王軍慶,馬佩佩,李保榮,朱樂樂

(西安工程大學(xué) 紡織科學(xué)與工程學(xué)院,陜西 西安710048)

山羊絨是名貴的特種動(dòng)物纖維之一,在當(dāng)今國(guó)際市場(chǎng)上統(tǒng)稱為“開士米”(Cashmere),被人們譽(yù)為“纖維寶石”、“軟黃金”。其制品集輕、暖、寬松、手感柔軟等其他動(dòng)物纖維的優(yōu)點(diǎn)于一體,深受消費(fèi)者喜愛[1-3]。由于羊毛與山羊絨價(jià)格相差較大,市場(chǎng)上經(jīng)常出現(xiàn)羊毛混入山羊絨的現(xiàn)象,損害了消費(fèi)者的利益,因此能夠快速正確地區(qū)分羊毛和山羊絨纖維是非常必要的。目前纖維識(shí)別方法主要有光學(xué)顯微鏡法[4]、掃描電子顯微鏡法[5]、近紅外光譜法[6]、力學(xué)性能分析法[7]、溶液法[8]、染色法[9]、DNA 鑒別法[10]、生物芯片技術(shù)[11-12]等。

近年來,數(shù)字圖像處理、計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等技術(shù)發(fā)展迅速。許多研究人員開始利用光學(xué)顯微鏡和掃描電鏡采集圖像,使用相關(guān)算法對(duì)山羊絨和羊毛纖維的紋理或形態(tài)特征進(jìn)行分析,以更好地識(shí)別羊毛和山羊絨纖維。綜述了近幾年基于圖像處理的羊毛/山羊絨鑒別方法研究現(xiàn)狀,重點(diǎn)介紹了利用數(shù)字圖像處理和計(jì)算機(jī)視覺結(jié)合不同的識(shí)別分類器(支持向量機(jī)、貝葉斯模型、決策樹和人工神經(jīng)網(wǎng)絡(luò)等)對(duì)羊毛/山羊絨纖維進(jìn)行鑒別。

1 支持向量機(jī)法

支持向量機(jī)(SVM)的基本原則是最小化其訓(xùn)練經(jīng)驗(yàn)風(fēng)險(xiǎn),訓(xùn)練樣本數(shù)越大其經(jīng)驗(yàn)風(fēng)險(xiǎn)越小。通過纖維圖像預(yù)處理、纖維識(shí)別特征提取等處理,可獲取羊毛羊絨纖維的特征數(shù)據(jù),建立合適的纖維特征樣本,進(jìn)行SVM 訓(xùn)練從而得到識(shí)別羊毛羊絨纖維的SVM 分類模型。

沈巍等[13]將在HSV 顏色模型下的山羊絨與羊毛混紡紗線的切片圖進(jìn)行初步的背景分離,通過特征數(shù)據(jù)取樣,應(yīng)用SVM 對(duì)圖片進(jìn)一步精確分離,從而使提取目標(biāo)完整地從原圖中分離出來,這種支持向量提取的方法為應(yīng)用圖像處理方法測(cè)試山羊絨羊毛混紡比提供了可行性。馬彩霞等[14]測(cè)量了羊毛和山羊絨纖維的8個(gè)特征參數(shù),選擇SVM 作為監(jiān)督分類的分類器,該方法的識(shí)別精度接近89.0%。Zhong等[15]將羊毛和山羊絨纖維的顯微圖像轉(zhuǎn)化為投影曲線。為了揭示投影曲線的數(shù)值特征,比較了3種不同的方法,包括離散小波變換、直接幾何描述和遞歸量化分析。將數(shù)值特征輸入ANN、SVM 和核嶺回歸3種分類器,進(jìn)行有監(jiān)督分類。試驗(yàn)表明,遞歸量化分析和SVM 的結(jié)合達(dá)到了最佳的精度。焦明艷等[16]將纖維圖像中的鱗片模式看作一種紋理,并使用灰度共生矩陣描述圖像中的紋理特征。從每副纖維圖像的灰度共生矩陣中提取了5個(gè)特征并使用SVM 作為分類器進(jìn)行有監(jiān)督的分類識(shí)別。使用澳洲細(xì)羊毛和山羊絨作為樣本進(jìn)行試驗(yàn),識(shí)別率超過90%。

朱俊平[17]獲取樣本中山羊絨和羊毛纖維的光學(xué)顯微鏡圖像,使用圖像處理和計(jì)算機(jī)視覺技術(shù)提取圖像特征,使用這些特征描述纖維圖像。選用SVM 作為分類器,提取的特征作為分類器輸入,對(duì)圖像進(jìn)行分類,從而達(dá)到纖維鑒別的目的。Lu等[18]采用光學(xué)顯微鏡采集圖像,對(duì)圖片進(jìn)行預(yù)處理以增強(qiáng)特征提取局部特征并生成視覺單詞,再依據(jù)視覺單詞對(duì)纖維圖像進(jìn)行分類,采用SVM 作為分類器,得到識(shí)別結(jié)果。利用掃描電鏡對(duì)羊毛和山羊絨纖維進(jìn)行了圖像分析,提取了快速魯棒的光纖圖像特征,并將每幅光纖圖像視為特征向量的集合。將向量輸入SVM 進(jìn)行有監(jiān)督學(xué)習(xí)。掃描電鏡圖像的結(jié)果表明,該方法是有效的,對(duì)2種纖維的大范圍混合比例,識(shí)別率都在93%以上[19]。柴新玉[20]利用電子顯微鏡采集圖像,用圖像處理技術(shù)對(duì)圖片進(jìn)行預(yù)處理,之后進(jìn)行特征的提取,再將大量SURF特征聚類并轉(zhuǎn)化為直方圖向量的形式,最后使用SVM進(jìn)行分類鑒別。陶偉森等[21]采用螺旋相位相襯顯微鏡采集并突出羊毛與山羊絨纖維表面紋理特征,利用圖像處理技術(shù)對(duì)交叉纖維的處理分割單根纖維,提取纖維形態(tài)特征和紋理特征,結(jié)合SVM 分類鑒別羊毛與山羊絨纖維,正確率達(dá)到93.1%。

2 貝葉斯法

貝葉斯分類是一類分類算法的總稱,這類算法均以貝葉斯定理為基礎(chǔ),故統(tǒng)稱為貝葉斯分類,該算法能運(yùn)用到大型數(shù)據(jù)庫中,而且方法簡(jiǎn)單、分類準(zhǔn)確率高、速度快。

石先軍等[22]根據(jù)羊毛和山羊絨纖維的形態(tài)結(jié)構(gòu)差異,利用顯微成像系統(tǒng)獲取山羊絨及細(xì)羊毛的顯微圖像,采用圖像技術(shù)提取2類纖維的4個(gè)特征參數(shù):細(xì)度、鱗片高度或密度、鱗片邊界周長(zhǎng)和鱗片顯示面積作為比對(duì)指標(biāo)。在樣本數(shù)據(jù)庫上基于4個(gè)比對(duì)指標(biāo)的統(tǒng)計(jì)假設(shè)建立辨識(shí)細(xì)羊毛與山羊絨纖維的貝葉斯分類模型。該模型對(duì)山羊絨纖維的鑒別準(zhǔn)確率達(dá)83%,對(duì)細(xì)羊毛纖維則達(dá)90%。Shang等[23]利用圖像處理方法得到最終二值圖像的基礎(chǔ)上提取了纖維直徑、尺度高度、尺度投影寬度等6個(gè)特征,并利用貝葉斯模型對(duì)纖維圖像進(jìn)行分類和識(shí)別。山羊絨和羊毛的識(shí)別效果最好,識(shí)別率高達(dá)99%;對(duì)山羊絨和拉伸羊毛的識(shí)別結(jié)果,識(shí)別率高達(dá)81.06%。

謝瑾仁等[24]利用數(shù)字顯微成像系統(tǒng)在不同照明方式下采集的圖像質(zhì)量存在差別,通過圖像處理和特征提取表征山羊絨和羊毛纖維的5個(gè)參數(shù)指標(biāo)特征參數(shù):直徑、鱗片高度、鱗片周長(zhǎng)、鱗片面積、徑高比。對(duì)各參數(shù)的相關(guān)系數(shù)分析,構(gòu)建識(shí)別山羊絨和羊毛纖維的貝葉斯分類模型。Xing等[25]利用自行研制的光學(xué)顯微鏡和數(shù)碼相機(jī)系統(tǒng)采集原始光纖圖像,使用圖像處理技術(shù)處理圖片提取鱗片高度、纖維直徑及其比例等3種形態(tài)特征并進(jìn)行分析,在對(duì)3種形態(tài)特征進(jìn)行統(tǒng)計(jì)假設(shè)的基礎(chǔ)上,建立了識(shí)別羊毛和山羊絨纖維的貝葉斯分類模型,該方法的識(shí)別精度可達(dá)94.2%。

3 決策樹法

決策樹是數(shù)據(jù)挖掘中一種簡(jiǎn)單、經(jīng)典且廣泛應(yīng)用的分類技術(shù)。它是使用樹結(jié)構(gòu)算法對(duì)數(shù)據(jù)進(jìn)行分類預(yù)測(cè)的方法。山羊絨與羊毛纖維的識(shí)別是利用單根纖維上的多元指標(biāo)作為分類研究的特征屬性來判斷所測(cè)試樣。

蔣高平等[26]先通過光學(xué)顯微鏡獲得羊毛與山羊絨的圖像,然后經(jīng)過圖像處理得到羊毛與山羊絨的表面信息,獲得羊毛與山羊絨表面所對(duì)應(yīng)的譜線并對(duì)其進(jìn)行分割和特征提取,對(duì)其單元寬度值、單元峰值及離散系數(shù)等參數(shù)分析并確定判別界限,利用決策樹方法對(duì)其進(jìn)行鑒別。季益萍等[27]提出采用圖像處理技術(shù)提取單根纖維上的多個(gè)指標(biāo)(細(xì)度、鱗片高度和徑高比)作為分類研究的特征屬性,利用4種不同的決策樹算法對(duì)羊毛和山羊絨纖維之間進(jìn)行分類和識(shí)別,試驗(yàn)發(fā)現(xiàn)每種算法的平均相對(duì)誤差都小于6%,且C5.0算法比其他算法更為精準(zhǔn)和穩(wěn)定。

4 人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)是微觀結(jié)構(gòu)與功能上對(duì)人腦神經(jīng)系統(tǒng)模擬而建起來的一類模型,其數(shù)學(xué)理論的本質(zhì)是非線性的。它處理和解決問題時(shí),不需要精確的數(shù)學(xué)模型,而是通過自學(xué)習(xí)能力和結(jié)構(gòu)的可變性,逐步適應(yīng)外部環(huán)境各因素的作用,不斷修改自身行為,以達(dá)到最終解決問題的目的。

Zhang等[28]從纖維表面提取紋理特征,對(duì)羊毛/山羊絨纖維進(jìn)行分類。然后構(gòu)造了一個(gè)人工神經(jīng)網(wǎng)絡(luò)對(duì)這2種纖維進(jìn)行分類。Yuan等[29]將CCD 數(shù)碼相機(jī)采集的顯微圖像作為紋理圖像進(jìn)行預(yù)處理,利用改進(jìn)的Tamura紋理特征對(duì)最終的紋理圖像進(jìn)行分析得到的6個(gè)紋理特征參數(shù)。通過大量的樣本,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)學(xué)建模,并用該模型自動(dòng)進(jìn)行識(shí)別。邢文宇等[30]通過光學(xué)顯微鏡及數(shù)碼相機(jī)進(jìn)行圖像采集,利用灰度共生矩陣算法與水平集中軸線算法相結(jié)合的方法提取纖維的紋理(能量、熵、慣性矩、相關(guān))與形態(tài)(直徑)特征,最后將紋理及形態(tài)特征參數(shù)融合成多維數(shù)組并通過K 均值算法進(jìn)行聚類識(shí)別,該算法平均識(shí)別率可達(dá)到95.25%。

5 其他方法

石先軍等[31]用偏光顯微鏡和海鷗CDD 獲取圖像,用測(cè)量軟件進(jìn)行圖像處理并提取鱗片紋圖參數(shù)。山羊絨鱗片紋圖基因碼的數(shù)字特征表明其鱗片更似方形或窄矩形,而細(xì)羊毛的則更似寬矩形。2類纖維其他紋圖基因碼部分重疊,據(jù)此可建立具有最小識(shí)別誤差的纖維辨識(shí)標(biāo)準(zhǔn),獲得了山羊絨纖維最大識(shí)別概率為88.8%,羊毛最大識(shí)別概率為92%。

李桂萍等[32]利用圖像處理技術(shù)把光學(xué)顯微鏡圖片轉(zhuǎn)化為紋理灰度圖像繼而投影為譜線圖。通過分析羊毛和山羊絨譜線圖并在其上提取6項(xiàng)參數(shù)指標(biāo),分析6個(gè)特征參數(shù)的特征值概率分布圖以及相關(guān)性,用橫向平均值和縱向離散度特征建立識(shí)別函數(shù),識(shí)別山羊絨和羊毛的混合樣本。

王飛等[33]使用山羊絨與羊毛的光學(xué)顯微鏡圖像,借助計(jì)算機(jī)卷積網(wǎng)絡(luò)技術(shù)中的特征提取及特征描述方法,將纖維鑒別問題轉(zhuǎn)化為圖像分類問題。通過改進(jìn)采用低維度的CW-Net提取纖維圖像表面特征,采用sigmoid分類器分類圖像鑒別山羊絨與羊毛,得到的最優(yōu)準(zhǔn)確率達(dá)92.1%。

6 結(jié)語

目前利用數(shù)字圖像處理和計(jì)算機(jī)視覺結(jié)合不同的識(shí)別分類器(支持向量機(jī)、貝葉斯模型、決策樹和人工神經(jīng)網(wǎng)絡(luò)等)對(duì)羊毛/山羊絨纖維鑒別進(jìn)行了大量的研究,并取得了一定的研究成果,但仍然存在很多問題需要研究者去解決,例如圖片的采集方式和質(zhì)量、圖像處理的方案、識(shí)別特征的提取、識(shí)別的分類器選擇和成本等。未來基于圖像處理的羊毛/山羊絨鑒別的可能主要是向著高效、高準(zhǔn)確率和低成本的方向發(fā)展,使其能夠快速應(yīng)用到人們的實(shí)際生活中,為人們的生活提供便利。