CN112966637A - 基于深度学习的织物纹理分类自动识别方法 - Google Patents

基于深度学习的织物纹理分类自动识别方法 Download PDF

Info

Publication number
CN112966637A
CN112966637A CN202110301616.2A CN202110301616A CN112966637A CN 112966637 A CN112966637 A CN 112966637A CN 202110301616 A CN202110301616 A CN 202110301616A CN 112966637 A CN112966637 A CN 112966637A
Authority
CN
China
Prior art keywords
fabric texture
classification
training set
texture image
fabric
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.)
Pending
Application number
CN202110301616.2A
Other languages
English (en)
Inventor
顾金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Original Assignee
Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd filed Critical Changzhou Hongda Intelligent Equipment Industry Development Research Institute Co ltd
Priority to CN202110301616.2A priority Critical patent/CN112966637A/zh
Publication of CN112966637A publication Critical patent/CN112966637A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的织物纹理分类自动识别方法，包括采集织物纹理图像并建立织物纹理图像训练集；对织物纹理图像训练集进行滤波处理，然后对织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，对频谱图进行二值化处理，得到二值化频谱图；构建并训练深度卷积神经网络分类模型，深度卷积神经网络分类模型包括卷积层、全连接特征层、全连接分类层和分类器，深度卷积神经网络分类模型中的各个层之间通过神经元相互连接，利用二值化频谱图训练深度卷积神经网络分类模型，实现对图像正确分类识别；使用训练好的深度卷积神经网络分类模型对新采集的织物纹理图像进行分类识别。本发明识别时间短，识别准确率高。

Description

基于深度学习的织物纹理分类自动识别方法
技术领域
本发明涉及一种纹理识别方法，特别是涉及一种织物纹理分类自动识别方法，属于纺织印染工艺技术领域。
背景技术
织物纹理是织物的重要规格参数，由于在生产过程中，织物容易发生纬斜或者纬弯等现象，此时就需要根据织物纹理来设置不同的整纬参数，不同整纬参数对整纬质量具有很大影响，因此识别织物的纹理分类对整纬质量起着重要的作用。传统的识别织物纹理分类方法，主要是通过人工肉眼观察，该方法很容易因为人眼疲劳以及人的主观意识对织物纹理识别造成影响。鉴于此，市场上出现了很多采用传统图像处理技术来识别织物的组织结构从而识别出其纹理分类的方法，但是，由于基于传统图像处理技术的织物纹理识别方法存在很多对织物组织点判断错误的缺陷，因此造成织物纹理分类识别错误或者无法识别的情况。
发明内容
本发明要解决的技术问题是克服现有技术的不足，提供一种识别准确率高，并且识别时间短、识别效率高的基于深度学习的织物纹理分类自动识别方法。
为解决上述技术问题，本发明采用这样一种基于深度学习的织物纹理分类自动识别方法，包括以下步骤：
步骤1，采集织物纹理图像并建立织物纹理图像训练集；
步骤2，对所述织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对所述频谱图进行二值化处理，得到织物纹理图像训练集的二值化频谱图；
步骤3，构建并训练深度卷积神经网络分类模型，所述深度卷积神经网络分类模型包括卷积层、全连接特征层、全连接分类层和分类器，所述深度卷积神经网络分类模型中的各个层之间通过神经元相互连接，利用所述二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别；
步骤4，使用训练好的深度卷积神经网络分类模型对新采集的织物纹理图像进行分类识别。
作为本发明的一种优选实施方式，在步骤1中，所述采集织物纹理图像并建立织物纹理图像训练集，具体为：
步骤1.1，采集织物纹理图像：使用工业相机，采集不同粗细纱线的同一纹理织物在织物处于水平状态和织物倾斜不同角度时所产生的织物纹理图像；
步骤1.2，建立织物纹理图像训练集：将步骤1.1采集的织物纹理图像建立织物纹理图像训练集，按照织物纹理分类对所述织物纹理图像训练集中的每幅图像进行分类标记，所述织物纹理分类总数目为N。
作为本发明的一种优选实施方式，在步骤2中，所述对织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对频谱图进行二值化处理，具体为：
步骤2.1，对织物纹理图像训练集中的每幅图像进行均值滤波处理；
步骤2.2，对均值滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对织物纹理图像训练集的频谱图进行二值化处理；
步骤2.3，对所述频谱图进行二值化处理，其步骤是先找出频谱图中最亮的前M个像素，并将其灰度值置为1，将其他像素的灰度值全部置为0，得到织物纹理图像训练集的二值化频谱图，其中，M表示像素个数。
作为本发明的一种优选实施方式，在步骤3中，所述利用二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别，具体为：
步骤3.1，所述卷积层对输入的织物纹理图像训练集的二值化频谱图先进行卷积操作，再进行一次非线性操作，最后进行池化操作，得到多维卷积特征图，所述非线性操作是通过Relu函数实现的；
步骤3.2，所述全连接特征层将所述多维卷积特征图压平为一维卷积特征图，所述一维卷积特征图的尺寸大小为1×1×Z，其中，Z表示全连接特征层的神经元个数；
步骤3.3，所述全连接分类层设置K个神经元，将全连接特征层的各个神经元分别与全连接分类层的各个神经元进行连接，得到1×1×K特征图，其中，K等于织物纹理分类总数目；
步骤3.4，所述分类器为softmax分类器，将步骤3.3得到的1×1×K特征图连接softmax分类器，由softmax分类器得出所输入的织物纹理图像训练集中的每幅图像分别属于步骤1.2中每一分类的概率，概率值最大的分类即为深度卷积神经网络分类模型预测出的分类；对比所输入的织物纹理图像训练集中的每幅图像在步骤1.2中作的分类标记与深度卷积神经网络分类模型预测出的分类，计算两者间的误差值，通过不断的反向传播梯度下降法优化神经网络的权重参数，使深度卷积神经网络分类模型预测出的分类与步骤1.2中作的分类标记相同，实现对织物纹理图像训练集中的每幅图像进行正确分类识别，从而完成深度卷积神经网络分类模型训练。
采用上述方法后，本发明具有以下有益效果：
本发明通过对不同织物纹理图像进行标记和预处理，将其二值化频谱图像输入到深度卷积神经网络分类模型中进行训练，最后达到正确识别织物纹理分类的效果。
本发明充分利用了织物纹理图像的频域特征，该识别方法对织物纹理角度的适应性强，对于不同角度和不同粗细纱线的同一纹理的识别准确率高；本发明大大缩短了识别时间，实现了实时的识别效率。
本发明实施方便，有助于提升纺织业的整体水平，提高行业竞争力。
具体实施方式
为了对织物纹理进行正确分类识别，本发明采用这样一种基于深度学习的织物纹理分类自动识别方法，包括以下步骤：
步骤1，采集织物纹理图像并建立织物纹理图像训练集；
步骤2，对所述织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对所述频谱图进行二值化处理，得到织物纹理图像训练集的二值化频谱图；
步骤3，构建并训练深度卷积神经网络分类模型，所述深度卷积神经网络分类模型包括卷积层、全连接特征层、全连接分类层和分类器，所述深度卷积神经网络分类模型中的各个层之间通过神经元相互连接，利用所述二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别；
步骤4，使用训练好的深度卷积神经网络分类模型对新采集的织物纹理图像进行分类识别。
作为本发明的一种优选实施方式，在步骤1中，所述采集织物纹理图像并建立织物纹理图像训练集，具体为：
步骤1.1，采集织物纹理图像：使用工业相机，采集不同粗细纱线的同一纹理织物在织物处于水平状态和织物倾斜不同角度时所产生的织物纹理图像；本发明优选一共采集了3600张图像，具体是采集了40纱支的细号纱线、32纱支的中号纱线和21纱支的粗号纱线的平纹织物在织物处于水平状态和织物倾斜-20度到20度范围内的任意角度所产生的织物纹理图像共900张；采集了40纱支的细号纱线、32纱支的中号纱线和21纱支的粗号纱线的斜纹织物在织物处于水平状态和织物倾斜-20度到20度范围内的任意角度所产生的织物纹理图像共900张；采集了40纱支的细号纱线、32纱支的中号纱线和21纱支的粗号纱线的锻纹织物在织物处于水平状态和织物倾斜-20度到20度范围内的任意角度所产生的织物纹理图像共900张；采集了40纱支的细号纱线、32纱支的中号纱线和21纱支的粗号纱线的提花织物在织物处于水平状态和织物倾斜-20度到20度范围内的任意角度所产生的织物纹理图像共900张；
步骤1.2，建立织物纹理图像训练集：将步骤1.1采集的织物纹理图像建立织物纹理图像训练集，按照织物纹理分类对所述织物纹理图像训练集中的每幅图像优选通过人工进行分类标记，所述织物纹理分类总数目为N。
作为本发明的一种优选实施方式，在步骤2中，所述对织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对频谱图进行二值化处理，具体为：
步骤2.1，对织物纹理图像训练集中的每幅图像进行均值滤波处理；
步骤2.2，对均值滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对织物纹理图像训练集的频谱图进行二值化处理；
步骤2.3，对所述频谱图进行二值化处理，其步骤是先找出频谱图中最亮的前M个像素，并将其灰度值置为1，将其他像素的灰度值全部置为0，得到织物纹理图像训练集的二值化频谱图，其中，M表示像素个数，M取值优选为50。
作为本发明的一种优选实施方式，在步骤3中，所述利用二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别，具体为：
步骤3.1，所述卷积层对输入的织物纹理图像训练集的二值化频谱图先进行卷积操作，再进行一次非线性操作，最后进行池化操作，得到多维卷积特征图，所述非线性操作是通过Relu函数实现的；在本发明中，所述卷积层的个数优选为13，卷积核的个数分别为2、2、3、3、3，卷积核大小为3,3，池化操作采用最大值池化操作，其步长为2；
步骤3.2，所述全连接特征层将所述多维卷积特征图压平为一维卷积特征图，所述一维卷积特征图的尺寸大小为1×1×Z，其中，Z表示全连接特征层的神经元个数；在本发明中，所述全连接特征层的个数优选为1，所述Z取值优选为4096；
步骤3.3，所述全连接分类层设置K个神经元，将全连接特征层的各个神经元分别与全连接分类层的各个神经元进行连接，即将全连接特征层的神经元与全连接分类层的神经元进行一对一连接，得到1×1×K特征图，其中，K等于织物纹理分类总数目，即K等于N；
步骤3.4，所述分类器为softmax分类器，将步骤3.3得到的1×1×K特征图连接softmax分类器，由softmax分类器得出所输入的织物纹理图像训练集中的每幅图像分别属于步骤1.2中每一分类的概率，概率值最大的分类即为深度卷积神经网络分类模型预测出的分类；对比所输入的织物纹理图像训练集中的每幅图像在步骤1.2中作的分类标记与深度卷积神经网络分类模型预测出的分类，计算两者间的误差值，通过不断的反向传播梯度下降法优化神经网络的权重参数，使深度卷积神经网络分类模型预测出的分类与步骤1.2中作的分类标记相同，实现对织物纹理图像训练集中的每幅图像进行正确分类识别，从而完成深度卷积神经网络分类模型训练。
经过测试，本发明采用织物的频谱图像输入网络训练分类，充分利用了织物图像的频域特征，该识别方法对织物纹理角度的适应性强，对于不同角度和不同粗细纱线的同一纹理识别准确率高，取得了良好的效果。

Claims (4)

1.一种基于深度学习的织物纹理分类自动识别方法，其特征在于，包括以下步骤：
步骤1，采集织物纹理图像并建立织物纹理图像训练集；
步骤2，对所述织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对所述频谱图进行二值化处理，得到织物纹理图像训练集的二值化频谱图；
步骤3，构建并训练深度卷积神经网络分类模型，所述深度卷积神经网络分类模型包括卷积层、全连接特征层、全连接分类层和分类器，所述深度卷积神经网络分类模型中的各个层之间通过神经元相互连接，利用所述二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别；
步骤4，使用训练好的深度卷积神经网络分类模型对新采集的织物纹理图像进行分类识别。
2.根据权利要求1所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤1中，所述采集织物纹理图像并建立织物纹理图像训练集，具体为：
步骤1.1，采集织物纹理图像：使用工业相机，采集不同粗细纱线的同一纹理织物在织物处于水平状态和织物倾斜不同角度时所产生的织物纹理图像；
步骤1.2，建立织物纹理图像训练集：将步骤1.1采集的织物纹理图像建立织物纹理图像训练集，按照织物纹理分类对所述织物纹理图像训练集中的每幅图像进行分类标记，所述织物纹理分类总数目为N。
3.根据权利要求1所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤2中，所述对织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对频谱图进行二值化处理，具体为：
步骤2.1，对织物纹理图像训练集中的每幅图像进行均值滤波处理；
步骤2.2，对均值滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对织物纹理图像训练集的频谱图进行二值化处理；
步骤2.3，对所述频谱图进行二值化处理，其步骤是先找出频谱图中最亮的前M个像素，并将其灰度值置为1，将其他像素的灰度值全部置为0，得到织物纹理图像训练集的二值化频谱图，其中，M表示像素个数。
4.根据权利要求2所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤3中，所述利用二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别，具体为：
步骤3.1，所述卷积层对输入的织物纹理图像训练集的二值化频谱图先进行卷积操作，再进行一次非线性操作，最后进行池化操作，得到多维卷积特征图，所述非线性操作是通过Relu函数实现的；
步骤3.2，所述全连接特征层将所述多维卷积特征图压平为一维卷积特征图，所述一维卷积特征图的尺寸大小为1×1×Z，其中，Z表示全连接特征层的神经元个数；
步骤3.3，所述全连接分类层设置K个神经元，将全连接特征层的各个神经元分别与全连接分类层的各个神经元进行连接，得到1×1×K特征图，其中，K等于织物纹理分类总数目；
步骤3.4，所述分类器为softmax分类器，将步骤3.3得到的1×1×K特征图连接softmax分类器，由softmax分类器得出所输入的织物纹理图像训练集中的每幅图像分别属于步骤1.2中每一分类的概率，概率值最大的分类即为深度卷积神经网络分类模型预测出的分类；对比所输入的织物纹理图像训练集中的每幅图像在步骤1.2中作的分类标记与深度卷积神经网络分类模型预测出的分类，计算两者间的误差值，通过不断的反向传播梯度下降法优化神经网络的权重参数，使深度卷积神经网络分类模型预测出的分类与步骤1.2中作的分类标记相同，实现对织物纹理图像训练集中的每幅图像进行正确分类识别，从而完成深度卷积神经网络分类模型训练。
CN202110301616.2A 2021-03-22 2021-03-22 基于深度学习的织物纹理分类自动识别方法 Pending CN112966637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110301616.2A CN112966637A (zh) 2021-03-22 2021-03-22 基于深度学习的织物纹理分类自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110301616.2A CN112966637A (zh) 2021-03-22 2021-03-22 基于深度学习的织物纹理分类自动识别方法

Publications (1)

Publication Number Publication Date
CN112966637A true CN112966637A (zh) 2021-06-15

Family

ID=76279496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110301616.2A Pending CN112966637A (zh) 2021-03-22 2021-03-22 基于深度学习的织物纹理分类自动识别方法

Country Status (1)

Country Link
CN (1) CN112966637A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240013A (zh) * 2022-09-20 2022-10-25 惠民县黄河先进技术研究院 基于图像数据分析的织物肌理自动分类方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240013A (zh) * 2022-09-20 2022-10-25 惠民县黄河先进技术研究院 基于图像数据分析的织物肌理自动分类方法及系统
CN115240013B (zh) * 2022-09-20 2022-12-09 惠民县黄河先进技术研究院 基于图像数据分析的织物肌理自动分类方法及系统

Similar Documents

Publication Publication Date Title
CN107341499B (zh) 一种基于无监督分割和elm的织物缺陷检测和分类方法
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN111862194B (zh) 基于计算机视觉的深度学习植物生长模型分析方法及系统
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN108364281B (zh) 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法
CN101866427A (zh) 织物瑕疵检测与分类方法
Kuo et al. Application of computer vision in the automatic identification and classification of woven fabric weave patterns
CN110827260B (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN113109348B (zh) 一种基于机器视觉的桨影移印缺陷识别方法
CN109272500A (zh) 基于自适应卷积神经网络的织物分类方法
CN110188806A (zh) 一种基于机器视觉的大圆机织物疵点检测与分类方法
CN109509171A (zh) 一种基于gmm和图像金字塔的布匹疵点检测方法
CN115719344A (zh) 用于纺织布料质检的面料缺陷分析识别方法
CN115266732B (zh) 基于机器视觉的碳纤维丝束缺陷检测方法
CN112966637A (zh) 基于深度学习的织物纹理分类自动识别方法
CN113936001B (zh) 一种基于图像处理技术的纺织品表面瑕疵点检测方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN108596249B (zh) 图像特征提取及分类的方法和装置
CN114693652B (zh) 基于高斯混合模型的织物缺陷检测方法
CN113283499B (zh) 一种基于深度学习的三维编制物编制密度检测方法
CN113034403B (zh) 医学影像数据通过高斯滤波进行降噪的工作方法
CN113160166B (zh) 通过卷积神经网络模型进行医学影像数据挖掘工作方法
CN112966769A (zh) 基于深度学习的织物花型分类自动识别方法
CN114565607B (zh) 基于神经网络的织物缺陷图像分割方法
CN113160167B (zh) 通过深度学习网络模型进行医学影像数据提取工作方法

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