[发明专利]一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法

说明书

本发明公开了一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法，步骤包括：收集羊绒羊毛材料制成纤维样本，通过光学显微镜获得所有纤维样本表面的光学图像后，进行纤维图像提取并进行深浅区分，利用清晰的浅色纤维图像，对基于深度神经的分类网络进行纤维判别任务训练，利用不清晰的深色或带有花斑纤维图像，对基于注意力机制、分类损失函数、循环稳定损失函数的生成对抗网络进行风格转换任务训练，对于新的待测试羊绒羊毛材料，重复上述步骤，或将清晰的浅色纤维图像直接送入深度神经分类网络进行类型判别，或将不清晰的深色或带有花斑纤维图像经生成对抗网络风格转换后再送入深度神经分类网络进行类型判别，最后输出判别结果。

技术领域

本发明属于纺织行业检测分析领域，特别涉及一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法，用于分析特种动物纤维在不同工艺处理后的质量成分。

背景技术

现如今，羊绒羊毛纤维鉴别有多种检测技术和方法，如纤维光学影像识别法、DNA法、液质蛋白分析法等等。但截至目前，这些方法均因自身的缺陷无法得到广泛应用。因此，传统的光学显微镜法仍然是比较可靠、成熟、准确的鉴别方法。

传统的光学显微镜法是把一定量的毛绒纤维经开松后置于放大的显微镜下，通过人工观察如鳞片结构特征来进行逐根鉴别，劳动强度大，检测速度慢。而且有些羊绒羊毛由于存在染色的原因，这使得光学显微镜纤维图像更加难以区分。为此就需要根据纤维图像的特点进行不一样的处理，如深色样本在光学显微镜下无法显示纤维的鳞片结构及其相关特征，目前常用的方法为进行褪色处理；例如类紫绒样本在纤维图像存在花斑而导致纤维鳞片或相关特征不明显，目前常用的方法为进行脱色处理。但是通常来说，脱色或褪色时间越长，尽管纤维的颜色或者斑点可以得到去除，但是无法避免地对鳞片等特征造成损伤，最终同样会导致鉴别结果的不准确。

另外，随着检测新技术的不断涌现，基于深度学习等人工智能技术的自动分类方法在毛绒纤维鉴别上有所突破。为了保证羊绒羊毛鉴别任务的准确性和稳定性，这些基于机器学习的自动鉴别技术往往需要大量的标记数据。在实际应用中，根据纺织的流程区分，需要鉴别的羊绒羊毛分为绒毛纤维原料，纱线，机织等工艺形态；此外，根据不同客户的需求，羊绒羊毛有时也会染成不同的颜色。尽管基于深度神经分类网络的方法在许多任务中有卓越的成果，但这些网络往往需要大量的数据才能避免过度拟合。遗憾的是，在纺织行业，由于羊绒羊毛产地的多样化及成品需求的个性化，企业无法短时间收集足够的样本来训练一个泛化能力足够好的模型应对市场的需求。

针对以上显著问题，目前的主流解决方案是根据已有收集到的数据训练出一个模型，在模型实际使用的过程中，鉴别出模型无法识别的绒毛类型后进行该类数据的收集，然后根据扩大训练数据集对模型进行重新训练，如此重复直到模型的表现达到稳定。但是，该种方式耗时耗力，因此衍生出对利用有限数据人工地产生出等价数据的技术需求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法，以实现扩展训练集或者将模型未曾见过的数据风格转换成已有的数据类型的风格，并实现在原有分类模型下进行分类识别。

一种基于生成对抗网络的羊绒羊毛光学显微镜图像识别方法，包括以下步骤：

步骤S1、收集大量的羊绒羊毛材料并制成纤维样本；

制作纤维样本的具体方法为：收集大量包括但不仅限于由精梳、纱线、针织、机织等不同工艺过程制得的羊绒羊毛材料，所述羊绒羊毛材料中必须同时包含经过特殊处理的羊绒羊毛材料，且所述的经过特殊处理的羊绒羊毛材料包括但不仅限于深颜色、有髓或者有斑点(如紫绒)的羊绒羊毛材料，然后在所有羊绒羊毛材料的任意位置分别取一束纤维并进行裁剪后放到载玻片，最后滴入石蜡溶液盖上盖玻片，制成纤维样本；

步骤S2、通过光学显微镜对各个纤维样本进行成像，获得所有纤维样本表面的光学图像；

步骤S3、基于深度神经分类网络，对可看清鳞片信息的浅色纤维图像纤维进行类别判别任务训练；