【技术实现步骤摘要】
本专利技术涉及纺织品的，具体而言，涉及一种纺织品的纤维成分的识别方法、装置、存储介质和处理器。
技术介绍
1、目前，针对纺织品的纤维成分的识别，通常是基于近红外光谱对纺织品的纤维成分进行识别，但是该方法存在数据信息量不足以及特征多样性差的问题，从而导致对纺织品的纤维成分进行识别的准确性低的技术问题。
2、针对纺织品的纤维成分进行识别的准确性低的技术问题，目前尚未提出有效的解决方案。
技术实现思路
1、本专利技术实施例提供了一种纺织品的纤维成分的识别方法、装置、存储介质和处理器，以至少解决对纺织品的纤维成分进行识别的准确性低的技术问题。
2、根据本专利技术实施例的一个方面，提供了一种纺织品的纤维成分的识别方法，该方法可以包括：采集纺织品的显微图像数据和近红外光谱数据；分别提取显微图像数据的图像特征，以及近红外光谱数据的信号特征；融合图像特征和信号特征，得到融合特征；对融合特征进行识别，得到纺织品的纤维成分。
3、可选地，提取显微图像数据的图像特征，包括：通过自注意力机制模型将显微图像数据划分为多个图像块，且将多个图像块转换为第一元素序列；通过自注意力机制模型对第一元素序列进行处理，得到图像特征。
4、可选地，采集纺织品的显微图像数据和近红外光谱数据，包括：通过高倍显微相机采集纺织物的图像数据，且对图像数据进行截取，得到显微图像数据；按照预设波段对纺织品进行采样，得到采样结果；基于采样结果，得到红外光谱数据。
5、可选地，基于
6、可选地，融合图像特征和信号特征，得到融合特征，包括：将信号特征转换为与图像特征维度相同的第二元素序列；对第一元素序列和第二元素序列进行融合，得到融合特征，其中，第一元素序列用于组成图像特征。
7、可选地，对第一元素序列和第二元素序列进行融合，得到融合特征，其中，第一元素序列用于组成图像特征，包括：通过自注意力机制模型对第一元素序列和第二元素序列进行融合，得到融合特征。
8、可选地，对融合特征进行识别，得到纺织品的纤维成分，包括：通过识别模型对融合特征进行识别，得到纤维成分，其中，识别模型为通过历史显微图像数据和历史近红外光谱数据训练得到。
9、可选地，基于历史显微图像和历史近红外光谱数据对子识别模型的模型参数进行调整，得到识别模型。
10、可选地，基于历史显微图像和历史近红外光谱数据对子识别模型的模型参数进行调整，得到识别模型，包括：获取子自注意力机制模型对历史显微图像数据进行处理，得到的历史图像特征，和/或获取子卷积神经网络模型对历史近红外光谱数据进行处理，得到的历史信号特征；确定第一调整系数和第二调整系数，其中，第一调整系数与子自注意力机制模型和子卷积神经网络模型数据处理的准确性相关联，第二调整系数用于控制子卷积神经网络模型子自注意力机制模型和子卷积神经网络模型的拟合程度；基于第一损失函数、第一调整系数、第二调整系数和历史图像特征对子自注意力机制模型的模型参数进行调整，和/或基于第二损失函数、第一调整系数、第二调整系数和历史信号特征对子卷积神经网络模型的模型参数进行调整，其中，第一损失函数和第二损失函数为相同类型的函数；融合历史图像特征和历史信号特征，得到历史融合特征；通过子识别模型对历史融合特征进行识别，得到历史纤维成分；基于第二调整系数和历史纤维成分对子识别模型进行调整，得到识别模型。
11、可选地，基于第一损失函数、第一调整系数、第二调整系数和历史图像特征对子自注意力机制模型的模型参数进行调整，包括：将第一损失函数、第一调整系数、第二调整系数三者之间的乘积，确定为第一目标损失函数；通过第一目标损失函数确定待更新模型参数；将子自注意力机制模型的模型参数替换为待更新模型参数。
12、可选地，该方法还可以包括：获取子自注意力机制模型对历史显微图像数据进行处理，得到的历史图像特征，和/或获取子卷积神经网络模型对近红外光谱数据进行处理，得到的历史信号特征；确定第一调整系数和第二调整系数，其中，第一调整系数与子自注意力机制模型和子卷积神经网络模型数据处理的准确性相关联，第二调整系数用于控制子卷积神经网络模型子自注意力机制模型和子卷积神经网络模型的拟合程度；基于第一损失函数、第一调整系数、第二调整系数和历史图像特征对自注意力机制模型的模型参数进行调整，和/或基于第二损失函数、第一调整系数、第二调整系数和历史信号特征对卷积神经网络模型的模型参数进行调整；融合历史图像特征和历史信号特征，得到历史融合特征；通过子识别模型对历史融合特征进行识别，得到历史纤维成分；基于第二调整系数和历史纤维成分对子识别模型进行调整，得到识别模型。
13、根据本专利技术实施例的另一方面，还提供了一种纺织品的纤维成分的识别装置，该装置还可以包括：采集单元，用于采集纺织品的显微图像数据和近红外光谱数据；提取单元，用于分别提取显微图像数据的图像特征，以及近红外光谱数据的信号特征；融合单元，用于融合图像特征和信号特征，得到融合特征；识别单元，用于对融合特征进行识别，得到纺织品的纤维成分。
14、根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制该计算机可读存储介质所在设备执行本专利技术实施例的纺织品的纤维成分的识别方法。
15、根据本专利技术实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序被该处理器运行时执行本专利技术实施例的纺织品的纤维成分的识别方法。
16、根据本专利技术实施例的另一方面，还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，其中，包括计算机指令被该处理器执行时实现本专利技术实施例的纺织品的纤维成分的识别方法。
17、在本专利技术实施例中，采集纺织品的显微图像数据和近红外光谱数据；分别提取显微图像数据的图像特征，以及近红外光谱数据的信号特征；融合图像特征和信号特征，得到融合特征；对融合特征进行识别，得到纺织品的纤维成分。也就是说，在本申请实施例中，获取纺织品的显微图像数据和近红外光谱数据，通过对显微图像数据的图像特征和近红外光谱数据的信号特征进行融合，得到融合特征，通过对融合特征进识别，以确定纺织品的纤维成分，从而解决了对纺织品的纤维成分进行识别的准确性低的技术问题，实现了提高对纺织品的纤维成分进行识别的准确性的技术效果。
本文档来自技高网...【技术保护点】
1.一种纺织品的纤维成分的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取所述显微图像数据的所述图像特征，包括：
3.根据权利要求1所述的方法，其特征在于，采集所述纺织品的所述显微图像数据和所述近红外光谱数据，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述采样结果，得到所述红外光谱数据，包括：
5.根据权利要求3所述的方法，其特征在于，融合所述图像特征和所述信号特征，得到所述融合特征，包括：
6.根据权利要求5所述的方法，其特征在于，对第一元素序列和所述第二元素序列进行融合，得到所述融合特征，其中，所述第一元素序列用于组成所述图像特征，包括：
7.根据权利要求1所述的方法，其特征在于，对所述融合特征进行识别，得到所述纺织品的所述纤维成分，包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的方法，其特征在于，基于所述历史显微图像和所述历史近红外光谱数据对所述子识别模型的所述模型参数进行调整，得到所述识别模型，
10.根据权利要求9所述的方法，其特征在于，基于所述第一损失函数、所述第一调整系数、所述第二调整系数和所述历史图像特征对所述子自注意力机制模型的模型参数进行调整，包括：
11.一种纤维成分的识别装置，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至10中任意一项所述的方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被所述处理器运行时执行权利要求1至10中任意一项所述的方法。
14.一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
...【技术特征摘要】
1.一种纺织品的纤维成分的识别方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，提取所述显微图像数据的所述图像特征，包括：
3.根据权利要求1所述的方法，其特征在于，采集所述纺织品的所述显微图像数据和所述近红外光谱数据，包括：
4.根据权利要求3所述的方法，其特征在于，基于所述采样结果，得到所述红外光谱数据，包括：
5.根据权利要求3所述的方法，其特征在于，融合所述图像特征和所述信号特征，得到所述融合特征，包括：
6.根据权利要求5所述的方法，其特征在于，对第一元素序列和所述第二元素序列进行融合，得到所述融合特征，其中，所述第一元素序列用于组成所述图像特征，包括：
7.根据权利要求1所述的方法，其特征在于，对所述融合特征进行识别，得到所述纺织品的所述纤维成分，包括：
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
9.根据...
【专利技术属性】
技术研发人员：李新海，罗其锋，练志斌，周恒，刘文韬，范德和，曾庆祝，吴棉廷，孟晨旭，曾令诚，肖星，黄伟豪，池莲庆，林永昌，刘磊，杨帆，温焯飞，罗海鑫，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。