基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

基于GoogLeNet的色织物花型分类

针对色织物花型人工视觉分类效率低的问题,提出了一种基于深度卷积神经网络(CNN)的色织物花型图像识别分类方法。构建了18种类别的色织物花型图像样本数据库,建立了基于GoogLeNet的色织物花型分类深度卷积神经网络,并通过实验分析选择最优的训练迭代期与学习率。结果表明利用深度神经网络分类识别色织物花型是可行、有效的。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于多尺度卷积自编码器的色织面料缺陷检测

针对传统自编码器对复杂花型色织衬衫面料缺陷检测效果不佳的问题,提出一种基于多尺度卷积自编码器的色织衬衫面料缺陷自动检测与定位方法。对无缺陷样本集加入椒盐噪声,建立多尺度卷积自编码器重构模型,该模型将特征映射通过跳接的方式连接起来进行多尺度特征融合;然后,将添加噪声后的样本放入模型训练,使模型具有对噪声干扰进行重构性修复的能力;计算待测色织衬衫面料图像和其重构图像的残差;将所得残差图像进行数学形态学处理,实现色织衬衫面料缺陷区域的检测和定位。实验结果表明,所提出的算法在不依赖样本标注的情况下,可以实现复杂花型色织衬衫面料缺陷区域的检测和定位。     

基于卷积神经网络的蓝印花布纹样基元分类

为更好地数字化传承与创新传统的蓝印花布纹样,并能单独提取构成纹样的图案基元并进行分类,提出一种基于卷积神经网络的纹样基元分类方法。首先,对采集的128张蓝印花布图像进行纹样基元提取,形成图像样本库,共21 212张。其次,从库中随机选取80%的图像样本作为训练集,20%作为测试集,利用5×5卷积核对训练样本进行卷积操作,将得到的特征图进行池化。通过3层卷积、3层池化及2层全连接层计算后,利用Softmax分类器得到12种分类结果。最后,通过基元样本的学习获取最佳网络模型参数,并取得较理想的分类结果。结果表明:提出的卷积神经网络模型对12种纹样基元的平均分类准确率达99.61%,检测平均准确率达98.5%,为蓝印花布纹样的研究提供了新思路。     

融合改进vgg16模型与SVM的抓毛织物检测方法

针对抓毛织物检测准确率低的问题,提出一种融合改进vgg16模型与SVM的抓毛织物检测方法。先对抓毛织物图像进行主成分分析、奇异值分解预处理操作,通过数据增强得到扩充后的数据样本,在扩充后的抓毛织物图像输入改进的vgg16卷积神经网络模型,利用卷积神经网络自动获取抓毛织物样本的特征,将获取的抓毛织物输入支持向量机分类器中对抓毛织物进行分类。实验结果表明：融合改进vgg16模型与SVM的抓毛织物检测方法在样本测试集平均识别准确率为99.96%,通过对比预处理前后的4类抓毛织物图像以及对抓毛织物特征可视化结果表明,图像预处理提高了模型的鲁棒性和泛化能力,随着卷积层数的增加能够获得具有分辨力较高的抓毛织物表面特征。     

基于自动编码器的本色布疵点检测算法

为解决用于本色布疵点检测的浅层机器学习方法中人工特征提取主观性强、同一种特征提取方法无法适用于不同组织结构织物的问题,采用具有特征学习功能的自动编码器神经网络对原始图像进行特征自动提取。设计了含有一个隐藏层的全连接恒等神经网络,原始数据输入该神经网络后,被隐藏层压缩,并在输出层重构,训练过程中通过优化重构层与输入层之间的误差来求解神经网络最佳系数。将训练好的自动编码器神经网络用于对原始图像进行编码压缩,经过压缩后的数据通常维数远远低于输入数据,将压缩结果作为输入图像所对应的特征向量,采用支持向量机进行分类。通过将应用自动编码器自动提取的特征与传统的PCA、HOG特征进行对比实验,结果表明,采用自动编码器自动提取的特征性能明显优于传统手工提取的特征。     

基于深度学习的脑部核磁图像分割算法

提出一种基于深度学习的脑部核磁图像的灰质和白质分割算法。首先,用小波去噪和直方图均衡化方法对脑部核磁图像进行预处理,去除颅骨,确定预分割区域;然后,分别采用栈式自编码神经网络和卷积神经网络两种深度学习方法提取图像的特征,从而构建特征模型;接着,利用模糊C均值聚类算法进行粗分割,确定大致的脑部灰质和白质的区域;最后,将粗分割结果中的灰质和白质部分区域作为训练集,采用支持向量机完成分类器训练后,再对整个脑部区域进行分类,从而得出精确的脑部灰质和白质区域。实验发现,相比栈式自编码神经网络,卷积神经网络方法在纹理特征、区域特征及效率等评估指标上,均更有优势。     

轻量化卷积神经网络对服装图像的分类研究

随着时代的发展,移动端关于图像分类的检索成了迫切需求,鉴于传统的卷积神经网络所需要的数据集较大,计算量也随之倍增。针对此,文章提出了一个轻量化的卷积神经网络,用来做服装图像分类。对于小型数据集,传统的服装图像分类方法效率低、准确度不高,文章提出一种G1-VGG的服装图像分类方法,主要基于VGG16网络模型,引入Dorpout层来缩小参数规模,从而提高效率和鲁棒性,最后在全连接层之间引入了一个可以学习卷积特征的二值哈希编码层,将高维数据压缩处理,不丢失其数据高维特征。在减少训练时间的同时,解决内存占用问题。     

深度学习算法在织物疵点识别中的应用研究

目前,纺织厂织物疵点识别工作仍由人工完成,但传统人工验布方法检测效率低,漏检率高.文章采用深度学习算法中的卷积神经网络自动提取织物特征,同时对织物中三种经典类型的布进行训练学习,经过多个卷积层和池化层,最后采用Sigmoid函数进行分类.在包含3600幅图像的数据集上进行实验,其中训练集2000幅、验证集800幅、测试...     

基于改进边缘检测算法的服装款式识别

为快速识别服装款式类型,提高生产效率,针对现有传统边缘检测算法难以准确提取轮廓特征序列的不足,设计一种改进的边缘提取算法。通过定义一种新的优化卷积核,在使用传统边缘检测算法提取训练样本的服装轮廓基础上,将该卷积核与目标矩阵进行卷积得到新的外轮廓,将新轮廓序列的傅里叶描述子作为特征向量,进一步利用BP神经网络模型完成服装款式的自动分类与识别。为验证改进方法的有效性,建立一个包含4类服装500个不重复服装图像的样本库,选取281个作为训练样本,对剩余219个样本进行测试,测试识别准确率最低为93.48%,最高达到了100%。该改进算法提高了服装款式识别率,对服装智能化生产具有借鉴意义。     

基于卷积神经网络的服装领型识别与分类研究

针对服装领型特征识别困难、分类效果不理想等问题,提出了一种基于Alex Net卷积神经网络的服装领型识别与分类方法,实现了服装衣领造型的自动识别与分类。首先,从电商平台收集服装样本图并对其进行剪裁和预处理,建立一个包含圆形领、方形领、一字领、V形领等15类服装领型的样本库;其次,利用Alex Net卷积神经网络中的卷积、池化操作,提取服装领型样本中的领型特征;最后,运用Softmax回归分类器来实现服装领型的分类。结果表明,该方法可以有效地对服装领型进行识别与分类,分类准确率达到98.67%,可以有效解决服装领型识别分类困难等问题,为服装商品的可视化分类提供有效方法。     

基于复杂网络提取和支持向量机模型分类的服装领型研究

为解决服装打版中款式自动搜索的问题,以服装衣领款式的结构特征为背景,以服装圆领型图像为例,先通过构建复杂网络对其进行复杂网络特征的描述与提取,然后采用支持向量机的模型实现8种衣领类型图像的分类。实验结果表明:样本整体的平均分类准确率为98%,各类别的平均分类准确率均达到96%以上,其中,圆领的平均分类准确率为100%;在原样本图像库中加入一定程度椒盐噪声和高斯噪声后,样本整体的分类准确率在80%上下浮动,表明支持向量机模型分类的方法适用于含有一定程度噪声的图像识别。因而,本文基于复杂网络提取和支持向量机模型分类的服装领型研究的提取和分类准确率高,且分类结果相对稳定。     

基于卷积神经网络的织物缝纫平整度客观评价

针对大多数评价织物缝纫平整度等级方法对实验条件均有较高的要求,且织物种类及环境等因素对实验结果均有较大影响的现状,提出利用卷积神经网络分析织物缝纫平整度等级的方法,以提高等级分类的准确率和效率。设计了一个基于残差卷积神经网络的织物缝纫平整度客观评价模型,该模型以1000个普通织物的缝纫图像作为训练样本输入,得到缝纫平整度的分类结果,所选织物包含10种常见服装面料品类(塔夫绸、塔斯隆、雪纺、顺纡绉、尼丝纺、麂皮绒、天丝斜纹、真丝缎面、平布、交织绸)。研究结果表明:经200个测试集样本的验证,该模型的评价准确率达96%,与智能化评价以及建立预测模型方法相比,利用卷积神经网络分析织物缝纫平整度等级的方法,具有较好的准确率,且具备获取样本图像流程简单、效率高的优势。     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。     

基于卷积神经网络与迁移学习的玉米籽粒图像分类识别

种子是农业生产最基本,最主要的生产资料。为实现玉米种子的快速鉴定识别与保护,本文提出基于卷积神经网络(Convolution Neural Network, CNN)与迁移学习相结合的玉米种子籽粒图像分类识别方法,可将预训练的CNN模型参数迁移到玉米籽粒图像分类识别任务中。实验采集了6种玉米种子籽粒图像双面图像共1 976张,包括16DX531,京粘1号,科诺58,铁研,小金黄,郑单958,建立胚面,胚乳面和双面混合的3种数据集。按照7∶2∶1的比例随机划分训练集,验证集和测试集,并对训练集图像作数据增强处理。基于4种CNN模型Xception, ResNet50V2,MobileNetV2,DenseNet121进行参数迁移学习。实验结果表明Xception与胚乳数据集建模方法优于其他方法。Xception--胚乳模型训练集与验证集平均识别准确率分别为95.55%和95.97%,测试集准确率为92.78%。基于卷积神经网络与迁移学习相结合的玉米籽粒图像识别方法切实可行。     

基于颜色和纹理特征的图像情感语义分类

利用图像的低层特征实现了图像高层情感语义(happy和sad)的分类:通过在HSV颜色空间中提取图像的全局颜色特征,并利用黄金分割原理提取位于视觉中心位置主要区域的局部颜色特征,结合二维Gabor小波变换提取全局图像的纹理特征,实现对自然风景图像进行情感特征提取.采用PCA方法对情感特征进行降维,将降维后的特征向量结合BP神经网络,完成情感语义分类检索.     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。     

男西装情感语义空间研究

建立服装情感语义空间是实现计算机对服装图像情感识别及量化评价的重要前提。通过对男西装情感描述词的筛选、投票、初步确定、统计分析等过程探析,得出描述男西装情感的5对情感词对,为建立5维的男西装情感语义空间奠定基础。