[发明专利]一种基于改进的Mask R-CNN神经网络的羊毛羊绒纤维识别方法

说明书

本发明涉及图像识别技术领域。目的是提供一种基于改进的Mask R‑CNN神经网络的羊毛羊绒纤维识别方法，该方法应具有识别速度快、识别准确率高的特点。技术方案是：一种基于改进的Mask R‑CNN神经网络的羊毛羊绒纤维识别方法，包括以下步骤：1)采集若干羊毛羊绒纤维图像制作成数据集，并对数据集中每张纤维图像中的每根纤维进行标注；2)将数据集输入改进的Mask R‑CNN神经网络进行训练，得到训练好的改进的Mask R‑CNN神经网络；3)利用改进的Mask R‑CNN神经网络对羊毛羊绒纤维进行分类识别。

技术领域

本发明涉及图像识别技术领域，具体是一种基于改进的Mask R-CNN神经网络的羊毛羊绒纤维识别方法。

背景技术

羊毛与羊绒纤维是纺织工业领域中两种重要的材料，但羊绒比羊毛性能要好太多，价格也相应的要贵很多。羊毛和羊绒都是由蛋白质组成，它们不但在外观形态、手感舒适度方面，还是在物理性质和化学组成成分方面，都是高度相似的，因此有不法商家会根据羊毛羊绒的以上特性，在羊绒衣物制品中制作过程中掺杂一些羊毛纤维，来谋取更大的利润，这就侵犯了消费者的合法权益。我国羊毛羊绒纤维产量都非常巨大，并且每年生产总量还在不断增大，因此对羊毛和羊绒纤维进行有效、准确的鉴别是十分有必要的。

当下，羊毛羊绒纤维的识别方法比较传统，主要有光学显微镜法(物理方法)和染色法(化学方法)，前者利用显微镜来观察纤维微小细节，这十分依赖实验人员的操作经验，并且判断标准也有很多，后者利用染色剂对羊毛和羊绒进行染色，通过观察染色情况来对羊毛羊绒进行区分。但这些方法都需要专业的技术人员来完成羊毛羊绒的甄别操作，只适用于少量的情况，无法满足现阶段大批量羊毛羊绒的高效、快速识别。

针对传统的羊毛羊绒纤维识别方法(物理化学方面)的不足之处，可以通过图像分割的方法，先将图像中的每根羊毛羊绒纤维尽可能准确的分离出来，再计算每根羊毛羊绒纤维的特征，如：灰度直方图特征、LBP(Local Binary Pattern)特征、Hu不变矩形状特征、灰度共生矩阵特征等，最后将这些特征送入到SVM(Support Vector Machine)中进行分类和识别。但这有两个问题，一是图像中的羊毛羊绒纤维在很多情况下是相互交错的，图像分割的鲁棒性不够；二是羊毛羊绒本身的形态特性高度相似，很难将羊毛羊绒的深层次特征提取出来，这会导致SVM的分类、识别准确率不高。

发明内容

本发明的目的是克服上述背景技术中的不足，提供一种基于改进的Mask R-CNN神经网络的羊毛羊绒纤维识别方法，该方法应具有识别速度快、识别准确率高的特点。

本发明的技术方案是：

一种基于改进的Mask R-CNN神经网络的羊毛羊绒纤维识别方法，包括以下步骤：

1)采集若干羊毛羊绒纤维图像制作成数据集，并对数据集中每张纤维图像中的每根纤维进行标注；

2)将数据集输入改进的Mask R-CNN神经网络进行训练，得到训练好的改进的MaskR-CNN神经网络；

3)利用改进的Mask R-CNN神经网络对羊毛羊绒纤维进行分类识别；

所述改进的Mask R-CNN神经网络包括Transformer主干网络、PANet中间层、RPN区域提议网络、ROI Align网络、头部网络、ReCls重分类网络；所述头部网络包括全连接层、类别识别分支、预测包围框分支、预测蒙版分支，类别识别分支的类别损失函数为softmax函数与交叉熵损失函数。

所述步骤1)的标注包括：使用Labelme图像标注软件对数据集中每张图像中的每根羊毛羊绒纤维进行手动标注并保存为json文件，json文件中存储各羊毛羊绒纤维包围框的宽、高、左上角坐标以及编号信息，将所有json文件转换成COCO数据集格式。