纺织纤维成分识别方法、电子设备及存储介质

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种纺织纤维成分识别方法、电子设备及存储介质。

背景技术

在服饰行业中，为了便于生产管理和产品分析，需要对纺织纤维成分进行科学的判别。

在服饰各种纤维中，棉和亚麻、苎麻等天然纤维用量占比较高。在棉和麻成分定量定性分析时，传统做法是将棉和麻天然纤维放置于玻片中，进行冲洗分散，然后在显微镜下使用人眼对玻片中的纤维进行统计分类，这种纤维成分分析方法耗时耗力；现有的纤维成分分析方法为基于电子显微镜，自动对焦拍摄玻片各个部分，然后使用实例分割得到每根纤维截图，再对每根纤维截图进行定量定性分析，该方法存在的问题是，在成衣棉麻纤维中常存在一定数量的化学纤维（如聚酯、腈纶、锦纶）等，直接对纤维进行纤维成分识别时，常会将化学纤维误识别成棉或者麻。再有，在电子显微镜下，单根纤维成像像素较大，棉麻纤维的纹理在整个单根纤维图中分布较小，导致对棉麻纤维定量定性分析的准确性较低。

发明内容

本申请实施例的目的在于提供一种纺织纤维成分识别方法、电子设备及存储介质，用以对纺织品中纤维成分的识别，以提高对纤维成分识别的准确性。

第一方面，本申请实施例提供一种纺织纤维成分识别方法，包括：获取待识别纤维图像；将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

本申请实施例中，利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练的过程中找到棉麻纤维和化学纤维可鉴别的特征。因此，利用训练好的纤维分类模型对获得的待识别纤维图像进行识别，有效提高了化学纤维和棉麻的分类准确率。

进一步地，所述根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别，包括：分别计算所述第一输出特征向量到所述化学纤维均值之间的第一距离和所述第一输出特征向量到所述棉麻纤维均值之间的第二距离；根据所述第一距离和所述第二距离确定所述待识别纤维图像的纤维类别。

本申请实施例中，化学纤维均值和棉麻纤维均值分类用于表征化学纤维的可鉴别特征和棉麻纤维的可鉴别特征，因此，通过计算第一输出特征向量分别到化学纤维均值和棉麻纤维均值的距离可以准确地获得待识别纤维图像的纤维类别。

进一步地，所述方法还包括：获取训练样本，其中，所述训练样本包括多张第一化学纤维图像和多张第一棉麻纤维图像；通过多次迭代如下训练步骤实现对待训练模型的训练，以获得训练好的纤维分类模型；其中，所述训练步骤包括：分别将第一预设数量的第一化学纤维图像和第一棉麻纤维图像输入待训练模型中，获得每一第一化学纤维图像对应的待训练模型的特征提取模块的第二输出特征向量，以及每一第一棉麻纤维图像对应的待训练模型的特征提取模块的第三输出特征向量；根据所述第二输出特征向量和所述第三输出特征向量获得三元组损失值和中心损失值；根据所述待训练模型最后一层的第四输出特征向量计算获得softmax损失值；根据所述softmax损失值、所述三元组损失值和所述中心损失值获得总损失值；利用所述总损失值对所述待训练模型中的参数进行优化。

本申请实施例通过利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练过程中找到棉麻纤维和化学纤维可鉴别的特征，从而获得有效提高化学纤维和棉麻纤维准确性的纤维分类模型。

进一步地，所述方法还包括：获取推理样本，所述推理样本包括第二预设数量的第二化学纤维图像和第二棉麻纤维图像；分别将所述第二化学纤维图像和所述第二棉麻纤维图像输入至训练好的纤维分类模型中，获得多张第二化学纤维图像分别对应的第五输出特征向量，以及多张第二棉麻纤维图像分别对应的第六输出特征向量；根据多张第二化学纤维图像分别对应的第五输出特征向量获得所述化学纤维均值；根据多张第二棉麻纤维图像分别对应的第六输出特征向量获得所述棉麻纤维均值。

本申请实施例利用训练好的纤维分类模型对推理样本进行分析，获得能够表征化学纤维特征的化学纤维均值和表征棉麻纤维特征的棉麻纤维均值，从而提高了对纺织品纤维成分识别的准确性。

进一步地，所述根据所述第二输出特征向量和所述第三输出特征向量获得三元组损失值，包括：从第一预设数量的第二输出特征向量中任意选取一个作为第一标定向量，其余的第二输出特征向量为第一正样本，所述第三输出特征向量作为第一负样本，根据所述第一标定向量、所述第一正样本和所述第一负样本获得化学纤维三元组损失值；从第一预设数量的第三输出特征向量中任意选取一个作为第二标定向量，其余的第三输出特征向量为第二正样本，所述第二输出特征向量作为第二负样本，根据所述第二标定向量、所述第二正样本和所述第二负样本获得棉麻纤维三元组损失值；从所述化学纤维三元组损失值和所述棉麻纤维三元组损失值中筛选出满足预设条件的作为目标三元组损失值；对所述目标三元组损失值求均值，获得所述三元组损失值。

本申请实施例通过利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练过程中找到棉麻纤维和化学纤维可鉴别的特征，从而获得有效提高化学纤维和棉麻纤维准确性的纤维分类模型。

进一步地，所述根据所述第二输出特征向量和所述第三输出特征向量获得中心损失值，包括：对第一预设数量的第二输出特征向量求均值，获得第一均值向量；对第一预设数量的第三输出特征向量求均值，获得第二均值向量；根据所述第一均值向量和所述第二均值向量计算获得所述中心损失值。

本申请实施例通过利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练过程中找到棉麻纤维和化学纤维可鉴别的特征，从而获得有效提高化学纤维和棉麻纤维准确性的纤维分类模型。

进一步地，所述特征提取模块包括多个特征提取子模块，相邻两个特征提取子模块之间设置有注意力机制模块，用以学习输入到每个特征提取子模块的待识别纤维图像中每个通道的相关性。

进一步地，所述获取待识别纤维图像，包括：获取多个焦距下的纤维图像；利用预设的模糊度分类模型确定清晰度最高的三张纤维图像；将所述三张纤维图像进行合并，获得所述待识别纤维图像。

本申请实施例通过将三张纤维图像进行合并获得三通道图像，相比较单张图像，三通道图像中每个像素点都有三个像素值，能够防止单张图像中某些像素值较低的问题，提高了待识别纤维图像的质量。

第二方面，本申请实施例提供一种纺织纤维成分识别装置，包括：图像获取模块，用于获取待识别纤维图像；特征提取模块，用于将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；识别模块，用于根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

第三方面，本申请实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法。

第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法。

本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种纺织纤维成分识别方法流程示意图；

图2为本申请实施例提供的一种纤维分类模型的训练方法流程示意图；

图3为本申请实施例提供的另一种模型训练方法流程示意图；

图4为本申请实施例提供的纺织纤维成分识别装置结构示意图；

图5为本申请实施例提供的电子设备实体结构示意图。

具体实施方式

在常见的纤维成分中，棉纤维呈现扁平带状、稍有天然的扭曲、有中腔；麻纤维有竹节状的横节和竖纹；化学纤维（聚酯、棉纶、腈纶等）表面较为光滑、成像呈圆柱状。判断纺织品中的棉麻和化学纤维的依据主要是根据纤维的纹理分布特征进行区别。由于电子显微镜下单根纤维成像的像素较大，其中棉麻纤维的纹理在整个纤维图像中占据的像素数较少，从而造成棉麻和化学纤维可鉴别的特征不明显。为了能够提高对纺织品纤维成分识别的准确性，本申请实施例提供一种纺织纤维成分识别方法，该方法采用纤维分类模型对待识别纤维图像进行识别分类，由于纤维分类模型是通过softmax损失函数、三元组损失函数和中心损失函数训练获得，该纤维分类模型能够找到棉麻纤维和化学纤维可鉴别的特征，从而能够提高纤维成分的准确性。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

图1为本申请实施例提供的一种纺织纤维成分识别方法流程示意图，如图1所示，可以理解的是，执行该方法的主体可以是电子设备，该电子设备可以是台式电脑、笔记本电脑、平板电脑、智能手机、智能可穿戴设备等。该方法包括：

步骤101：获取待识别纤维图像；

步骤102：将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；

步骤103：根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

在步骤101中，待识别纤维图像可以是通过电子显微镜对纺织品进行成像采集并发送给电子设备；也可以是通过带有电子显微镜的电子设备对纺织品进行采集获得。可以理解的是，待识别纤维图像中可以包含纺织品的一根纤维，也可以包含多根纤维。对于包含多根纤维的待识别纤维图像，为了便于纤维分类模型的处理，可以预先将其进行切分，获得包含单根纤维的图像。

在步骤102中，在获得待识别纤维图像后，将该待识别纤维图像输入到纤维分类模型中，纤维分类模型包括特征提取模块，该特征提取模块用于对输入的待识别纤维图像进行特征提取。由于本申请实施例提供的纤维分类模型是利用softmax损失函数、三元组损失函数和中心损失函数进行训练获得，因此，纤维分类模型通过特征提取模块可以提取到待识别纤维图像中的可鉴别特征，即第一输出特征向量。

在步骤103中，为获得化学纤维均值和棉麻纤维均值，获取一定数量的化学纤维图像和一定数量的棉麻纤维图像，构成推理样本。可以理解的是，化学纤维图像和棉麻纤维图像的数量可以相同，也可以不同，将化学纤维图像和棉麻纤维图像分别输入到纤维分类模型中，纤维分类模型对输入的化学纤维图像和棉麻纤维图像进行处理，获得特征提取模块输出的每个图像对应的特征向量，并将化学纤维图像对应的特征向量求平均获得化学纤维均值，以及将棉麻纤维图像对应的特征向量求平均获得棉麻纤维均值。

待识别纤维图像对应的第一输出特征向量距离哪个均值更近，则将待识别纤维图像确定为第一输出特征向量距离更近的均值所属的纤维类别。例如：分别计算第一输出特征向量到化学纤维均值之间的第一距离和第一输出特征向量到棉麻纤维均值之间的第二距离。如果第一距离小于和第二距离，说明第一输出特征向量距离化学纤维均值更近，则待识别纤维图像的纤维类别为化学纤维；如果第一距离大于第二距离，说明第一输出特征向量距离棉麻纤维均值更新，则待识别纤维图像的纤维类别为棉麻纤维。

可以理解的是，第一距离和第二距离可以指的是第一输出特征向量分别到对应的化学纤维均值和棉麻纤维均值之间的欧式距离，也可以是曼哈顿距离等，只要是能够表征第一输出特征向量到化学纤维均值和棉麻纤维均值的距离的算法均可以，本申请实施例对此不作具体限定。

本申请实施例中，利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练的过程中找到棉麻纤维和化学纤维可鉴别的特征。因此，利用训练好的纤维分类模型对获得的待识别纤维图像进行识别，有效提高了化学纤维和棉麻的分类准确率。

在上述实施例的基础上，本申请提供一种纤维分类模型的训练方法，如图2所示，包括：

步骤201：获取训练样本，其中，所述训练样本包括多张第一化学纤维图像和多张第一棉麻纤维图像；可以理解的是，一张第一化学纤维图像中包括一根或多根化学纤维，一张第一棉麻纤维图像中包括一根或多根棉麻纤维图像。

步骤202：特征提取；分别将第一预设数量的第一化学纤维图像和第一棉麻纤维图像输入待训练模型中，获得每一第一化学纤维图像对应的待训练模型的特征提取模块的第二输出特征向量，以及每一第一棉麻纤维图像对应的待训练模型的特征提取模块的第三输出特征向量；利用预设批量的训练样本对待训练模型进行训练。具体为：从多张第一化学纤维图像中获得第一预设数量的第一化学纤维图像，从多张第一棉麻纤维图像中获取第一预设数量的第一棉麻纤维图像进行一次模型训练。可以理解的是，第一预设数量小于第一化学纤维图像的总数，也小于第一棉麻纤维图像的总数。待训练模型对输入的每一张第一化学纤维图像和每一张第一棉麻纤维图像进行处理，其特征提取模块输出每一张第一化学纤维图像对应的第二输出特征向量和每一张第一棉麻纤维图像对应的第三输出特征向量。

步骤203：计算损失值；根据所述第二输出特征向量和所述第三输出特征向量获得三元组损失值和中心损失值；根据所述待训练模型最后一层的第四输出特征向量计算获得softmax损失值；

步骤204：计算总损失值；根据所述softmax损失值、所述三元组损失值和所述中心损失值获得总损失值；softmax损失值、三元组损失值和中心损失值的加权之和即为总损失值。

步骤205：优化参数；利用所述总损失值对所述待训练模型中的参数进行优化；

步骤206：判断优化后的模型是否满足预设要求，若满足则优化后的模型为训练好的纤维分类模型，停止训练；若不满足，则继续步骤202。

可以理解的是，预设要求可以是预先设定的迭代次数，还可以是纤维分类模型的总损失函数值小于预设阈值或损失函数值趋于稳定。所谓趋于稳定是指相邻两次迭代获得的总损失函数值之间的差值小于预先设定的一个值，例如，可以是小于0.1，也可以是小于0.2等。

另外，本申请实施例提供的纤维分类模型中的特征提取模块包括多个特征提取子模块，相邻两个特征提取子模块之前设置有注意力机制（Squeeze-and-Excitation，SE）模块，一个SE模块分为压缩（Squeeze）和激发（Excitation）步骤：压缩通过在特征向量上执行全局平均池化，得到当前特征向量的全局压缩特征量。激发通过两层全连接的bottleneck结构得到特征向量中每个通道的权值，并将加权后的特征向量作为下一层网络的输入。SE的出现是为了解决在卷积池化过程中feature map的不同通道所占的重要性不同带来的损失问题。在传统的卷积池化过程中，默认feature map的每个通道是同等重要的，而在实际的问题中，不同通道的重要性是有差异的。加入注意力机制模块后能够学习输入到每个特征提取子模块的待识别纤维图像每个通道的相关性。

本申请实施例通过利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练过程中找到棉麻纤维和化学纤维可鉴别的特征，从而获得有效提高化学纤维和棉麻纤维准确性的纤维分类模型。

在上述实施例的基础上，所述根据所述第二输出特征向量和所述第三输出特征向量获得三元组损失值，包括：

从第一预设数量的第二输出特征向量中任意选取一个作为第一标定向量，其余的第二输出特征向量为第一正样本，所述第三输出特征向量作为第一负样本，根据所述第一标定向量、所述第一正样本和所述第一负样本获得化学纤维三元组损失值；

从第一预设数量的第三输出特征向量中任意选取一个作为第二标定向量，其余的第三输出特征向量为第二正样本，所述第二输出特征向量作为第二负样本，根据所述第二标定向量、所述第二正样本和所述第二负样本获得棉麻纤维三元组损失值；

从所述化学纤维三元组损失值和所述棉麻纤维三元组损失值中筛选出满足预设条件的作为目标三元组损失值；

对所述目标三元组损失值求均值，获得所述三元组损失值。

在具体的实施过程中，假设第一预设数量为K，K为正整数。一次迭代后可以获得K个第一化学纤维图像分别对应的第二输出特征向量，和K个第一棉麻纤维图像分别对应的第三输出特征向量。

在计算三元组损失时，取出K个第一化学纤维图像中的任意一个对应的第二输出特征向量作为第一标定向量

其中，

可以理解的是，对于第一化学纤维图像来说，共有

取出K个第一棉麻纤维图像中的任意一个对应的第三输出特征向量作为第二标定向量

可以理解的是，对于第一棉麻纤维图像来说，共有

从

在选取了满足条件的目标三元组损失值后，对其进行求平均，获得三元组损失值。

在上述实施例的基础上，所述根据所述第二输出特征向量和所述第三输出特征向量获得中心损失值，包括：

对第一预设数量的第二输出特征向量求均值，获得第一均值向量；

对第一预设数量的第三输出特征向量求均值，获得第二均值向量；

根据所述第一均值向量和所述第二均值向量计算获得所述中心损失值。

在具体的实施过程中，第一预设数量仍以k为例，将k个第一化学纤维图像输入待训练模型中，待训练模型的特征提取模块输出每一个第一化学纤维图像对应的第二输出特征向量，因此，可以获得k个第二输出特征向量；同理，也可以获得k个第三输出特征向量，分别对k个第二输出特征向量和k个第三输出特征向量均平均，获得第二输出特征向量对应的第一均值向量以及第三输出特征向量对应的第二均值向量。根据如下公式（4）计算对应的中心损失值：

其中，

应当说明的是，待训练模型中除了包括特征提取模块外，还包括其他模块，例如：在特征提取模块后面可以连接有全连接层，softmax损失值为根据待训练模型最后一层输出的第四输出特征向量，并利用如下公式（5）计算获得：

其中，

在获得了softmax损失值、三元组损失值和中心损失值之后，根据公式（6）计算获得总损失值：

其中，

图3为本申请实施例提供的模型训练方法流程示意图，如图3所示，可以理解的是，为了方面描述，本申请实施例针对一个训练样本对待训练模型进行训练的过程，在实际训练过程中，可以采用多批量训练样本对待训练模型进行迭代训练，包括：

第一步：获取多张纤维图像；获取在多个焦距下拍摄的纤维图像，可以理解的是，采用多个焦距拍摄其目的是为了获取清晰度较高的纤维图像。可以理解的是，该纤维图像可以是化学纤维图像也可以是棉麻纤维图像。

第二步：获取清晰度高的纤维图像，并进行图像合并；利用模糊度分类模型对多张纤维图像进行模糊度分析，获得三张清晰度最高的纤维图像，并将这三张纤维图像进行合并，获得三通道的纤维图像。

第三步：将合并后的纤维图像输入待训练模型中进行训练；待训练模型包括特征提取模块和全连接层，其中，特征提取模块包括多个特征提取子模块，相邻两个特征提取子模块之间设置有注意力机制模块。利用特征提取模块输出的输出特征向量可以计算获得三元组损失值Triplet Loss和中心损失值Center Loss。可以理解的是，若纤维图像为化学纤维图像，则特征提取模块输出的是第二输出特征向量；若纤维图像为棉麻纤维图像，则特征提取模块输出的是第三输出特征向量。利用全连接层输出的第四输出特征向量可以计算获得softmax损失值。利用三元组损失值、中心损失值和softmax损失值对待训练模型进行训练。

本申请实施例通过利用softmax损失函数、三元组损失函数和中心损失函数对纤维分类模型进行训练，使得在训练过程中找到棉麻纤维和化学纤维可鉴别的特征，从而获得有效提高化学纤维和棉麻纤维准确性的纤维分类模型。

在上述实施例的基础上，所述方法还包括：

获取推理样本，所述推理样本包括第二预设数量的第二化学纤维图像和第二棉麻纤维图像；

分别将所述第二化学纤维图像和所述第二棉麻纤维图像输入至训练好的纤维分类模型中，获得多张第二化学纤维图像分别对应的第五输出特征向量，以及多张第二棉麻纤维图像分别对应的第六输出特征向量；

根据多张第二化学纤维图像分别对应的第五输出特征向量获得所述化学纤维均值；

根据多张第二棉麻纤维图像分别对应的第六输出特征向量获得所述棉麻纤维均值。

在上述实施例的基础上，推理样本可以是从训练样本中选取一部分获得；也可以不从训练样本中获得，即重新获取第二预设数量的第二化学纤维图像和第二预设数量的第二棉麻纤维图像。分别将第二预设数量的第二化学纤维图像和第二预设数量的第二棉麻纤维图像输入至训练好的纤维分类模型中，纤维分类模型的特征提取模块输出每一张第二化学纤维图像对应的第五输出特征向量和每一张第二棉麻纤维图像对应的第六输出特征向量。

对第二预设数量的第五输出特征向量求平均获得化学纤维均值，对第二预设数量的第六输出特征向量求平均获得棉麻纤维均值。

在上述实施例的基础上，所述获取待识别纤维图像，包括：

获取多个焦距下的纤维图像；

利用预设的模糊度分类模型确定清晰度最高的三张纤维图像；

将所述三张纤维图像进行合并，获得所述待识别纤维图像。

在具体的实施过程中，为了能够获取到较为清晰的待识别纤维图像，以提高对待识别纤维图像识别的准确性，可以获取多个焦距下采集的纤维图像，并对纤维图像进行切分，具体可以使用实例分割模型切分出纤维图像中的每根纤维图。可以理解的是，若采集的纤维图像中只包括一根纤维，那么也可以不进行切分。

对每张纤维图像进行模糊度识别，获得清晰度最高的三张纤维图像，具体可以是采用模糊度分类模型进行模糊度识别。可以理解的是，模糊度分类模型为预先训练好的，即获取多张纤维图像，并人工标记其对应的模糊度，例如：按照纤维图像的模糊度可以为其打分，将纤维图像作为模型的输入，对应的分值作为模型的输出进行训练。

每张纤维图像都是一个单通道的图像，将获取的清晰度最高的三张纤维图像进行合并，获得三通道的待识别纤维图像。可以理解的是，将三张单通道的纤维图像可以通过OpenCV、Python等软件方法合并成三通道的待识别纤维图像。

本申请实施例通过将三张纤维图像进行合并获得三通道图像，相比较单张图像，三通道图像中每个像素点都有三个像素值，能够防止单张图像中某些像素值较低的问题，提高了待识别纤维图像的质量。

图4为本申请实施例提供的纺织纤维成分识别装置结构示意图，该装置可以是电子设备上的模块、程序段或代码。应理解，该装置与上述图1方法实施例对应，能够执行图1方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括：图像获取模块401、特征提取模块402和识别模块403，其中：

图像获取模块401用于获取待识别纤维图像；特征提取模块402用于将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；识别模块403用于根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

在上述实施例的基础上，识别模块403具体用于：

分别计算所述第一输出特征向量到所述化学纤维均值之间的第一距离和所述第一输出特征向量到所述棉麻纤维均值之间的第二距离；

根据所述第一距离和所述第二距离确定所述待识别纤维图像的纤维类别。

在具体的实施过程中，该装置还包括模型训练模块，用于：

获取训练样本，其中，所述训练样本包括多张第一化学纤维图像和多张第一棉麻纤维图像；

通过多次迭代如下训练步骤实现对待训练模型的训练，以获得训练好的纤维分类模型；其中，所述训练步骤包括：

分别将第一预设数量的第一化学纤维图像和第一棉麻纤维图像输入待训练模型中，获得每一第一化学纤维图像对应的待训练模型的特征提取模块的第二输出特征向量，以及每一第一棉麻纤维图像对应的待训练模型的特征提取模块的第三输出特征向量；

根据所述第二输出特征向量和所述第三输出特征向量获得三元组损失值和中心损失值；根据所述待训练模型最后一层的第四输出特征向量计算获得softmax损失值；

根据所述softmax损失值、所述三元组损失值和所述中心损失值获得总损失值；

利用所述总损失值对所述待训练模型中的参数进行优化。

在上述实施例的基础上，该装置还包括推理模块，用于：

获取推理样本，所述推理样本包括第二预设数量的第二化学纤维图像和第二棉麻纤维图像；

分别将所述第二化学纤维图像和所述第二棉麻纤维图像输入至训练好的纤维分类模型中，获得多张第二化学纤维图像分别对应的第五输出特征向量，以及多张第二棉麻纤维图像分别对应的第六输出特征向量；

根据多张第二化学纤维图像分别对应的第五输出特征向量获得所述化学纤维均值；

根据多张第二棉麻纤维图像分别对应的第六输出特征向量获得所述棉麻纤维均值。

在上述实施例的基础上，模型训练模块具体用于：

从第一预设数量的第二输出特征向量中任意选取一个作为第一标定向量，其余的第二输出特征向量为第一正样本，所述第三输出特征向量作为第一负样本，根据所述第一标定向量、所述第一正样本和所述第一负样本获得化学纤维三元组损失值；

从第一预设数量的第三输出特征向量中任意选取一个作为第二标定向量，其余的第三输出特征向量为第二正样本，所述第二输出特征向量作为第二负样本，根据所述第二标定向量、所述第二正样本和所述第二负样本获得棉麻纤维三元组损失值；

从所述化学纤维三元组损失值和所述棉麻纤维三元组损失值中筛选出满足预设条件的作为目标三元组损失值；

对所述目标三元组损失值求均值，获得所述三元组损失值。

在上述实施例的基础上，模型训练模块具体用于：

对第一预设数量的第二输出特征向量求均值，获得第一均值向量；

对第一预设数量的第三输出特征向量求均值，获得第二均值向量；

根据所述第一均值向量和所述第二均值向量计算获得所述中心损失值。

在上述实施例的基础上，所述特征提取模块包括多个特征提取子模块，相邻两个特征提取子模块之间设置有注意力机制模块。

在上述实施例的基础上，图像获取模块401具体用于：

获取多个焦距下的纤维图像；

利用预设的模糊度分类模型确定清晰度最高的三张纤维图像；

将所述三张纤维图像进行合并，获得所述待识别纤维图像。

图5为本申请实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备，包括：处理器(processor)501、存储器(memory)502和总线503；其中，

所述处理器501和存储器502通过所述总线503完成相互间的通信；

所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待识别纤维图像；将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

处理器501可以是一种集成电路芯片，具有信号处理能力。上述处理器501可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器502可以包括但不限于随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electrically Erasable Programmable Read-Only Memory，EEPROM）等。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待识别纤维图像；将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待识别纤维图像；将所述待识别纤维图像输入至预先训练好的纤维分类模型中，获得所述纤维分类模型中特征提取模块的第一输出特征向量；其中，所述纤维分类模型为利用softmax损失函数、三元组损失函数和中心损失函数训练获得；根据所述第一输出特征向量、所述纤维分类模型对应的化学纤维均值和棉麻纤维均值确定所述待识别纤维图像的纤维类别；其中，所述化学纤维均值和棉麻纤维均值为所述纤维分类模型对预先获取的推理样本处理获得。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。