(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210709196.6 (22)申请日 2022.06.22 (71)申请人 兰波 （苏州） 智能科技有限公司 地址 215000 江苏省苏州市高铁新城南天 成路58号3楼F0 05工位 （集群登记） (72)发明人 杨默　樊宇　陈皓　张超　胡颖超　 (74)专利代理 机构 苏州通途佳捷专利代理事务 所(普通合伙) 32367 专利代理师 翁德亿 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于多神经网络协同的纤维分类方法、 存储介质和装置 (57)摘要 本发明涉及一种基于多神经网络协同的纤 维分类方法、 存储介质和装置。 主要包括： S100、 获得待测试样的若干个相邻的拍摄区域的区域 纤维多层扫描图像集， S200、 对每个拍摄区域的 区域纤维多层扫描图像集进行预处理， S300、 基 于各个拍摄区域获得的各个分段纤维的分割图 像， 通过纤维图像分类神经网络模型进行分类， 获得多分类结果， 并对相邻的拍摄区域的各个边 缘纤维的平 面位置信息进行关联性匹配， 获得关 联性匹配结果， 并对关联性匹配结果进行聚类， 获得聚类结果， S400、 基于步骤S300获得的聚类 结果和多分类结果， 通过关联纤维权重评估表决 神经网络进行聚类， 并输出结果。 本申请的方法 计算速度快且准确率高。 权利要求书3页 说明书8页 附图4页 CN 115272837 A 2022.11.01 CN 115272837 A 1.一种基于多神经网络协同的纤维分类方法， 其特 征在于， 包括： S100、 获得待测试样的若干个相邻的拍摄区域的区域纤维多层扫描图像集， S200、 对每个拍摄区域的区域纤维多层扫描图像集进行预处理， 所述预处理包括步骤 S210至步骤S26 0， S210、 基于拍摄区域对应的区域纤维多层扫描图像集， 获取区域纹理最优的一层扫描 图像， S220、 基于区域纹理最优的一层扫描图像， 通过纤维图像分割神经网络模型获得各个 单根纤维的掩膜图， S230、 基于各个单根纤维的掩膜图以及对应拍摄区域的边缘位置坐标， 获得该拍摄区 域的各个边 缘纤维的平面 位置信息， S240、 基于每根纤维的掩膜图， 在对应的区域纤维多层扫描图像集上获得每根纤维的 多层扫描图像集， S250、 将每根纤维的掩膜图和对应的每根纤维的多层扫描图像集划分为多个等尺寸分 段， 获得分段掩膜图和对应的分段多层扫描图像集， 基于 分段多层扫描图像集， 获得分段 纹 理最优的一层扫描图像， S260、 基于分段纹理最优的一层扫描图和对应的分段掩膜图， 获得分段纤维的分割图 像， S300、 基于各个拍摄区域获得的各个分段纤维的分割图像， 通过纤维图像分类神经网 络模型进行分类， 获得多分类结果， 并对相邻的拍摄区域的各个边缘纤维的平面位置信息 进行关联性匹配， 获得关联性匹配结果， 并对关联性匹配结果进行聚类， 获得聚类结果， S400、 基于步骤S300获得的聚类结果和多分类结果， 通过关联纤维权重评估表决神经 网络进行聚类， 并输出 结果。 2.根据权利要求1所述的基于多神经网络协同的纤维分类方法， 其特征在于， 所述步骤 S400中的聚类为 二分类的聚类。 3.根据权利要求1所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤S230 中， 所述基于各个单根纤维的掩膜图以及对应拍摄区域的边缘位置坐标， 获得该拍摄区域 的各个边 缘纤维的平面 位置信息， 具体包括： 对拍摄区域中的每一根纤维的掩膜图， 将掩膜图上的掩膜图案的最小外接正 四边形的 位置坐标与拍摄区域的图像边缘的位置坐标进行比对， 判断其是否为拍摄区域的边缘纤 维， 若是， 则记录该边 缘纤维所对应的边 缘方向， 获取边缘纤维的掩膜图上的掩膜图案的最小外 接正四边形的长边与x轴的夹角Angle， 截取边缘纤维的掩膜图上的掩膜图案在拍摄区域的图像边缘的一部分图像， 得到部分 掩膜图案， 计算该部分掩膜图案的外接正四边形在拍摄区域的图像边缘上的映射边界范 围， 记录映射 边界范围的两个端点 坐标， 对于每一根边缘纤维， 其平面位置信 息包括： 边缘纤维对应的拍摄区域的编号， 边缘纤 维ID编号， 边缘纤维对应的边缘方向， 边缘纤维的夹角Angle， 边缘纤维对应的映射边界范 围。 4.根据权利要求1所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤S210 中， 所述基于拍摄区域对应的区域纤维多层扫描图像集， 获取区域纹理最优的一层扫描图权　利　要　求　书 1/3 页 2 CN 115272837 A 2像， 具体为： 根据拉普拉斯算子的方差计算出区域纹理最优的一层扫描图像， 步骤S250中， 所述基于 分段多层扫描图像集， 获得分段 纹理最优的一层扫描图像， 具体包括： 根据拉普拉 斯算子的方差计算出分段纹 理最优的一层扫描图像。 5.根据权利要求1所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤 S260、 基于 分段纹理最优的一层扫描图和对应的分段掩膜图， 获得分段纤维的分割图像， 具 体包括： 利用GrabCut能量优化 算法获得分段纤维的分割图像。 6.根据权利要求3所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤S300 中， 所述对相邻的拍摄区域的各个边缘纤维的平面位置信息进行关联性匹配， 获得关联性 匹配结果， 具体包括： 根据边缘纤维的平面位置信 息中的拍摄区域的编号和对应的边缘方向， 将各个边缘纤 维分到对应的潜在关联性 集合， 对于每一个潜在 关联性集合中的各个边缘纤维， 对比各个边缘纤维对应的映射边界范 围的重合度， 若映射 边界范围的重合度符合指定的阈值范围， 则判断为存在关联关系， 对于存在关联关系的各个边缘纤维中， 将夹角Angle差的绝对值最小的两个边缘纤维 进行匹配。 7.根据权利要求6所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤S300 中， 所述对关联性匹配结果进行聚类， 获得聚类结果， 具体包括： 将具有匹配关系的两个边缘纤维作为一个匹配结果， 获取各个匹配结果之间的交集关 系， 根据交集关系进行聚类， 获得 各个聚类结果， 各个聚类结果之间没有交集。 8.根据权利要求1所述的基于多神经网络协同的纤维分类方法， 其特征在于， 步骤S400 中， 所述基于步骤S300获得的聚类结果和多分类结果， 通过关联纤维权重评估表决神经网 络进行聚类， 获得最终的分类结果， 具体用到以下公式： ， 其中,  是给定模型描述数据的可能性；   ) 是参数 的先验分布；    和   是输入和 输出数据；   是后验分布， 即考虑数据 后参数 的概率分布； 是一个归一化因 子， 其确保后验分布的积分为  1； 对于 ， 采用基于一个cost  function的似然性高斯分布， 写为 ， cost function  ， 其中， 是数据量， 网络函数 取决于输入数据 和模型参数 ， 这里使用前馈神 经网络模型定义网络函数 ， 即： ， 其中， 是隐藏层的神经元个数， 表示输入变量的数量,   是输出层的偏差,   是输出 层的权重, 为激活函数,   是隐藏层的偏差,   是隐藏层的权 重。权　利　要　求　书 2/3 页 3 CN 115272837 A 3