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。     

基于卷积神经网络的织物图像识别方法研究进展

基于卷积神经网络的织物图像识别技术具有自主学习、准确率高和适用性广的优点,已被广泛应用于纺织工业生产中。本文面向纺织领域详细综述了基于卷积神经网络的疵点分类、瑕疵检测、图像分类、图像分割技术的具体应用和研究进展,总结了各种网络结构的改进点和优缺点,同时就目前存在的问题及未来研究方向进行了展望。随着网络结构的不断优化,图像识别方法对实时性和精确性各有侧重,但其鲁棒性和适用性仍有较大的发展空间,有待做进一步研究。     

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。     

基于卷积神经网络的机织物密度均匀性检测

针对目前基于机器视觉的机织物密度自动检测时织物检测视野小、精度低、品种适应性差的问题,提出一种基于多尺度卷积神经网络的检测方法.首先设计了一套离线图像采集系统连续采集织物图像,并建立一个包含详细织物参数的织物图像数据集;然后采用一种具有不同大小局部感受野的多尺度卷积神经网络适应不同大小的织物结构特征,定位纱线位置;最后...     

基于卷积神经网络的食品图像识别

目的 探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法 选取包含20类食品和19609张的食品图像建立数据集Food-101, 通过卷积神经网络(convolutional neural networks, CNN)提取图像候选区域的视觉特征, 并自动进行分类, 使其具有较高的识别率; 此外, 采集来自kaggle库中已标注的食品图像集做预测对比实验, 以保证Inception_V3-CNN模型检测的准确度。结果 该方法能够去除背景噪音, 且仅需部分提取视觉特征, 可以有效解决网络食品图像的分类问题, 与多视图支持向量机(support vector machine, SVM)+方向梯度直方图(histogram of oriented gradients, HOG)和传统CNN方法相比, 在测试时间相近、设备计算能力相同的条件下, 该方法识别率更高, 迭代次数为15000次时, Loss值降至4.92, 准确率可达93.89%。结论 此方法可以快速识别食品图像, 在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于循环卷积神经网络的图像去模糊算法

为有效地提升图像去模糊的效果,文章提出一种基于深度循环卷积网络的图像去模糊算法。该算法由多层循环卷积单元构成,深层次的循环网络可以有效地提升网络性能。同时,在网络训练环节,采用跳跃连接的方法降低训练难度。为了评估算法的性能,将提出的网络在Gopro数据集上进行训练及测试。实验结果表明,提出的这种基于循环卷积网络的去模糊算法具有较好的复原能力,且能够获得更高的峰值信噪比(PSNR)和结构相似度(SSIM)。     

卷积神经网络在储粮害虫图像识别中的应用研究

立足于当今储粮害虫图像识别领域面临的技术需求,针对现有的储粮害虫图像识别算法网络结构相对复杂,辨认率低,为此,引入卷积神经网络实现储粮害虫图像的识别。简要阐述了卷积神经网络发展过程,分析其网络结构,选用5种储粮害虫作为训练样本,分析了储粮害虫图像识别过程,最后通过实验得出了基于卷积神经网络的Alexnet模型对储粮害虫图像识别的精确度达97.62%,说明基于CNN对储粮害虫图像识别具有较高的准确率。     

基于卷积神经网络模型的裂纹鸡蛋图像识别

目的:提高基于计算机视觉的鸡蛋裂纹检测方法的准确性和运行效率。方法:使用禽蛋模拟撞击设备得到裂纹鸡蛋,并通过鸡蛋动态图像采集设备采集不同角度裂纹鸡蛋和完好鸡蛋图像,然后以原始图像和经预处理后图像分别建立用于裂纹鸡蛋图像识别的YOLO-v5、ResNet和SuffleNet模型,并比较不同模型识别准确度以及对未经预处理图像的适应性。结果:YOLO-v5、ResNet和SuffleNet模型均可有效识别经过预处理的裂纹鸡蛋图像,其验证集准确率分别为98.8%,97.8%,99.4%。对于未经预处理的裂纹鸡蛋,ResNet模型判别准确率较低,而SuffleNet模型对其适应性较好,判别准确度超过99%。结论:在卷积神经网络模型中,SuffleNet模型适用于裂纹鸡蛋图像的识别,且采集的图像无需进行预处理。     

Content-based lace fabric image retrieval system using texture and shape features

A content-based lace fabric image retrieval system using texture and shape features is presented in this article. The retrieval system consists of two steps: registration and identification. During the registration procedure, a feature vector corresponding to each lace fabric sample image is extracted and then stored in a feature database. During the identification procedure, a feature vector of a lace fabric query image is extracted and then the similarities between the query image and all the sample images are calculated. Finally, the retrieval results can be sorted based on their similarities to the query image. Experimental results demonstrate the effectiveness of retrieval performance of the proposed algorithm and possible practical application of the retrieval system in lace fabric industry to improve management efficiency.     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

基于神经网络的男西装图像情感语义识别

为了实现基于内容的男西装图像情感语义识别,需要把男西装图像的低层特征映射到情感语义空间。在构建出的2维图像情感因子空间和男西装图像视觉特征（10维亮度一冷暖模糊直方图;7维的饱和度一冷暖模糊直方图+色彩对比度值的综合特征）的基础上,本文通过机器学习（BP神经网络）实现了男西装图像的低层特征到情感语义因子空间的映射,根据图像低层颜色特征可以自动完成图像情感因子值和情感描述值的计算,并把识别后的新图像数据自动加入到图像数据库中。实验证明,BP神经网络方法能较好的实现基于内容的男西装图像情感语义的识别。     

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。