CN109543733A - 一种基于云平台的色织面料快速生产方法 - Google Patents
一种基于云平台的色织面料快速生产方法 Download PDFInfo
- Publication number
- CN109543733A CN109543733A CN201811335616.9A CN201811335616A CN109543733A CN 109543733 A CN109543733 A CN 109543733A CN 201811335616 A CN201811335616 A CN 201811335616A CN 109543733 A CN109543733 A CN 109543733A
- Authority
- CN
- China
- Prior art keywords
- color
- woven fabric
- library
- image
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002759 woven fabric Substances 0.000 title claims abstract description 110
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000004744 fabric Substances 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 63
- 238000012360 testing method Methods 0.000 claims description 14
- 238000012769 bulk production Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 239000002994 raw material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000009940 knitting Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000004209 hair Anatomy 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241001463139 Vitta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000004144 decalcomania Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于云平台的色织面料快速生产方法,将类别和生产信息确定的已生产的色织面料A的图像上传至云平台,选择与待生产的色织面料B匹配的A的图像后参照A的生产信息生产B,匹配为:确定B的类别后将B的图像输入到该类别对应的识别网络得到B的代码,选择与代码完全一致的编码对应的A的图像,识别网络的构建过程为:以同一类别的A的图像和编码为输入和输出,先不断调节VGG网络的所有参数,选择相对最优的一代参数代入VGG网络得到预识别网络,再不断调节预识别网络的全连接层网络参数,选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络。本发明实现了色织面料高精度高效的在线检索,缩短生产周期,节约成本。
Description
技术领域
本发明属于纺织面料设计与生产技术领域,涉及一种色织面料检索方法,特别涉及一种基于云平台的色织面料快速生产方法。
背景技术
现阶段面料市场有较大的份额是根据来样进行生产的,色织面料更是如此,色织面料的生产现状为小品种、多样化、交期快。目前色织面料的生产主要是通过人工操作根据每次来样进行调整生产工艺,这种模式耗时较长,效率偏低。如能通过一种基于云平台的色织面料快速生产方法查询以往是否有与来样类似或者相同的产品,并调出对应的生产记录进行生产,可节约面料生产企业大量的时间,提高其工作效率。此外,云平台给了客户更多的选择和参考,通过云平台客户可与营销人员、生产人员进行在线交流,提高了生产效率,其还可在线实时对样品进行检索,极大地便利了客户。
面料图像与其他一些行业的图像类型有些不同,面料的纹理是一种人为的具有一定规律性或者周期性的设计图像,因此面料图像的检索与常规图像的检索又有所不同。面料图像的检索仅仅需要搜寻出视觉上一致或者类似的图像,而不是对图像的精准检索。目前针对面料图像视觉特性的检索技术还很少,一般都是对比检索图像和库中图像的颜色、形状、空间位置特征或将几者相结合,然后进行相似度计算,以达到图像检索的目的,但是色织物的面料种类有很多,不同原料制成的色织物具有不同的色彩效应,除外,织物结构对色织物表现出的颜色会产生影响,如平纹组织使布面平坦、坚实,利于突出花型,缎纹组织可用于仿丝及仿毛织物,在缎条和缎格织物中应用较为普遍。此外,织物的图案对色彩效应也会产生影响,色织物的图案与印花图案不同,主要有几何图案(以经纬浮长起花或原组织起花等各种组合,在织物表面构成由线条或点连缀成的简单的各式几何图形)、条格图案(由各种大小不同的方格和色条结合色彩和组织进行排列)。因此实际应用中视觉上不同特性的色织面料图像对应的检索算法也应不同。
现在常用的图像检索方法大多通过局部检索哈希(LSH)、谱哈希(SH)等算法提取图像的特征,通过特征间的距离来进行相似度的比较,这些算法通常运算量大且耗时较长,检索效率低。后来又出现了使用机器学习法如支持向量机等方法进行图像检索,但是这些方法都是基于浅层神经网络的学习。浅层神经网络的层数较少,只包含一个输入层、一个隐藏层、一个输出层,其表达能力较差,计算量较大且计算精度较差。
因此,研究一种计算量小、耗时短且检索效率高的适用于色织面料的图像检索方法并基于该方法开发一种基于云平台的色织面料快速生产方法极具现实意义。
发明内容
本发明的目的是克服现有技术中存在的不足,提供一种计算量小,耗时短且检索效率高的适用于色织面料的图像检索方法,并基于该方法开发一种基于云平台的色织面料快速生产方法。
为了达到上述目的,本发明采用的技术方案为:
一种基于云平台的色织面料快速生产方法,将特征信息、类别和生产信息确定的已生产的色织面料A的图像上传到云平台,在云平台中选择与待生产的色织面料B匹配的A的图像后,参照A的生产信息生产B;
特征信息为与色织面料视觉特征相关的信息,类别是根据特征信息确定的,生产信息为与色织面料生产相关的信息;
匹配为肉眼观测的结果,或者为在线检索的结果,在线检索是指确定B的类别后,将B的图像输入到该类别对应的识别网络,由识别网络输出代表B的特征信息的代码,再将其与代表A的特征信息的编码进行比较,选择与代码完全一致的编码对应的A的图像;
各类别对应的识别网络的构建过程为:以同一类别的A的图像和编码为输入和输出,先对VGG网络进行训练和验证,并在训练过程中调节VGG网络的所有参数,根据训练精度、验证精度和损失函数曲线选择相对最优的一代参数代入VGG网络得到预识别网络,再对预识别网络进行训练和验证,并在训练过程中调节预识别网络的全连接层网络参数,根据训练精度、验证精度和损失函数曲线选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络。训练精度、验证精度和损失函数曲线选择相对最优的一代参数是指在保证训练精度的前提下,选择合适的损失函数使得验证精度达到最优,合适是指损失函数无论再增大,对训练精验证精度几乎不再有影响,损失函数增大,训练精度会减小,验证精度会增大,适当的增加损失函数会防止训练精度过拟合,例如将每张图像扩充100张,当损失函数设置很小时,若出现了超出这100种情况,比如拍摄的时候掺杂了其他噪音,再去识别时识别不出是同一幅图像,此时属于训练精度过拟合;而当损失函数设置过大,其他和它相似但事实上并不是同一幅图像,识别时会被视作同一幅图像,这时验证精度又会大大下降。
本发明中的识别网络为多层神经网络,其包含有多个隐藏层,其相较于目前主流的浅层神经网络有以下优点:(1)深层神经网络对复杂目标函数的表达能力高于浅层神经网络,表达效果更好,具有更强的表达能力;(2)使用层数合适的深层网络可以较为紧凑的表达某一复杂函数,若使用浅层的神经网络对同样的函数进行表达,神经元的数量可能会呈指数级地增加,计算复杂度会大大增加,同时神经元的增加,会导致网络训练的神经网络参数也大幅增加,在训练样本数量有限的条件下,训练出的网络泛化能力是很差的;(3)深层神经网络学习通过提取的多重水平特征可以应用于类似的不同任务中去,这相当于对任务求解提供了无监督的数据,如此可获得更多的有用信息,深度神经网络,其本质实际上是利用神经元层的堆叠,通过对底层的原始数据特征进行排列组合,抽象出原始数据的高层特征,在学习的过程中,对网络进行逐层的训练,学习网络的每一层都提取一定的特征和信息,将训练的结果作为更深一层的输入,最后自顶而下的算法对整个网络进行微调,通过深度学习能够学习得到复杂的函数表达,从而完成从底层的信息表示高阶抽象的概念。本发明以多层神经网络为识别网络(图像检索方法),显著减小了检索计算量,缩短了检索耗时,并提高了检索效率。
本发明的各类别面料对应的识别网络不同,在进行识别前需对色织物图像按照类别进行分类建库,这一方面起到了预筛选的作用,另一方面,每一类别的识别网络分别训练,能够显著提升检索的精确度及速度。
此外,本发明的色织面料快速生产方法,不仅能方便营销人员随时快速地检索相同或类似的面料,提高接单的速度,而且可以方便客户挑选理想的面料,同时,其节约了人工作业(打样等)的时间,加快了面料生产速度,提高了企业效益。
作为优选的技术方案:
如上所述的一种基于云平台的色织面料快速生产方法,各类别对应的识别网络的构建过程如下:
(1)逐个确定同一类别的A的所有的图像对应的编码;
(2)将同一类别的A的所有的图像进行数据扩充后划分为训练样本集I1和验证样本集I2,并将训练样本集I1和验证样本集I2打上标签打包成VGG网络需要的数据格式,数据扩充有很多方式,具体的说比如:将原图像进行旋转、亮度变换、加入噪声、缩放、加入背景、分割等一些操作或者几种符合操作,这样就可以在原来图像的基础上的到每一个面料的多种类型图像,这样样本集的数量得到了质的增加,因为对于面料来说,重复多次统一环境下采集图像,可能没有意义,比如换一个采集环境或者操作人得到的图像去检索可能检索不出来,而通过图像处理的方式,比如增加噪声、亮度变换等也算是模拟了不同环境下的采集样本,增加了样本的多样性,通过将每一个面料的多种类型图像输入到VGG网络中训练,告诉网络,虽然进行了这些变换操作,依然是原来的那一块面料,这样就增加了检索时的准确性;
(3)将训练代数设置为M,调节VGG网络的所有参数,利用训练样本集I1对VGG网络进行训练得到训练精度与损失函数曲线,再利用验证样本集I2对VGG网络进行验证得到验证精度,M可根据样本集的大小人为设置,即可将扩充后的数据全部输入或分批次输入,M不固定,可根据需求或训练结果设置;
(4)根据(3)中的训练精度、验证精度和损失函数曲线选择相对最优的一代参数代入VGG网络得到预识别网络,再利用验证样本集I2中的每小类样本对预识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指验证样本集I2中由同一张图像变化得到的所有的图像,相对最优即选取合适的损失函数,使得训练精度和验证精度在一定范围内达到相对最优,之所以选择相对最优是因为当训练精度高训练好的网络,会产生过拟合的状况,即为产生的损失很低,但在预测(验证)新数据的时候表现的很糟糕,精度很低,有时候会将损失函数放大,使得模型不过于拟合,但也不能过于放大,那么验证精度又不准确;
(5)按(4)中的验证精度将验证样本集I2中的样本分为0.80以上、小于0.80和错分样本三大类;
(6)对三大类样本进行数据扩充;
(7)分别将每大类样本以n1:n2:n3的比例随机分成训练样本集II1i、验证样本集II2i和测试样本集II3i;
(8)将训练代数设置为M/2,只调节预识别网络的全连接层网络参数,利用训练样本集II1i对预识别网络进行训练得到训练精度与损失函数曲线,再利用验证样本集II2i对预识别网络进行验证得到验证精度;也可将训练代数设置为其他,只是此阶段训练时相对于步骤(3)中对多精度提高的需求较低;
(9)根据(8)中的训练精度、验证精度和损失函数曲线选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络;
(10)利用测试样本集II3i中的每小类样本对识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指测试样本集II3i中由同一张图像变化得到的所有的图像,如果测试样本集II3i中的每小类样本的验证精度都大于等于0.80,则输出识别网络后结束;反之,则按验证精度将测试样本集II3i中的样本分为0.80以上、小于0.80和错分样本三大类后,对验证精度小于0.80的样本和错分样本进行扩充后同验证精度为0.80以上的样本一起返回步骤(7)。
如上所述的一种基于云平台的色织面料快速生产方法,训练样本集I1与验证样本集I2的样本数量比为7:3或8:2,n1:n2:n3为6-7:3-2:1,将训练样本集I1与验证样本集I2的样本数量比设置在此数值时,训练和验证效果达到最佳且识别网络精度也达到最高。
如上所述的一种基于云平台的色织面料快速生产方法,所述特征信息包含面料种类、花型和颜色数目,所述类别是根据面料种类和花型确定的,同一类别的色织面料为面料种类和花型都相同的色织面料。
如上所述的一种基于云平台的色织面料快速生产方法,所述编码为N1N2N3N4Y1Y2Y3Y4Y5,其中,N1代表色织面料的面料种类,N1取值为1和2时分别对应代表机织物和针织物,N2代表色织面料的花型,N2取值为1、2、3、4和5时分别对应代表条形、格型、点状、素色和其他,N3N4为色织面料的颜色数目,按照升序排列,从“01”开始,最多编至“99”,Y1Y2Y3Y4Y5为顺序代码,其按照升序排列,从“00001”开始,最多编至“99999”。
如上所述的一种基于云平台的色织面料快速生产方法,所述同一类别的色织面料A的图像储存在同一电子图库中,所述电子图库的建立步骤如下:
(1)拍摄色织面料A的图像,拍摄使用的设备不仅限于智能手机、照相机和扫描仪等,只要能够获取清晰度较好的图像即可;
(2)确定色织面料A的编码;
(3)分别建立机织物大库和针织物大库,并将N1取值为1和2的色织面料A的图像分别对应储存在机织物大库和针织物大库;
(4)分别在机织物大库和针织物大库中建立条形库、格型库、点状库、素色库和其他花型库,并将机织物大库和针织物大库中储存的N2取值为1、2、3、4和5的色织面料A的图像分别对应储存在条形库、格型库、点状库、素色库和其他花型库;
(5)将条形库、格型库、点状库、素色库和其他花型库中色织面料A的图像统一缩略成N*N大小的图像,最终得到的条形库、格型库、点状库、素色库和其他花型库即为电子图库。
如上所述的一种基于云平台的色织面料快速生产方法,N的取值范围为200-600像素。
如上所述的一种基于云平台的色织面料快速生产方法,所述生产信息以表格的形式储存在各电子图库中,且与各电子图库中色织面料A的编码一一对应;所述生产信息包括生产周期、机器分类、面料类型、图案种类、原料种类和颜色配方,其中面料类型包括面料种类,按织造方式可将面料类型分为梭织布(机织)和针织布,按加工工艺可将面料类型分为色织布、混合工艺布(如在色织布上进行印花、复合布、植绒花、仿皮毛)等等,按原料可将面料类型分为棉布、化纤布、麻布、毛纺布、丝绸及混纺织物等等。
如上所述的一种基于云平台的色织面料快速生产方法,基于云平台的色织面料快速生产方法的流程如下:
(1)建立电子图库和生产信息表;
(2)将电子图库上传到云平台;
(3)客户通过远程连接云平台,在线选择所需的色织面料A的图像,如有满意的色织面料A的图像,则将A的编码发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
(4)客户拍摄B的图像后上传至云平台;
(5)在线检索是否有匹配的A的图像,如有,则将A的编码发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
(6)将B的图像发送至小样室;
(7)小样室进行打样后将小样图像在线发送至客户确认,如满意,则按小样图像的配方进行大货生产,反之,则进入下一步;
(8)调整小样的配方后返回步骤(7)或结束。
如上所述的一种基于云平台的色织面料快速生产方法,按小样图像的配方进行大货生产的同时确定小样图像的编码和生产信息并同小样图像一起加入电子图库中。
发明机理:
目前多层神经网络应用于信息处理领域(信号处理、模式识别、数据压缩)、自动化领域(系统辨识、自动控制、智能检测等)、工程领域(汽车工程、军事工程、化学工程、水利工程等)、医学领域(检测数据分析、生物活性研究等)、经济领域(预测评估、信贷分析)等,其应用在图像检索领域中会存在分类识别类别数少且分类数目是一定的等问题,现有的VGG识别网络最多可以将所有图像分1004类,超过1004类别的图像会被分到与它最相似的那一种图像类别中(可能格型图像会被分到条形图像中,显示它们是一类)。
本发明先将色织面料按照面料类型分成两大类:机织和针织,再将每一大类中的色织面料图像按照花型分成n个小类(条形、格型、点状、素色和其他),接着将每一块面料图像按照面料种类、花型和颜色数目进行唯一编码,对每一小类中的图像分别进行VGG训练,分类的类别变为1004*n,极大地增加了检索的准确性,若每一小类中的图像超过1004类,新来样本会被分到与它同花型最相似的图像中,新来一个样本被输入到网络中识别时,它会被已经训练好的网络进行概率计算,给出与小类中的每个图像匹配的概率,将概率从大到小排列,选出概率最高的编码调出此编码的所有图像看是否有一致的图像(这里除了肉眼观测,也可以用图像处理的方法去筛选出是否有一致图像,比如提取同编码中所有图像的颜色特征或者形状特征或者纹理信息等然后进行特征比较),因此其超过1004类并不影响其检索,而且增加了检索的准确性以及减少了检索所花费的时间(因为要是不按分花型训练,当其超过1004类,那每同一类所分到的图像会很多且可能各种花型都有,然后检索图像与同一类中所有图像进行比较时,用颜色、纹理特征进行筛选时就增加了工作量,毕竟花型不一样根本是不用比较的),若是每个小类中没有超过1004类,则不会出现上述问题,直接调出同编码的图像信息后进行生产。
有益效果:
(1)本发明的一种基于云平台的色织面料快速生产方法,将到面料库的图像上传至云平台中,给客户提供了更多的选择与参考,客户可通过云平台与营销、生产进行在线交流,提高了工作效率,大幅度的缩短了面料的生产周期,节约了面料的生产运输成本;
(2)本发明的一种基于云平台的色织面料快速生产方法,将面料按照原料、花型和颜色数进行编号分类建库,并分别对每一个库进行VGG网络训练,增加了检索精度,减少了检索时间;
(3)本发明的一种基于云平台的色织面料快速生产方法,在训练VGG网络时,根据色织面料花型分类,对每一个花型的图像进行单独训练,对待检索图像先进行分类利用预先训练的深度学习网络,减少图像召回的数量,降低了需要对计算的图像数量,大大提高了图像检索效率,实现了在线实时搜索查询色织面料图像,节约了人力成本,缩短了色织面料的生产周期;
(4)本发明的一种基于云平台的色织面料快速生产方法,方便了客户以及营销人员随时快速地检索相同或类似的面料,提高接单的速度,增加企业的效益。
附图说明
图1是本发明基于云平台的色织面料快速生产方法流程图;
图2是各类别对应的识别网络的构建过程图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于云平台的色织面料快速生产方法,如图1所示,流程如下:
(1)建立电子图库和生产信息表;
电子图库的建立步骤如下:
(1.1)拍摄色织面料A的图像;
(1.2)确定色织面料A的编码,其中编码为N1N2N3N4Y1Y2Y3Y4Y5,N1代表色织面料的面料种类,N1=1代表机织物,N1=2代表针织物;N2代表色织面料的花型,N2=1代表条形,N2=2代表格型,N2=3代表点状,N2=4代表素色,N2=5代表其他;N3N4为色织面料的颜色数目,按照升序排列,从“01”开始,最多编至“99”;Y1Y2Y3Y4Y5为顺序代码,其按照升序排列,从“00001”开始,最多编至“99999”;
(1.3)将N1=1的色织面料A的图像储存在机织物大库中建立机织物大库,将N1=2的色织面料A的图像储存在针织物大库中建立针织物大库;
(1.4)分别在机织物大库和针织物大库中建立条形库、格型库、点状库、素色库和其他花型库,并将机织物大库和针织物大库中储存的N2取值为1、2、3、4和5的色织面料A的图像分别对应储存在条形库、格型库、点状库、素色库和其他花型库;
(1.5)将条形库、格型库、点状库、素色库和其他花型库中色织面料A的图像统一缩略成N*N大小的图像,N的取值范围为200-600像素,最终得到的条形库、格型库、点状库、素色库和其他花型库即为电子图库;
建立生产信息表,包括生产周期、机器分类、面料类型、图案种类、原料种类和颜色配方的表格,按照上述分类编码建立电子图库的方法对面料进行分类后,也按照相同的方法分类建立面料的生产信息表,将每条面料生产信息以表格的形式储存在各电子图库中,且与各电子图库中色织面料A的编码一一对应,具体步骤如下:
(a)N1=1、N2=1时在数据库建立机织条形库的信息表,N1=1、N2=2时建立机织格型库的信息表,N1=1、N2=3时建立机织点状库的信息表,N1=1、N2=4时建立机织素色库的信息表,N1=1、N2=5时机织其他花型库的信息表;
(b)N1=2、N2=1时在数据库建立针织条形库的信息表,N1=2、N2=2时建立针织格型库的信息表,N1=2、N2=3时建立针织点状库的信息表,N1=2、N2=4时建立针织素色库的信息表,N1=2、N2=5时针织其他花型库的信息表;
(c)在各信息表中存储面料的生产周期、机器分类、面料类型、图案种类、原料种类和颜色配方等后储存在各电子图库中,并与色织面料A的编码一一对应;
(2)将电子图库上传到云平台;
(3)客户通过远程连接云平台,在线选择所需的色织面料A的图像,如有满意的色织面料A的图像,则将A的编码发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
(4)客户拍摄B的图像后上传至云平台;
(5)肉眼观测或在线检索是否有匹配的A的图像,即根据面料种类和花型确定B的类别,将B的图像输入到该类别对应的识别网络,由识别网络输出代表B的特征信息(包含面料种类、花型和颜色数目)的代码,再将其与代表A的特征信息的编码进行比较,若电子图库中有与代码完全一致的编码对应的A的图像,则选择该编码并发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
各类别对应的识别网络的构建过程如图2所示,具体为:
a)逐个确定同一类别(面料种类和花型都相同)的A的所有的图像对应的编码;
b)将同一类别的A的所有的图像进行数据扩充后划分为训练样本集I1和验证样本集I2,并将训练样本集I1和验证样本集I2打上标签打包成VGG网络需要的数据格式;
c)将训练代数设置为M,调节VGG网络的所有参数,利用训练样本集I1对VGG网络进行训练得到训练精度与损失函数曲线,再利用验证样本集I2对VGG网络进行验证得到验证精度;
d)根据c)中的训练精度、验证精度和损失函数曲线选择相对最优的一代参数代入VGG网络得到预识别网络,再利用验证样本集I2中的每小类样本对预识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指验证样本集I2中由同一张图像变化得到的所有的图像;
e)按d)中的验证精度将验证样本集I2中的样本分为0.80以上、小于0.80和错分样本三大类;
f)对三大类样本进行数据扩充;
g)分别将每大类样本以n1:n2:n3的比例随机分成训练样本集II1i、验证样本集II2i和测试样本集II3i;
h)将训练代数设置为M/2,只调节预识别网络的全连接层网络参数,利用训练样本集II1i对预识别网络进行训练得到训练精度与损失函数曲线,再利用验证样本集II2i对预识别网络进行验证得到验证精度;
i)根据h)中的训练精度、验证精度和损失函数曲线选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络;
j)利用测试样本集II3i中的每小类样本对识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指测试样本集II3i中由同一张图像变化得到的所有的图像,如果测试样本集II3i中的每小类样本的验证精度都大于等于0.80,则输出识别网络后结束;反之,则按验证精度将测试样本集II3i中的样本分为0.80以上、小于0.80和错分样本三大类后,对验证精度小于0.80的样本和错分样本进行扩充后同验证精度为0.80以上的样本一起返回步骤g);
(6)将B的图像发送至小样室;
(7)小样室进行打样后将小样图像在线发送至客户确认,如满意,则按小样图像的配方进行大货生产,同时确定小样图像的编码和生产信息并同小样图像一起加入电子图库中,反之,则进入下一步;
(8)调整小样的配方后返回步骤(7)或结束。
Claims (10)
1.一种基于云平台的色织面料快速生产方法,其特征是:将特征信息、类别和生产信息确定的已生产的色织面料A的图像上传到云平台,在云平台中选择与待生产的色织面料B匹配的A的图像后,参照A的生产信息生产B;
特征信息为与色织面料视觉特征相关的信息,类别是根据特征信息确定的,生产信息为与色织面料生产相关的信息;
匹配为肉眼观测的结果,或者为在线检索的结果,在线检索是指确定B的类别后,将B的图像输入到该类别对应的识别网络,由识别网络输出代表B的特征信息的代码,再将其与代表A的特征信息的编码进行比较,选择与代码完全一致的编码对应的A的图像;
各类别对应的识别网络的构建过程为:以同一类别的A的图像和编码为输入和输出,先对VGG网络进行训练和验证,并在训练过程中调节VGG网络的所有参数,根据训练精度、验证精度和损失函数曲线选择相对最优的一代参数代入VGG网络得到预识别网络,再对预识别网络进行训练和验证,并在训练过程中调节预识别网络的全连接层网络参数,根据训练精度、验证精度和损失函数曲线选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络。
2.根据权利要求1所述的一种基于云平台的色织面料快速生产方法,其特征在于,各类别对应的识别网络的构建过程如下:
(1)逐个确定同一类别的A的所有的图像对应的编码;
(2)将同一类别的A的所有的图像进行数据扩充后划分为训练样本集I1和验证样本集I2,并将训练样本集I1和验证样本集I2打上标签打包成VGG网络需要的数据格式;
(3)将训练代数设置为M,调节VGG网络的所有参数,利用训练样本集I1对VGG网络进行训练得到训练精度与损失函数曲线,再利用验证样本集I2对VGG网络进行验证得到验证精度;
(4)根据(3)中的训练精度、验证精度和损失函数曲线选择相对最优的一代参数代入VGG网络得到预识别网络,再利用验证样本集I2中的每小类样本对预识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指验证样本集I2中由同一张图像变化得到的所有的图像;
(5)按(4)中的验证精度将验证样本集I2中的样本分为0.80以上、小于0.80和错分样本三大类;
(6)对三大类样本进行数据扩充;
(7)分别将每大类样本以n1:n2:n3的比例随机分成训练样本集II1i、验证样本集II2i和测试样本集II3i;
(8)将训练代数设置为M/2,只调节预识别网络的全连接层网络参数,利用训练样本集II1i对预识别网络进行训练得到训练精度与损失函数曲线,再利用验证样本集II2i对预识别网络进行验证得到验证精度;
(9)根据(8)中的训练精度、验证精度和损失函数曲线选择相对最优的一代全连接层网络参数代入预识别网络得到识别网络;
(10)利用测试样本集II3i中的每小类样本对识别网络进行验证,并记录每小类样本的验证精度,一小类样本是指测试样本集II3i中由同一张图像变化得到的所有的图像,如果测试样本集II3i中的每小类样本的验证精度都大于等于0.80,则输出识别网络后结束;反之,则按验证精度将测试样本集II3i中的样本分为0.80以上、小于0.80和错分样本三大类后,对验证精度小于0.80的样本和错分样本进行扩充后同验证精度为0.80以上的样本一起返回步骤(7)。
3.根据权利要求2所述的一种基于云平台的色织面料快速生产方法,其特征在于,训练样本集I1与验证样本集I2的样本数量比为7:3或8:2,n1:n2:n3为6-7:3-2:1。
4.根据权利要求3所述的一种基于云平台的色织面料快速生产方法,其特征在于,所述特征信息包含面料种类、花型和颜色数目,所述类别是根据面料种类和花型确定的,同一类别的色织面料为面料种类和花型都相同的色织面料。
5.根据权利要求4所述的一种基于云平台的色织面料快速生产方法,其特征在于,所述编码为N1N2N3N4Y1Y2Y3Y4Y5,其中,N1代表色织面料的面料种类,N1取值为1和2时分别对应代表机织物和针织物,N2代表色织面料的花型,N2取值为1、2、3、4和5时分别对应代表条形、格型、点状、素色和其他,N3N4为色织面料的颜色数目,按照升序排列,从“01”开始,最多编至“99”,Y1Y2Y3Y4Y5为顺序代码,其按照升序排列,从“00001”开始,最多编至“99999”。
6.根据权利要求5所述的一种基于云平台的色织面料快速生产方法,其特征在于,所述同一类别的色织面料A的图像储存在同一电子图库中,所述电子图库的建立步骤如下:
(1)拍摄色织面料A的图像;
(2)确定色织面料A的编码;
(3)分别建立机织物大库和针织物大库,并将N1取值为1和2的色织面料A的图像分别对应储存在机织物大库和针织物大库;
(4)分别在机织物大库和针织物大库中建立条形库、格型库、点状库、素色库和其他花型库,并将机织物大库和针织物大库中储存的N2取值为1、2、3、4和5的色织面料A的图像分别对应储存在条形库、格型库、点状库、素色库和其他花型库;
(5)将条形库、格型库、点状库、素色库和其他花型库中色织面料A的图像统一缩略成N*N大小的图像,最终得到的条形库、格型库、点状库、素色库和其他花型库即为电子图库。
7.根据权利要求6所述的一种基于云平台的色织面料快速生产方法,其特征在于,N的取值范围为200-600像素。
8.根据权利要求7所述的一种基于云平台的色织面料快速生产方法,其特征在于,所述生产信息以表格的形式储存在各电子图库中,且与各电子图库中色织面料A的编码一一对应;所述生产信息包括生产周期、机器分类、面料类型、图案种类、原料种类和颜色配方。
9.根据权利要求8所述的一种基于云平台的色织面料快速生产方法,其特征在于,基于云平台的色织面料快速生产方法的流程如下:
(1)建立电子图库和生产信息表;
(2)将电子图库上传到云平台;
(3)客户通过远程连接云平台,在线选择所需的色织面料A的图像,如有满意的色织面料A的图像,则将A的编码发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
(4)客户拍摄B的图像后上传至云平台;
(5)在线检索是否有匹配的A的图像,如有,则将A的编码发送至企业,企业调取A的生产信息,并在收到订单后进行大货生产,反之,则进入下一步;
(6)将B的图像发送至小样室;
(7)小样室进行打样后将小样图像在线发送至客户确认,如满意,则按小样图像的配方进行大货生产,反之,则进入下一步;
(8)调整小样的配方后返回步骤(7)或结束。
10.根据权利要求9所述的一种基于云平台的色织面料快速生产方法,其特征在于,按小样图像的配方进行大货生产的同时确定小样图像的编码和生产信息并同小样图像一起加入电子图库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811335616.9A CN109543733B (zh) | 2018-11-11 | 2018-11-11 | 一种基于云平台的色织面料快速生产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811335616.9A CN109543733B (zh) | 2018-11-11 | 2018-11-11 | 一种基于云平台的色织面料快速生产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109543733A true CN109543733A (zh) | 2019-03-29 |
CN109543733B CN109543733B (zh) | 2021-06-04 |
Family
ID=65846730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811335616.9A Active CN109543733B (zh) | 2018-11-11 | 2018-11-11 | 一种基于云平台的色织面料快速生产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543733B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633397A (zh) * | 2020-12-29 | 2021-04-09 | 江苏惟妙纺织科技有限公司 | 一种绣花定制方法及系统 |
CN114253199A (zh) * | 2022-03-01 | 2022-03-29 | 江苏苏美达纺织有限公司 | 一种编织控制方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030187615A1 (en) * | 2002-03-26 | 2003-10-02 | John Epler | Methods and apparatus for early detection of health-related events in a population |
CN106055834A (zh) * | 2016-06-22 | 2016-10-26 | 江西服装学院 | 一种三维立体服装设计系统 |
CN106934070A (zh) * | 2017-04-24 | 2017-07-07 | 东华大学 | 一种快速反应的色织面料设计生产方法 |
CN107103181A (zh) * | 2017-03-27 | 2017-08-29 | 东华大学 | 一种基于最小二乘支持向量机的色纺纱配色方法 |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
CN108399378A (zh) * | 2018-02-08 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于vgg深度卷积网络的自然场景图像识别方法 |
-
2018
- 2018-11-11 CN CN201811335616.9A patent/CN109543733B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030187615A1 (en) * | 2002-03-26 | 2003-10-02 | John Epler | Methods and apparatus for early detection of health-related events in a population |
US20180204111A1 (en) * | 2013-02-28 | 2018-07-19 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
CN106055834A (zh) * | 2016-06-22 | 2016-10-26 | 江西服装学院 | 一种三维立体服装设计系统 |
CN107103181A (zh) * | 2017-03-27 | 2017-08-29 | 东华大学 | 一种基于最小二乘支持向量机的色纺纱配色方法 |
CN106934070A (zh) * | 2017-04-24 | 2017-07-07 | 东华大学 | 一种快速反应的色织面料设计生产方法 |
CN107679106A (zh) * | 2017-04-24 | 2018-02-09 | 东华大学 | 一种快速反应的色织面料设计生产方法 |
CN108389180A (zh) * | 2018-01-19 | 2018-08-10 | 浙江工业大学 | 一种基于深度学习的织物疵点检测方法 |
CN108399378A (zh) * | 2018-02-08 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种基于vgg深度卷积网络的自然场景图像识别方法 |
Non-Patent Citations (2)
Title |
---|
SU-YI LIU ET AL: "BP neural network in classification of fabric defect based on particle swarm optimization", 《2008 INTERNATIONAL CONFERENCE ON WAVELET ANALYSIS AND PATTERN RECOGNITION》 * |
景军锋等: "基于改进SAE网络的织物疵点检测算法", 《电子测量与仪器学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633397A (zh) * | 2020-12-29 | 2021-04-09 | 江苏惟妙纺织科技有限公司 | 一种绣花定制方法及系统 |
CN112633397B (zh) * | 2020-12-29 | 2021-12-14 | 江苏惟妙纺织科技有限公司 | 一种绣花定制方法及系统 |
CN114253199A (zh) * | 2022-03-01 | 2022-03-29 | 江苏苏美达纺织有限公司 | 一种编织控制方法和系统 |
CN114253199B (zh) * | 2022-03-01 | 2022-05-06 | 江苏苏美达纺织有限公司 | 一种编织控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109543733B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349146B (zh) | 基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN108242054A (zh) | 一种钢板缺陷检测方法、装置、设备和服务器 | |
CN108564049A (zh) | 一种基于深度学习的快速人脸检测识别方法 | |
CN108520114A (zh) | 一种纺织布疵点检测模型及其训练方法和应用 | |
CN104933428B (zh) | 一种基于张量描述的人脸识别方法及装置 | |
CN107316066A (zh) | 基于多通路卷积神经网络的图像分类方法及系统 | |
CN106156781A (zh) | 排序卷积神经网络构建方法及其图像处理方法与装置 | |
CN103544499B (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN111291639B (zh) | 基于分层变分自编码的跨源舰船特征融合学习与识别方法 | |
CN109800811A (zh) | 一种基于深度学习的小样本图像识别方法 | |
CN107463965A (zh) | 基于深度学习的面料属性图片采集和识别方法及识别系统 | |
CN109522924A (zh) | 一种基于单张照片的阔叶林树种识别方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN108596203A (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN109272500A (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN109187579A (zh) | 织物疵点检测方法及装置、计算机设备及计算机可读介质 | |
CN109376787A (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN109872313A (zh) | 一种基于深度卷积自编码器的产品表面缺陷检测方法 | |
CN109543733A (zh) | 一种基于云平台的色织面料快速生产方法 | |
CN108932712A (zh) | 一种转子绕组质量检测系统及方法 | |
CN108830185A (zh) | 基于多任务联合学习的行为识别及定位方法 | |
CN110487547A (zh) | 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法 | |
Sette et al. | Self-organizing neural nets: A new approach to quality in textiles | |
CN107633272A (zh) | 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |