1.本发明涉及纤维分类领域，特别是涉及基于多神经网络协同的纤维分类方法、存储介质和装置。
背景技术：2.纺织品面料所含纤维种类以及所占百分比从根本上影响织物的各方面性能，是影响织物质量、档次和价格的重要因素。多年来，纤维成分含量检测主要采用化学法和物理法两类方法。其中化学法是利用纤维在化学试剂中溶解性能的差别进行定量，其测试过程需要用大量的化学试剂，需要配备专业的化学实验室，对人员操作技术要求严格，且由于需要大量使用强酸强碱等化学试剂，对检验人员的身体健康有危害，且产生废液对环境保护不利。物理法则是根据纤维在显微镜下形态的区别分类进行人工测量计算而定量分析，其效率相对较低，且其准确度在一定程度上依靠操作人员的操作技术水平和经验。与传统的化学法和物理法相比，人工智能识别法在检测效率提升显著。使检测人员从繁重的重复性劳动中解脱出来，检测不受人员状态、经验和技术水平等人为因素影响。人工智能识别法不使用强酸强碱化学试剂，更符合环保和职业健康要求。
3.现今的多数人工智能识别法均是在物理法的基础上进行开发的，由于成像方法、纤维本身形态特点、技术解决方案相对不成熟等因素，一些种类的纤维分类及定量分析不够准确。
技术实现要素：4.基于此，为了克服传统纤维分类方法的输出结果不够准确的问题，提供一种基于多神经网络协同的纤维分类方法。
5.一种基于多神经网络协同的纤维分类方法，包括：
6.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，
7.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s260，
8.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，
9.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，
10.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，
11.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，
12.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，
13.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，
14.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，
15.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。
16.本技术的上述方法通过单纤维多层图像特征提取及轮廓细节分割过程得到单根纤维的多个分段，并将所有分段输入到纤维图像分类神经网络模型中进行分类计算，并得到各分段在所有类目中的可能性。重复上述步骤，直至完成样品全部被测区域的纤维检测并汇总检测结果。本技术还判断各个临近扫描区域间的纤维是否为同一根纤维，将同一根纤维的聚类结果聚集在一起。最后通过关联纤维权重评估表决神经网络模型对多品类多工艺处理的羊毛羊绒分类结果进行表决，获得最终的输出结果，这样获得的结果较为准确。
17.在其中一个实施例中，所述步骤s400中的聚类为二分类的聚类。
18.在其中一个实施例中，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：
19.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，
20.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，
21.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，
22.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。
23.在其中一个实施例中，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。
24.在其中一个实施例中，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。
25.在其中一个实施例中，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：
26.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，
27.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，
28.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。
29.在其中一个实施例中，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：
30.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。
31.在其中一个实施例中，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：
[0032][0033]
其中，ρ(x，t|ω)是给定模型描述数据的可能性；ρ(ω)是参数ω的先验分布； x和t是输入和输出数据；ρ(ω|x，t))是后验分布，即考虑数据x后参数ω的概率分布；ρ(x，t)是一个归一化因子，其确保后验分布的积分为1；
[0034]
对于ρ(x，t|ω)，采用基于一个cost function的似然性高斯分布，写为cost function
[0035]
其中，n是数据量，网络函数f(xi，ω)取决于输入数据xi和模型参数ω，这里使用前馈神经网络模型定义网络函数f(x，ω)，即：
[0036]
其中，h是隐藏层的神经元个数，i表示输入变量的数量，a是输出层的偏差， bj是输出层的权重，tanh为激活函数，cj是隐藏层的偏差，d
ji
是隐藏层的权重。
[0037]
一种计算机存储介质，所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行所述的基于多神经网络协同的纤维分类方法对应的操作。
[0038]
一种计算机装置，包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行所述的基于多神经网络协同的纤维分类方法对应的操作。
附图说明
[0039]
图1为本技术的实施例的基于多神经网络协同的纤维分类方法的流程图。
[0040]
图2为本技术的实施例的各个边缘纤维的平面位置信息获取方式的示意图。
[0041]
图3为本技术的实施例的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的示意图。
[0042]
图4为本技术的实施例的单根纤维多层图像特征提取及轮廓细节分割流程图。也
v3,efficientnet v2,resnet等类型的神经网络模型。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。也就是将可能是同一根纤维的各个边缘纤维进行聚类。
[0059]
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。该输出结果包括分类结果和计数结果等。
[0060]
在其中一个实施例中，所述步骤s400中的聚类为二分类的聚类。例如，如图6所示，多分类标签包括：1、羊绒、原纱、中国、未染色，2、羊毛、原纱、澳大利亚、褪色，3、羊毛、针织、中国、脱色等。二分类的聚类的标签为羊绒和羊毛。可以理解，也可以根据实际需求，进行三分类或其他数量分类的聚类。
[0061]
在其中一个实施例中，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：
[0062]
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。例如，某个纤维的掩膜图案的最小外接正四边形的位置坐标落在拍摄区域的图像边缘区域的位置坐标的范围内，则可判断该纤维为边缘纤维。上述边缘纤维的边缘方向为上、下、左、右等方向。也就是该边缘纤维是在图像上的上方，下方，左方还是右方。
[0063]
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轴在逆时针方向上或顺时针方向上的夹角angle。
[0064]
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，这一部分图像也就是部分掩膜图案，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，两个端点坐标可以反应出映射边界范围，如图2所示。如果截取的一部分图像是在原图像的左侧或右侧截取的，则两个端点坐标为上下两个端点坐标，如果截取的一部分图像是在原图像的上侧或下侧截取的，则两个端点坐标为左右两个端点坐标。
[0065]
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。
[0066]
在其中一个实施例中，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。
[0067]
在其中一个实施例中，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。
[0068]
在其中一个实施例中，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：
[0069]
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，例如，第一拍摄区域和第二拍摄区域是左右相邻的区域，它们的编号也相应的相邻，第一个纤维在第一拍摄区域的右边，第二个纤维在第二拍摄区域的左边，则这两个边缘纤维可以分到潜在关联性集合中。
[0070]
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。例如图3所示，两个边缘纤维的映射边界范围部分重合，阈值范围设定为30％，如重合度大于等于30％，就认为存在关联关系。
[0071]
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，记录这两个边缘纤维的id编号。这样可使匹配的结果的准确性更高。
[0072]
在其中一个实施例中，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：
[0073]
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。其中，根据交集关系进行聚类也就是如果两个匹配结果有交集，则可合并，合并后的匹配结果如果与其它匹配结果还有交集，则可以再次合并。
[0074]
具体的，设存在一组列表数据集合w，该列表数据集合w中存在n个匹配结果，每个匹配结果对应两个匹配的边缘纤维，这样，子列表数为n，即 w＝{a1，a2，a3，...an}。然后按照下述步骤进行操作。
[0075]
1.定义一个空字典a，并向字典a中按列表数据集合w的顺序插入第一个具有关联性的两根边缘纤维的id子列表a1。
[0076]
2.对字典a进行拷贝，记作字典a_copy。
[0077]
3.按列表数据集合w顺序，从第二个子列表a2开始检索，依次为a2，a3，...an。
[0078]
4.若检索至步骤3中的某个子列表am和字典a中的已存在的子列表ai存在交集，则更新字典a_copy中存在的相同子列表ai为am和ai的并集，同时记录ai在字典a_copy中的键名。
[0079]
5.完成步骤4中am和字典a中的已存在的所有的子列表的对比：
[0080]
a.若所记录的键的数量为0，即在字典a中不存在与am有交集的子列表，则向字典a_copy插入一个新的键，其对应的值为am；
[0081]
b.若所记录的键的数量为1，即在字典a中存在一个与am有交集的子列表；
[0082]
c.若所记录的键的数量大于1，即在字典a中存在多个与m有交集的子列表，则取am与这几个子列表的并集m_multi，将记录中的一个键在字典a_copy中所对应的键值替换为m_multi，并删除其他记录的键在字典a_copy中的键和键值。
[0083]
将字典a_copy更新为字典a，继续步骤3的检索直至遍历完w的所有子列表。
[0084]
举例1：边缘纤维a与边缘纤维b检测为同根纤维的不同部分，边缘纤维b 与边缘纤维c检测为同根纤维的不同部分，即可判断a、b、c为同根纤维不同部分。
[0085]
举例2：边缘纤维a与边缘纤维b检测为同根纤维的不同部分，边缘纤维c 与边缘纤维d检测为同根纤维的不同部分，边缘纤维a与边缘纤维d检测为同根纤维的不同部分，即可判断a、b、c、d为同根纤维的不同部分。
[0086]
在其中一个实施例中，如图7所示，本技术的关联纤维权重评估表决神经网络是在
最基础的朴素贝叶斯分类器基础上，基于现有的bann网络(bayesian artificial neural network)，对其进行了多层的实现。本技术引入了隐藏的中间单元层，并将其分为多个单层网络，所有的单层网络都表示输入层中不同单元组合的 activation。具体的，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：
[0087][0088]
其中，ρ(x，t|ω)是给定模型描述数据的可能性；ρ(ω)是参数ω的先验分布； x和t是输入和输出数据；ρ(ω|x，t)是后验分布，即考虑数据x后参数ω的概率分布；ρ(x，t)是一个归一化因子，其确保后验分布的积分为1；
[0089]
对于ρ(x，t|ω)，采用基于一个cost function的似然性高斯分布，写为cost function
[0090]
其中，n是数据量，网络函数f(xi，ω)取决于输入数据xi和模型参数ω，这里使用前馈神经网络模型定义网络函数f(x，ω)，即：
[0091]
其中，h是隐藏层的神经元个数，i表示输入变量的数量，a是输出层的偏差， bj是输出层的权重，tanh为激活函数，cj是隐藏层的偏差，d
ji
是隐藏层的权重。
[0092]
用符号描述一个多层前馈神经网络：
[0093]
l：神经网络层数。
[0094]
l：第l层。
[0095]
tanh
(l)
()：第l层神经元激活函数。
[0096]
l-1层到l层的权重矩阵。
[0097]
l-1层到l层的偏置。
[0098]
l层神经元的输入。
[0099]
l层神经元的输出。o
(l)
＝tanh
(l)
(d
(l)o(l-1)
+c
(l)
)。
[0100]
这个前馈神经网络传播过程为：
[0101]
x＝o
(0)
→z(1)
→o(1)
→z(2)
→
...
→o(l-1)
→z(l)
→o(l)
＝y。
[0102]
与现有的常用的神经网络相比，本技术的上述实施例的关联纤维权重评估表决神经网络的计算速度更快，准确率更高。而且，由于不同纤维的长度不同，一根纤维分割后形成的多段纤维组成的数据长度也不同，本技术的上述实施例的关联纤维权重评估表决神经网络更适合这类数据的处理。
[0103]
可以理解，本技术的关联纤维权重评估表决神经网络也可以应用现有的其他类型的神经网络，例如lstm，gru，rnn等。
[0104]
通过以上分析可知，本技术提出了一项基于多神经网络协同的纤维分类与成分定量分析的解决方案。分析速度快，准确性高，适用于基于投影显微镜法不同种类的纤维分类与成分定量分析。
[0105]
本技术提出了一种相邻拍摄区域的边缘纤维的关联性匹配方法，解决了同根纤维可能会出现在相邻的不同拍摄区域的图像中，而导致纤维成分定量分析过程出现遗漏或重
复计数的问题。同时解决了横跨多个拍摄区域的纤维计数不准确的难题。提升了计量根数的准确性和分类表决的数据完整性。
[0106]
本技术提出了一种基于贝叶斯神经网络的纤维多分类权重后处理算法，利用标签间的类别关联性，将计算机视觉领域的深度学习多标签图像分类结果通过权重评估表决为目标分类结果。该后处理算法通过多标签的方案增强模型泛化性，再通过基于贝叶斯后反馈策略的神经网络模型使分类评估的准确性和鲁棒性得到提升，适用于多品类多处理工艺的羊毛羊绒等纤维进行大类别再分类及定量评估。
[0107]
本技术的实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行所述的基于多神经网络协同的纤维分类方法对应的操作。
[0108]
本技术的实施例还提供了一种计算机装置，包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行所述的基于多神经网络协同的纤维分类方法对应的操作。
[0109]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0110]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
技术特征：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s260，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
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。
9.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行如权利要求1至8中任意一项所述的基于多神经网络协同的纤维分类方法对应的操作。10.一种计算机装置，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行如权利要求1至8中任意一项所述的基于多神经网络协同的纤维分类方法对应的操作。
技术总结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。计算速度快且准确率高。计算速度快且准确率高。
技术研发人员：杨默 樊宇 陈皓 张超 胡颖超
受保护的技术使用者：兰波（苏州）智能科技有限公司
技术研发日：2022.06.22
技术公布日：2022/11/1
