林森

摘要：针对快速准确识别混纺纱线不同材质的问题，本文首先使用BP神经网络应用平均影响值（MIV）方法，筛选混纺纱线横截面图像中的羊毛和粘胶形态特征指标，然后利用概率神经网络、支持向量机、极限学习机分别对羊毛和粘胶材质进行识别。结果显示选取合适类型的前馈神经网络，均可快速获取约为90%的识别准确率，具有潜在的实用价值。

关键词：前馈神经网络；材质识别；羊毛；粘胶；MIV；图像处理

中图分类号：TP391；TS137

文献标志码：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

传统的混纺纱线检测多由人工完成，工作量大，易于出错。随着数字图像技术的发展和神经网络的不断完善，通过图像技术提取纤维特征，利用神经网络进行识别，是现今最主要的自动检测方式。但是纤维特征的筛选多由主观确定，且大多利用BP神经网络来构造材质识别的分类器。由于BP神经网络的学习速度慢，难以满足纤维检测的实时性，所以本文尝试将前馈神经网络的多种典型形式结合图像处理技术，进行羊毛/粘胶混纺纱线的特征选取，训练计算机更为客观、准确、迅速的实现毛粘混纺纱线中的材质识别。

1羊毛和粘胶的形态特征

1.1基于图像处理的羊毛/粘胶特征提取

通过配套PC图像采集接口的CU-Ⅱ型纤维细度仪，显微拍摄利用哈氏切片法获取的羊毛/粘胶混纺纱线横截面图片（图1）。其中羊毛和粘胶为待识别目标，需要保留；而火棉胶溶液的作用是固化纱线，可看作为背景，需要去除。经图像灰度化、去噪、增强、二值化、形态学处理之后得到的羊毛和粘胶个体示意图如图2和图3所示。……