素丢弃中的至少两种。

4.根据权利要求2或3所述的棉花异性纤维在线检测方法，其特征在于，所述荧光效应异纤目标检测算法包括特征提取部分和回归预测部分，所述特征提取部分包括6个依次连接的卷积层，用于提取图像的深层特征；所述回归预测部分包括FCN结构，FCN结构包括3个依次连接卷积层，深层特征和浅层特征相结合在回归预测部分通过3个依次连接卷积层进行卷积处理，然后进行上采样，将上采样后的特征和浅层特征进行拼接生成融合特征，利用融合特征进行回归预测得到预测矩阵。

5.根据权利要求4所述的棉花异性纤维在线检测方法，其特征在于，所述改进的YOLOv5算法的检测网络的输入端通过Mosaic数据增强对预分类的图像进行处理，检测网络的主干网络是依次连接的Focus结构和CSP结构，检测网络采用了改进的Mish激活函数，检测网络的网络层采用FPN+PAN的结构；所述检测网络的输出端包括边界框损失函数和NMS非极大值抑制；所述改进的YOLOv5算法的深度系数depth_multiple＝0.33，宽度系数width_multiple＝0.33。

6.根据权利要求5所述的棉花异性纤维在线检测方法，其特征在于，所述改进的Mish激活函数为：

其中，x为自变量，ω＝4(x+1)+4e^2x+e^3x+e^x(4x+6)，且δ＝2e^x+e^2x+2。

7.根据权利要求6所述的棉花异性纤维在线检测方法，其特征在于，所述边界框损失函数采用CIOU Loss损失函数，且：

其中，d＝ρ(A,B)是B框与B^gt框中心点坐标的欧式距离，而c是包住它们的最小方框的对角线距离；α是权重函数，v用来度量宽高比的一致性，且：

最终CIoU Loss损失函数为：

所述改进的YOLOv5算法采用自适应图片缩放方法处理图像，采用自适应锚框计算，即通过计算预测框和真实框的差别，反向更新，迭代网络参数；

所述NMS非极大值抑制采用DIOU-NMS。