基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

零样本图像分类方法综述

图像分类作为图像处理的基础,一直是热门的研究话题。传统的图像分类方法需要采用大量专家标记的数据集,成本较大且无法识别未训练的图像类别;零样本图像分类作为迁移学习的一个分支,可以将已有的知识属性迁移到未知类中,从而完成对未知类图像的分类识别,因此降低了训练数据的标记成本,且能在样本稀缺的情况下实现对新事物的分类识别。首先,简单介绍了零样本学习的概念;其次,着重介绍了基于属性预测、基于特征嵌入和基于生成模型的零样本图像分类方法;然后,简要介绍了零样本图像分类的数据集以及评估方法,并对经典模型的实验结果做了比较分析;最后,提出了零样本图像分类方法普遍存在的问题以及相应的解决思路。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

基于GPQ半监督神经网络的织物图像检索

为提升织物图像检索的准确性,采用改进的广义产品量化(generalized product quantization, GPQ)半监督神经网络实现弱纹理织物图像的检索。通过CLAHE方法增强织物图像纹理,加强底层纹理特征,以降低深度学习特征过拟合的概率。利用GPQ框架中产品量化、基于余弦相似性分类器和子空间极小最大熵损失计算,对提取的特征向量进行归一化,寻找最相似织物图像。实验中采用的织物数据集包含了12类不同纹理形式的织物试样,共计1 800幅图像。分别对比了基于颜色直方图的词袋模型、尺寸不变特征变换模型、最近邻和优化产品量化算法。结果表明：改进的GPQ半监督神经网络方法的平均精度均值达到89.47%,检索性能最优。该方法能批量、低成本检索出相似织物图像,提高织物图像检索的准确性。     

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Faster R-CNN的织物表面打印导电线路中微滴目标检测

针对织物表面打印导电线路中传统的微滴目标检测通用性及智能化程度低的问题，使用深度学习模型实现了微滴形态的实时检测。通过对训练图片进行预处理，使用Labelimg工具标记不同形态的微滴灰度图像目标区域，生成相应的数据信息库，为后续的训练和测试提供数据集。利用深度学习目标检测模型训练标记好的数据集，得到最优检测模型。实验结果表明：相比于传统目标检测方法，深度学习检测模型对不同形态的微滴具有很好的适用性；相比于其他深度学习模型，Faster R-CNN模型的精度更高，对正常微滴和不良液滴检测的平均精度均值为84.89%。该研究为后续织物表面导电线路的精确成形提供了参考。     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

服务机器学习的遥感图像样本采集技术与工具开发

为了提高机器学习中遥感图像样本的规范水平与采集效率,方便样本动态检索与动态采集,文章根据机器学习样本采样的规范性要求,构建了尺度可变、跨越平台的遥感图像样本采集方案,然后采用C#与数据库相结合的方式实现了样本图像分类、动态采集、结果可视、同时录入样本信息的样本采集模式,并完成了原型工具开发。研究结果表明:采集尺度程序化控制、与平台无关的截图方案可以根据学习要求任意改变图像截取标准高效地完成样本采集。样本信息分类化采集、管理、可视化浏览可以快速地实现机器学习样本库动态管理与问题排查,且为进一步划分训练集、测试集和验证集提供较好技术支撑。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于贝叶斯方法的织物分类研究

提出基于贝叶斯决策理论的织物图像自动分类的新方法。先对织物图像的分类问题建立贝叶斯模型 ,再提取织物图像的形态结构参数作为特征向量 ,并计算出分类结果。该法能准确、快速、有效地对各类织物实现自动分类识别。     

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。     

洗后织物外观视觉特征编码与折皱评级

为提高洗后织物外观平整度主客观评级的一致率,提出了基于视觉特征编码与多分类支持向量机相结合的织物折皱自动评级方法。首先,将6块立体标准样板扩充至450幅具有代表性的织物洗后折皱图像作为训练集;其次,模拟人眼视觉聚焦机制,利用稀疏编码技术,分别解析9个半级图像子库的多尺度编码特征,并构建形成各级特征向量链码;最后,利用线性多分类支持向量机算法评定其余200幅测试样本。实验结果表明:该方法主客观一致率为95.1%,评级精度为0.1级,单样本评级速度小于6 s,能够满足当前织物整理剂、洗涤剂、洗护设备等护理效果的商用评级用途。     

基于改进权重衰减的EfficientNet食用菌图像识别

目的:解决食用菌种类识别传统方法靠人眼判断的不足,降低同一科属性状相似的识别出错率。方法:提出一种基于卷积神经网络的EfficientNet食用菌图像分类模型,利用不同设备和拍摄环境采集食用菌图像并建立数据集,通过模型训练技巧和网络技巧对模型性能进行提升,提出一种YWeight权重衰减方法来控制有效学习率,通过控制cross-boundary来影响模型的泛化性能。结果:该方法在自建数据集YMushroom上使EfficientNet-B0获得79.82%(+0.85%)top-1精度,默认训练过程仅获得78.97%。在公开数据集Fungus上使EfficientNet-B0达到87.62%(+0.78%)准确率,原始训练准确率为86.84%。结论:通过调整超参数使模型可接近最优解,通过权重衰减提升了食用菌图像分类模型的性能。     

融合颜色和边缘特征的织物图像检索算法

为解决单一特征检索精度不高的问题,提出一种基于分块颜色直方图和边缘方向直方图的检索算法。将图像转换到HSV颜色空间,并进行图像分块得到子块颜色特征;通过Canny算子提取图像边缘信息,获得边缘方向特征;利用卡方距离分别度量颜色特征与边缘特征的相似性,实现图像检索。该算法对织物图像的平均检索查准率达80.83%。认为:该织物图像检索系统对织物检索有较高针对性,能够获得较好的检索效果。     

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CBAM-InceptionV3迁移学习的食品图像分类

为提高食品图像自动识别分类的准确率,提出一种嵌入通道注意力机制和空间注意力机制的卷积块注意力模块(CBAM)的“开端”第三版(Inception V3)分类模型。将带有图像网络(ImageNet)预训练权重参数的InceptionV3模型拆分后,在每个Inception块后嵌入CBAM模块,再重新组装成新模型,共嵌入11个CBAM模块。将此模型用于经过填充和缩放到299×299像素的Food-101食品图像数据集进行迁移学习,最高准确率达到82.01%。与原始的InceptionV3模型相比,CBAM模块能够有效提升模型的特征提取和分类能力;同时迁移学习与从头开始训练相比也可以大幅提高准确率、缩短训练时间。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为食品图像分类识别提供有力支撑。     

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。     

基于能量信息的毛豆豆荚螟高光谱图像检测

为了寻求快速有效的毛豆内部豆荚螟的检测方法,将高光谱图像技术应用于毛豆内部的豆荚螟无损检测。以225个样本为研究对象,首先采用平均灰度值的方法自动获取毛豆感兴趣区域,然后提取400~1000nm波长范围内共94个波段的能量信息作为特征参数,最后结合支持向量数据描述分类器建立豆荚螟的分类检测模型。研究结果显示,在自动提取的感兴趣区域验证集中,正常样本的分类精度为100%,有虫样本分类精度为75%,验证集的总体分类精度为95.6%,可有效识别出含豆荚螟的毛豆样本。     

基于卷积神经网络的白酒酒花分类研究

目的：实现白酒酒花自动分类,提高摘酒的实时性与稳定性。方法：提出以机器视觉结合卷积神经网络代替人眼进行摘酒的方法,并与多种图像分类方法进行比较,验证改进分类算法的优越性。结果：基于改进Vgg16卷积神经网络+迁移学习方法分类模型准确率高达96.69%。结论：该方法能够实时稳定地对白酒酒花进行分类。