棉麻织物中的棉麻纤维含量对于纺织品的价格及性能影响较大,因此在生产和销售时需要对棉麻织物中的棉麻含量进行检测。目前纤维检验机构对于纤维识别主要是运用显微镜识别法,但人眼识别的效率低且受人的主观影响。将计算机图像处理技术与纺织纤维识别相结合,可以有效地提高识别精度,提高工作效率。本文是通过在显微镜下采集棉/亚麻纤维图像,对纤维图像进行预处理后,提取纤维的特征值,将特征值参数输入BP神经网络训练后,可以完成棉纤维与亚麻纤维的自动识别,并计算了样品棉亚麻混纺纱的混纺比。主要研究内容如下:(1).本文在纤维预处理阶段,对比了通过不同的算法进行预处理后的效果,最终选取了效果好效率高的预处理路线。本文制定了利用加权平均值法进行灰度处理,利用中值滤波进行去噪,进行纤维图像强化,利用改进的OTSU法进行二值化,对纤维图像进行偏斜矫正,最后利用改进的Canny算法、形态学运算和边缘扫描的组合方法进行外轮廓提取的预处理路线。通过该预处理路线提取出的棉/亚麻纤维的外轮廓图像,其纤维图像的外轮廓特征完整清晰,利于特征值的提取。(2).本文提取了棉/亚麻纤维图像的6个特征值,分别为:直径比、直径标准差、最大扭曲度、平均扭曲度、整体充满度、充满度标准差。通过特征值参数的对比分析,设定了自适应阈值,通过阈值的判定来自动识别棉/亚麻纤维种类。由于不同特征值参数之间的数值跨度较大,本文对所有特征值参数进行了归一化处理,使特征值参数的范围均在[0,1]之间,将归一化处理后的特征值参数进行后续计算时,可以有效提高运算速度。本文对6个特征值进行了相关性分析,通过计算后,6个特征值参数与输出的纤维种类之间的相关性系数均在0.9以上。计算结果表明,6个特征值均与纤维种类之间具有高度相关性。(3).本文设定了BP神经网络的参数,输入层为6种特征值参数,经过隐含层计算后,输出层结果为纤维种类。通过BP神经网络的训练后,棉纤维图像的识别正确率可达95.1%,亚麻纤维图像的识别正确率可达93.8%。实验结果表明,基于6特征值与BP神经网络的组合识别模式,可以有效地识别棉/亚麻纤维,其正确率较高,且识别速度较快。(4).通过棉/亚麻纤维自动检测系统,在直径特征值提取时,可以统计出每一根样本纤维的直径大小;在检测识别结束后,自动统计了棉纤维与亚麻纤维的根数。通过棉/亚麻纱线混纺比计算公式,代入数据后,可以计算出样品棉/亚麻混纺纱线的混纺比。本课题选用的棉/亚麻混纺纱线混纺比为70/30,经由棉/亚麻纤维自动检测系统计算后,样品纱线的混纺比为70.8/29.2,其误差为0.8%,符合纱线混纺比检测标准。