采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅立叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅立叶描述子的识别效果优于Hu不变矩和融合特征（Hu不变矩和傅立叶描述子）;对傅立叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。     

基于模糊理论的毛针织服装款式识别

提出了一种新的基于模糊理论的毛针织服装款式识别算法,使毛针织服装CAD更具智能化,可提高后续衣片拆分和工艺单计算的效率.该方法首先分析毛针织服装款式轮廓点的特点,建立了由7个特征组成的款式轮廓点分类依据;根据模糊理论建立了模糊聚类矩阵,通过计算机将款式轮廓点自动归类;根据毛针织服装款式的特点,给出了款式对比前的缩放公式,并提出了用于款式模糊识别的贴近度公式.得出了该套算法可快速准确将毛针织服装款式轮廓点归类并可准确识别款式类型的结论.     

基于服装结构特征识别的相似样板匹配技术

为提高服装制版效率,实现从服装款式图到样板的智能检索,提出一种基于服装结构特征识别的相似样板匹配技术。该技术将服装结构制版知识与深度学习算法结合,基于对女裤中的廓形、褶裥、腰头类型等18个细粒度特征的识别来匹配样板。其中,技术的实现主要包括分类标签设计和模型验证实验。对于分类标签设计：先根据女裤结构制图知识,对平面款式图中可作为样板相似性评价指标的服装结构特征进行定义,并根据定义设置多标签类别;然后将多标签分类转化为单标签多分类,建立平面款式图、结构特征和样板三者之间的联系;最后通过数据可视化等方法对标签之间的相关性进行研究,并设计了最终的18个分类标签。对于模型验证实验：首先建立以女裤平面款式图为样本的服装数据集,基于数据集的特点对经典AlexNet网络进行改进,其中包括简化网络结构、减少模型参数、防止过拟合,在每层卷积层后增加批归一化操作,以加快模型的收敛速度,提高模型的泛化能力。模型测试结果表明：改进后的模型在验证集上的准确率为83.4%,相比改进前的AlexNet模型其准确率提高了6.7%;与其它结构更复杂的网络模型相比,该模型的准确率更高,综合性能更好,可用于款式图的结构特征...     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

织物悬垂测试系统中织物边缘的识别

由于织物花纹式样的多样性,传统的图像分割算法常常无法准确地识别出织物边缘轮廓。根据织物悬垂图像的边缘轮廓特点,提出采用基于梯度向量流场(GVF)的动态轮廓模型(Snake模型)来识别织物的边缘轮廓。采用贪心算法实现了Snake边缘检测模型,分别用该模型和基于边缘梯度扫描的算法识别5种典型印花织物悬垂边缘,并将2种算法得到的边缘轮廓进行了比较。实验结果表明,该边缘检测模型能准确地识别多种传统图像分割算法所无法准确识别甚至无法识别的特殊织物的边缘轮廓。     

基于图像显著性区域提取的垩白米检测

垩白度是衡量优质大米品质的重要指标,随着农业检测自动化发展,利用机器视觉准确检测大米垩白度对大米生产加工具有重要意义。针对现有算法在分割垩白区域时存在抗干扰能力弱、稳定性差以及准确度低等问题,本文提出了一种基于图像显著性区域提取的垩白区域提取算法。利用大米垩白区域图像显著性的特点,对图像特征变化边缘进行提取,计算出边缘像素点个数以及边缘的总像素值,从而计算出边缘像素的平均值作为该区域的阈值。最后,利用计算得到的阈值对该区域进行分割,分割出整张图片的垩白区域,并计算出大米的垩白度。实验结果表明,该算法识别准确率为96.76%,相较于传统的OTSU算法检测准确率平均提高了 26.87%,相较于改进的OTSU算法检测准确率平均提高了 7.26%。     

一种带有印花图案服装图像的轮廓提取

 引入轮廓误差和支点等概念,提出了新的轮廓提取方法并应用于一种带有印花图案服装图像。首先通过形态学方法提取初始轮廓,再将初始轮廓划分为若干个单值分支,最后通过轮廓误差计算消除分支内的纹理噪声。研究表明,基于形态学方法的初始轮廓提取算法可以有效去除服装图像内部的像素点和外部的阴影与水印;采用轮廓误差计算可以有效识别纹理噪声数据,修补印花图案对服装轮廓的影响。与其它轮廓提取方法相比,提出的算法更高效。     

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CNN神经网络的小麦不完善粒高光谱检测

利用高光谱成像技术对小麦不完善粒进行无损检测。以932个小麦为样本,其中正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个为研究对象,通过高光谱图像采集系统采集样本的光谱信息,然后从每个样本的116个波段中选取30个波段,建立基于深度学习的卷积神经网络(convolutional neural networks,CNN)模型。实验中的CNN采用2个卷积层,第1层采用大小为3×3的32个卷积核,第2层采用大小为5×5的64个卷积核,池化层采用最大池,激活函数采用修正线性单元,为避免过拟合,在全连接层后面接入dropout层,参数设置为0.5,其他卷积参数均为默认值,得到校正集总识别率为100.00%,测试集总识别率为99.98%。最后,以支持向量机(support vector machine,SVM)为基线模型进行对比,从116个波段中选取90个波段进行建模,测试集总识别率为94.73%。通过实验对比可以看出,CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于卷积神经网络的汉服关键尺寸自动测量

在样本数据稀缺的情况下,为快速准确地获取古代汉服的关键尺寸数据,提出一种基于卷积神经网络的汉服尺寸测量方案。首先搭建1个二阶段卷积神经网络模型GlobalNet-RefineNet进行关键点检测,通过2次迁移学习和反复迭代训练提高关键点识别准确率;再利用算法得到坐标点的像素距离,结合博物馆或发掘报告中给出的汉服平铺图和至少1个真实测量尺寸,通过比例映射得到全衣的尺寸数据。以汉服上衣为例进行实验验证,结果表明:经过2次迁移学习,卷积神经网络模型的收敛程度高,训练效果好,通过该方案测得的汉服上衣尺寸相对误差在0.59%~4.17%之间;该方案为传统服饰的复原研究和文物尺寸测量工作提供了新思路。     

基于电子鼻和一维拉普拉斯卷积核的奶粉基粉产地鉴别

奶粉基粉是配方奶粉的基础原材料,其产地影响到终端乳制品的品质。该研究提出了一种电子鼻技术与一维拉普拉斯卷积核相结合的基粉奶源地判别方法。通过电子鼻采集样本数据,经过时域信号对齐,尝试使用不同阶数的一维拉普拉斯卷积核进行特征提取,并对比了统计数字特征、快速傅里叶变换、离散余弦变换等其他特征提取方法,最后使用偏最小二乘及可视化进行可分性分析。实验结果发现快速傅里叶变换、离散余弦变换、二阶的一维拉普拉斯卷积核相对于原始特征均有效提升了可分性,偏最小二乘的R2效应量从0.61分别提升到0.95、0.96和1.00。一维拉普拉斯卷积核特征提取方法能够准确区分产自国内和国外（澳大利亚）的基粉,在案例研究中取得了最优判别效果,说明其能够有效提取到电子鼻各通道序列信号的时间响应特征。该方法能够完成中澳两国奶粉基粉样本的区分工作,为快速鉴定奶粉基粉来源提供技术支撑。     

基于图像处理的白酒酒花轮廓检测

依据"看花摘酒"的传统经验,采用机器视觉代替人眼,通过CCD获取摘酒酒花的视频图像,并截取不同酒度酒花图像进行直方图均衡化、图像腐蚀等图像预处理,消除了高光噪声的影响,然后采用不同边缘检测算法对酒花轮廓进行了对比研究,采用OTSU算法与Canny边缘检测算法相结合的方法,较好地实现酒花与背景的分割,提取清晰的酒花边缘轮廓,通过对大清花与小清花图像的模式识别,为摘酒自动化提供了有效分级依据。该智能化的分级摘酒方法,能够提高分级摘酒工艺的稳定性和准确性,易于实现分级摘酒工序的智能自动化。