CN111161207A - 一种集成的卷积神经网络织物疵点分类方法 - Google Patents
一种集成的卷积神经网络织物疵点分类方法 Download PDFInfo
- Publication number
- CN111161207A CN111161207A CN201911110682.0A CN201911110682A CN111161207A CN 111161207 A CN111161207 A CN 111161207A CN 201911110682 A CN201911110682 A CN 201911110682A CN 111161207 A CN111161207 A CN 111161207A
- Authority
- CN
- China
- Prior art keywords
- integrated
- result
- neural network
- layer
- convolutional neural
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
Abstract
本发明公开了一种集成的卷积神经网络织物疵点分类方法,首先对织物图像进行预处理,将原本的图像数据集进行任意旋转、变暗、加入高斯噪声和椒盐噪声来增强数据;再次对图像进行归一化处理,对DenseNet、InceptionV3和Xception在ImageNet上训练过的模型进行微调和迁移,在训练过程中调整学习参数以及冻结层数和训练测试时间,进行多次尝试后训练出自己的权重,然后得到预测结果;最后将基础模型预测出来的结果作为集成的输入,Voting(soft)集成的结果作为最终预测结果。本方法能够快速、有效的分类出织物的疵点类别,降低纺织品生产过程中的成本,提高生产效率。
Description
技术领域
本发明属于数字图像处理研究领域,具体涉及一种集成的卷积神经网络织物疵点分类方法。
背景技术
卷积神经网络作为神经网络研究领域最重要的成果之一,随着计算机硬件技术的不断发展,基于深度学习理论的卷积神经网络已广泛的应用于语音、自然语言、图像检索、识别及分类研究中。不断扩充的卷积神经网络结构,使图像识别精度不断提升,如2014年谷歌团队采用深度神经网络识别图像,错误率达到6.66%;2015年微软北京研究实验团队采用152层深度神经网络,识别图像错误率仅为3.57%,首次低于人类的错误率5%。因此,通过构建神经网络快速分析个体特征是物品分类的一种有效方法,其感知过程更接近于人类的感知水平。
我国是重要的纺织品生产基地,纺织品产量居于世界前列,长期以来,我国纺织品行业都存在产量和质量均不稳定的问题。在织物生产过程中,织物疵点的产生不可避免,但是织物疵点也是导致纺织品产量、质量不稳定的重要因素。传统的人眼检测存在效率低、成本高等问题,所以我们面临的问题就是如何用人工智能的方法来提高分类的准确率,本发明采用集成的思想,采用三个集成模型学习织物疵点特征信息,基于集成模型采用卷积神经网络对织物疵点进行分类,进一步提升分类的准确率。
发明内容
本发明的目的在于提供一种集成的卷积神经网络织物疵点分类方法,通过集成模块优化分类器性能,进一步提升分类的准确率,以解决传统纺织品生产过程中织物疵点检测问题。
本发明通过以下技术方案实现的:
一种集成的卷积神经网络织物疵点分类方法,包括以下步骤:
步骤1:输入织物图像,对织物图像进行预处理,将原始的织物图像分别进行任意角度旋转、变暗、加入高斯噪声和椒盐噪声等处理来增强样本数据集,使步骤2中训练的模型具有泛化能力和较强的鲁棒性;
步骤2:训练DenseNet、InceptionV3和Xception三个基础模型,模型中包含卷积层、池化层、全连接层和Softmax层,通过卷积层提取图像特征,采用集成网络池化层降维采样,将得到的特征在全连接层合并,最后通过Softmax层输出图像概率。训练过程如下:首先对步骤1中预处理后的图像进行归一化处理;其次对三个DenseNet、InceptionV3和Xception基础模型进行微调和迁移,在训练过程中分别调整学习参数、冻结层数和训练测试时间;进行多次尝试后训练出自己的权重,然后得到预测结果;
步骤3:将步骤2中基础模型DenseNet、InceptionV3、Xception预测出来的结果,作为集成的输入,Voting(soft)集成的结果作为最终的预测结果。
进一步的,步骤1中旋转0-180°,高斯噪声为0.3,椒盐噪声为0.3,变暗为0.9。
进一步的,步骤2中,预处理后的图像进行归一化处理,将所有图像大小归一化为224×224×3,学习参数为0.001,一次取样数量为32,三个模型冻结层数分别是90、90、55,对特定的层进行训练,为防止过拟合采用随即丢弃策略,加入随机丢弃函数,参数0.5,使用以上参数训练后保存权重,最后得到预测结果。
进一步的,步骤3中基础模型DenseNet、InceptionV3、Xception全连接层每个Softmax层的输出概率值作为Voting(soft)输入值,使用Voting(soft)投票法集成的结果作为最终结果,根据三个模型分类结果的混淆矩阵,判断类间相似性和类内差异性决定Voting的权重,集成的结果作为最终的检测结果,输出。
本发明具有如下有益效果:
(1)能够快速、有效的分类出织物的疵点类别;
(2)能够有效的降低纺织品生产过程中的成本;
(3)能够有效的缓解检测人员长时间工作的视觉疲劳,提高生产效率。
附图说明
图1是本发明的流程图。
图2是本发明方法的数据预处理。
图3是本发明方法的基础模型训练图。
图4是本发明方法实施例的集成过程。
具体实施方式
以下结合实施例对本发明作出更详细的说明。应理解所述仅为本发明的个别实施例而己,并不以本发明为限制,凡在本发明的原则之内所作的均等修改、等同替换和改进等,均应包含在本发明的专利涵盖范围内。
一种集成的卷积神经网络织物疵点分类方法,按照以下步骤实施:
步骤1:输入织物图像,对织物图像进行预处理。将原始的织物图像分别进行任意角度旋转,本实施例中旋转角度为15°,90°,180°和270°;参数为0.9的变暗;加入30%的高斯噪声;加入30%椒盐噪声等处理来增强样本数据,使步骤2中训练的模型具有泛化能力和较强的鲁棒性。
步骤2:训练DenseNet、InceptionV3和Xception三个基础模型。模型中包含卷积层、池化层、全连接层和Softmax层,通过卷积层提取图像特征,采用集成网络池化层降维采样,将得到的特征在全连接层合并,最后通过Softmax层输出图像概率。训练过程如下:首先对步骤1中预处理后的图像进行归一化处理,将所有图像大小归一化为224×224×3;其次对三个DenseNet、InceptionV3和Xception基础模型进行微调和迁移,在训练过程中分别调整学习参数、冻结层数和训练测试时间,本实施例在进行30多次训练后确定参数,分别是学习参数为0.001,一次取样数量为32,三个模型冻结层数分别是90、90、55,对特定的层进行训练,为防止过拟合采用随即丢弃策略,加入随机丢弃函数,参数0.5。使用以上参数训练后保存权重,本实施例中三个基础模型平均训练时间分别为1070±3s、1000±3s、980±3s,平均测试时间分别为380±3s、150±3s、67±3s,然后得到预测结果,结果分别为94.8%、96.91%、95.8%。
步骤3:将步骤2中基础模型DenseNet、InceptionV3、Xception全连接层每个Softmax层的输出概率值作为Voting(soft)输入值,使用Voting(soft)投票法集成的结果作为最终结果,根据三个模型分类结果的混淆矩阵,判断类间相似性和类内差异性决定Voting的权重,集成的结果作为最终的检测结果输出。本实施例中三个基础模型的权重分别为1,3,3,集成时间为8.0s,集成的结果作为最终的检测结果,本实施例中最终集成结果为97.68%,此结果明显高于三个基础模型的准确率94.8%、96.91%、95.8%。
Claims (4)
1.一种集成的卷积神经网络织物疵点分类方法,其特征在于,包括以下步骤:
步骤1:对原始织物图像进行任意旋转、变暗、加入高斯噪声和椒盐噪声预处理,增强样本数据集以实现卷积网络的迁移学习;
步骤2:训练DenseNet、InceptionV3和Xception三个基础模型,模型中包含卷积层、池化层、全连接层和Softmax层,通过卷积层提取图像特征,采用集成网络池化层降维采样,将得到的特征在全连接层合并,最后通过Softmax层输出图像概率,首先对预处理后的织物图像进行归一化处理,对DenseNet、InceptionV3和Xception在ImageNet上训练过的模型进行微调和迁移,在训练过程中调整学习参数以及冻结层数和训练测试时间,进行多次尝试后训练出自己的权重,然后得到预测结果;
步骤3:将步骤2中基础模型DenseNet、InceptionV3、Xception预测出来的结果,作为集成的输入,Voting(soft)集成的结果作为最终的预测结果。
2.根据权利要求1所述的一种集成的卷积神经网络织物疵点分类方法,其特征在于,所述步骤1中旋转0-180°,高斯噪声为0.3,椒盐噪声为0.3,变暗为0.9。
3.根据权利要求1所述的一种集成的卷积神经网络织物疵点分类方法,其特征在于,所述步骤2中对预处理后的图像进行归一化处理,将所有图像大小归一化为224×224×3,学习参数为0.001,一次取样数量为32,三个模型冻结层数分别是90、90、55,对特定的层进行训练,为防止过拟合采用随即丢弃策略,加入随机丢弃函数,参数0.5。
4.根据权利要求1所述的一种集成的卷积神经网络织物疵点分类方法,其特征在于,所述步骤3中基础模型DenseNet、InceptionV3、Xception全连接层每个Softmax层的输出概率值作为Voting(soft)输入值,使用Voting(soft)投票法集成的结果作为最终结果,根据三个模型分类结果的混淆矩阵,判断类间相似性和类内差异性决定Voting的权重,集成的结果作为最终的检测结果,输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911110682.0A CN111161207B (zh) | 2019-11-14 | 2019-11-14 | 一种集成的卷积神经网络织物疵点分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911110682.0A CN111161207B (zh) | 2019-11-14 | 2019-11-14 | 一种集成的卷积神经网络织物疵点分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161207A true CN111161207A (zh) | 2020-05-15 |
CN111161207B CN111161207B (zh) | 2023-04-07 |
Family
ID=70555982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911110682.0A Active CN111161207B (zh) | 2019-11-14 | 2019-11-14 | 一种集成的卷积神经网络织物疵点分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161207B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598184A (zh) * | 2020-05-25 | 2020-08-28 | 海南大学 | 一种基于DenseNet的图像噪声识别方法和装置 |
CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
CN112016622A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 模型训练的方法、电子设备和计算机可读存储介质 |
CN112200797A (zh) * | 2020-10-28 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN112837282A (zh) * | 2021-01-27 | 2021-05-25 | 上海交通大学 | 一种基于云边协同和深度学习的小样本图像缺陷检测方法 |
CN113011262A (zh) * | 2021-02-18 | 2021-06-22 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
CN114662033A (zh) * | 2022-04-06 | 2022-06-24 | 昆明信息港传媒有限责任公司 | 一种基于文本和图像的多模态有害链接识别 |
CN116575208A (zh) * | 2023-05-30 | 2023-08-11 | 烟台业林纺织印染有限责任公司 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
CN114662033B (zh) * | 2022-04-06 | 2024-05-03 | 昆明信息港传媒有限责任公司 | 一种基于文本和图像的多模态有害链接识别 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
US20190108396A1 (en) * | 2017-10-11 | 2019-04-11 | Aquifi, Inc. | Systems and methods for object identification |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
-
2019
- 2019-11-14 CN CN201911110682.0A patent/CN111161207B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845556A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于卷积神经网络的织物疵点检测方法 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
US20190108396A1 (en) * | 2017-10-11 | 2019-04-11 | Aquifi, Inc. | Systems and methods for object identification |
CN110400306A (zh) * | 2019-07-29 | 2019-11-01 | 恒天嘉华非织造有限公司 | 基于形态学滤波和卷积神经网络的无纺布疵点检测方法 |
Non-Patent Citations (1)
Title |
---|
景军锋等: "基于卷积神经网络的织物表面缺陷分类方法", 《测控技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598184A (zh) * | 2020-05-25 | 2020-08-28 | 海南大学 | 一种基于DenseNet的图像噪声识别方法和装置 |
CN111598184B (zh) * | 2020-05-25 | 2023-04-18 | 海南大学 | 一种基于DenseNet的图像噪声识别方法和装置 |
CN111709915A (zh) * | 2020-05-28 | 2020-09-25 | 拉萨经济技术开发区美第意户外用品有限公司 | 一种速干面料瑕疵的自动检测方法及系统 |
CN112016622A (zh) * | 2020-08-28 | 2020-12-01 | 中移(杭州)信息技术有限公司 | 模型训练的方法、电子设备和计算机可读存储介质 |
CN112200797A (zh) * | 2020-10-28 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN112200797B (zh) * | 2020-10-28 | 2024-04-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
CN112837282A (zh) * | 2021-01-27 | 2021-05-25 | 上海交通大学 | 一种基于云边协同和深度学习的小样本图像缺陷检测方法 |
CN113011262B (zh) * | 2021-02-18 | 2023-10-13 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
CN113011262A (zh) * | 2021-02-18 | 2021-06-22 | 广州大学华软软件学院 | 一种基于卷积神经网络的多尺寸细胞核识别装置及方法 |
CN113240217A (zh) * | 2021-07-12 | 2021-08-10 | 国网江西省电力有限公司电力科学研究院 | 一种基于集成预测模型的光伏发电预测方法及装置 |
CN114662033A (zh) * | 2022-04-06 | 2022-06-24 | 昆明信息港传媒有限责任公司 | 一种基于文本和图像的多模态有害链接识别 |
CN114662033B (zh) * | 2022-04-06 | 2024-05-03 | 昆明信息港传媒有限责任公司 | 一种基于文本和图像的多模态有害链接识别 |
CN116575208A (zh) * | 2023-05-30 | 2023-08-11 | 烟台业林纺织印染有限责任公司 | 一种柔软针织面料加工方法及其磨毛工艺设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111161207B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161207B (zh) | 一种集成的卷积神经网络织物疵点分类方法 | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN111860171A (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
CN109815814A (zh) | 一种基于卷积神经网络的人脸检测方法 | |
CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN112487938A (zh) | 一种利用深度学习算法实现垃圾分类的方法 | |
Pathak et al. | Classification of fruits using convolutional neural network and transfer learning models | |
CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN108537266A (zh) | 一种深度卷积网络的织物纹理疵点分类方法 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN116452963A (zh) | 一种基于多维特征的海底底质类型分类方法 | |
CN111754459B (zh) | 基于统计深度特征的染色伪造图像检测方法及电子装置 | |
CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
CN112784836A (zh) | 一种文本图形偏移角度预测及其校正方法 |
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 |