CN117218458A - 一种基于人工智能的装饰用纺织品自动分类方法 - Google Patents
一种基于人工智能的装饰用纺织品自动分类方法 Download PDFInfo
- Publication number
- CN117218458A CN117218458A CN202311474071.0A CN202311474071A CN117218458A CN 117218458 A CN117218458 A CN 117218458A CN 202311474071 A CN202311474071 A CN 202311474071A CN 117218458 A CN117218458 A CN 117218458A
- Authority
- CN
- China
- Prior art keywords
- texture feature
- decoration
- classified
- textile
- textiles
- 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
Links
- 239000004753 textile Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000005034 decoration Methods 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及一种基于人工智能的装饰用纺织品自动分类方法,涉及数据类别识别技术领域。该方法采用不同的滤波核依次对获取的待分类装饰用纺织品灰度图进行卷积得到不同滤波核对应的纹理特征图像,将纹理特征图像转换为纹理特征向量序列,利用纹理特征向量序列中两两向量的相似度构建待分类装饰用纺织品灰度图纹理特征矩阵,利用待分类装饰用纺织品灰度图纹理特征矩阵中和每类标准装饰用纺织品纹理特征矩阵中的元素计算该待分类装饰用纺织品属于每类标准装饰用纺织品概率,利用获得的待分类装饰用纺织品属于每类标准装饰用纺织品概率识别待分类装饰用纺织品的分类。本发明通过数据处理方法使得纺织品的类别识别方法精准而高效。
Description
技术领域
本申请涉及数据类别识别领域,具体涉及一种基于人工智能的装饰用纺织品自动分类方法。
背景技术
装饰用纺织品属于实用艺术的范畴,具有实用性和装饰性双重功能,装饰用纺织品顾名思义就是以装饰为目的的纺织物品,能充分实现装饰目的的是对这类纺织品的最基本要求,装饰用纺织品结合阿红的装饰设计可给人以艺术享受。装饰用纺织品主要通过织物的色彩、图案、款式、风格以及质感等特征来体现的,不同的建筑环境以及装饰对象,对于纺织品的选取也有所不同,因此,装饰用纺织品在生产完成之后,将会对其进行分类处理,便于厂家进行后续的销售。目前,对于装饰用纺织品的分类可采用神经网络进行识别分类,但是神经网络的准确率依靠于训练集的质量,并且训练成本较大,无法实现准确有效的对纺织品进行分类。
发明内容
本发明提供一种基于人工智能的装饰用纺织品自动分类方法,解决人工对装饰用纺织品分类时的主观性强,效率低下的问题,采用如下技术方案:
获取待分类装饰用纺织品灰度图;
采用不同的滤波核依次对获取的待分类装饰用纺织品灰度图进行卷积得到不同滤波核对应的纹理特征图像,且按照卷积的顺序对纹理特征图像进行排列得到纹理特征向量序列;
利用纹理特征向量序列中纹理特征向量的元素计算每一个纹理特征图像与其它纹理特征图像之间的相似度,并利用每一个纹理特征图像与其它纹理特征图像之间的相似度构建待分类装饰用纺织品灰度图纹理特征矩阵;
利用待分类装饰用纺织品灰度图纹理特征矩阵中和每类标准装饰用纺织品纹理特征矩阵中的元素计算该待分类装饰用纺织品属于每类标准装饰用纺织品概率;
利用获得的待分类装饰用纺织品属于每类标准装饰用纺织品概率对待分类装饰用纺织品进行分类。
所述标准装饰用纺织品纹理特征矩阵的获取方法与待分类装饰用纺织品灰度图纹理特征矩阵获取的方法相同。
所述每一个纹理特征图像与其它纹理特征图像之间的相似度的计算方法为:
式中,i、j为一维特征向量序列中一维向量的下标,范围为1到N,为向量r和向量j的相似度,k=1,2,3,...,WH,WH为一维纹理特征向量中元素个数W/>H,/>为一维纹理特征向量/>之间的相似程度,/>、/>分别为纹理特征向量/>中的第k个元素,/>分别为纹理特征向量/>所包含元素的均值。
所述待分类装饰用纺织品灰度图纹理特征矩阵为:
式中,为待分类装饰用纺织品灰度图纹理特征矩阵,/>为第N个纹理特征图像与第N个纹理特征图像之间的相似度。
待分类装饰用纺织品属于每类标准装饰用纺织品概率的计算方法为:
式中,为待分类装饰用纺织品属于t类标准装饰用纺织品的概率,/>为待分类装饰用纺织品灰度图纹理特征矩阵H中的第w个元素,/>为t类标准装饰用纺织品对应的纹理特征矩阵的第w个元素。
所述将待分类装饰用纺织品进行分类的方法为:
计算出待分类装饰用纺织品属于每一类标准装饰用纺织品的概率,将待分类装饰用纺织品归类为最大概率对应的标准纺织品类别中。
本发明的有益效果是:通过纹理特征向量序列构建纺织品灰度纹理特征矩阵,实现了特征数据的量化,方便了对纺织品的分类。通过准确量化的纹理特征矩阵和每类表征装饰用纺织品的纹理特征矩阵之间的对比即可获得每类表征装饰用纺织品概率,进而实现准确的纺织品分类。。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于人工智能的装饰用纺织品自动分类方法的流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种基于人工智能的装饰用纺织品自动分类方法的实施例,如图1所示,包括:
步骤一:获取待分类装饰用纺织品图像;
该步骤的目的是采集装饰用纺织品图像并进行预处理和灰度化,提高了后续检测速度和精度。
其中,图像采集,步骤如下:
设置图像采集设备,用于采集装饰用纺织品表面的图像数据,其中,摄像头的拍摄范围及角度实施者根据实际情况自行调整。
其中,对采集图像进行预处理,将纺织品图像进行去噪、灰度化,进而得到灰度图,具体方法为:
由于在进行图像采集过程中,厂房内的环境较为复杂,织物表面的浮尘等都会导致所采集的图像表面出现噪点,因此,本实施例将采用均值滤波算法对所采集的图像数据进行去噪处理,消除图像表面的噪点等,提高图像质量,同时,为提高后续装饰用纺织品的风格及表面肌理指标的提取精度,本发明将对去噪后的图像进行亮度均衡化处理,消除图像表面光照不均衡的情况,避免外在因素对图像质量的影响,获取高质量的图像数据,用于对纺织品进行分类识别。
需要说明的是,为了降低系统计算量,准确提取纺织品的风格指标,本实施例对图像数据进行灰度化处理,可得到对应的灰度化图像,作为后续分析及特征提取的输入数据。灰度化处理提高了后续检测速度。
至此,按照上述步骤即可获取待分类装饰用纺织品的高质量图像数据,可有效避免外界因素的影响,提高装饰用纺织品的分类精度。
步骤二:不同参数的N个Gabor滤波进行卷积。
采用不同的滤波核依次对获取的待分类装饰用纺织品灰度图进行卷积得到不同滤波核对应的纹理特征图像,即得到N个纹理特征图,且按照卷积的顺序对纹理特征图像进行排列得到纹理特征向量序列,即对得到的纹理特征图进行特征展平后生成N个一维特征向量构成向量序列;
该步骤的目的是基于图像数据进行滤波核卷积,得到纹理特征图像,用向量来表示纹理特征数据。
其中,待分类装饰用纺织品的纹理特征图像的获取方法如下:
本实施例将步骤一所述灰度化图像作为输入,通过滤波器对其纹理特征参数进行提取,将设置N个滤波器对图像进行卷积操作,且每个滤波器包含一个滤波核,所述滤波核为Gabor滤波,使用后N个不同参数的Gabor滤波核对图像进行卷积操作以获取不同滤波核下的纹理特征图像,可得到N张滤波卷积后的纹理特征图像。
其中,待分类装饰用纺织品的纹理特征图像对应的一维纹理向量序列获取步骤为:
(1)本发明将卷积后的所有纹理特征图像作为一个整体的多维特征图,也即可得到的特征图,其中,/>为特征图的尺寸,/>为卷积得到的各图像的尺寸,N为卷积得到的纹理特征图像的数量,也即特征图的高度,所述Gabor滤波器数量N以及滤波核的选取实施者可自行设定。
(2)基于所述滤波器对图像进行纹理提取之后,进一步本发明将所述特征图中各滤波器获取的纹理特征图像进行特征展平,将其均转换成一个一维形式的纹理特征向量,/>也即/>纹理特征向量的元素个数,所述特征展平也即/>过程,其具体过程为公知技术,不在本发明具体阐述,将所有卷积后得到的纹理特征图像均进行特征展平,可得到N个一维的纹理特征向量序列:{/>。
需要说明的是:一个纺织品图像经过N各滤波核滤波之后可以的得到N张卷积图,每个卷积图都进行一个展平,每个卷积图展开之后就是一个一维的向量,这个一维的向量里面有很多元素(也就是向量里面包含的数据),一维向量的元素的个数也就是原来一张卷积图中的像素点的数量W*H。
步骤三:计算序列中一维特征向量两两相似度。
利用纹理特征向量序列中纹理特征向量的元素计算每一个纹理特征图像与其它纹理特征图像之间的相似度,并利用每一个纹理特征图像与其它纹理特征图像之间的相似度构建待分类装饰用纺织品灰度图纹理特征矩阵;即基于相似度构建纹理特征矩阵表征风格指标。
该步骤的目的是对于步骤二得到的纹理特征向量序列计算向量之间的相似度,反映每张纹理特征图和其他纹理特征图的相似度,将该相似度用于纺织品图像纹理特征矩阵的构建,进一步实现对装饰用纺织品的风格指标进行提取。
本实施例结合了结合皮尔逊系数对向量的相似程度进行分析:
其中,每一个纹理特征图像与其它纹理特征图像之间的相似度(步骤二中得到的一维纹理特征向量序列中两两特征向量的相似度)的计算方法为:
式中,i、j为一维特征向量序列中一维向量的下标,为向量r和向量j的相似度,范围为1到N,k=1,2,3,...,WH,WH为一维纹理特征向量中元素个数W/>H,/>为一维纹理特征向量/>之间的相似程度,/>、/>分别为纹理特征向量/>中的第k个元素,/>分别为纹理特征向量/>所包含元素的均值。
其中,待分类装饰用纺织品灰度图纹理特征矩阵为:
式中,为待分类装饰用纺织品灰度图的纹理特征矩阵(也作为待分类装饰用纺织品的风格指标),/>待分类装饰用纺织品的第N个纹理特征图和第N个纹理特征图的相似度(一维纹理特征向量序列中第N个特征向量和第N个特征向量的相似度)。例如,/>为第一个特征向量和第一个特征向量的相似度,/>为第一个特征向量和第N个特征向量的相似度,为第N个特征向量和第一个特征向量的相似度。
步骤四:构建分类模型。
利用待分类装饰用纺织品灰度图纹理特征矩阵中和每类标准装饰用纺织品纹理特征矩阵中的元素计算该待分类装饰用纺织品属于每类标准装饰用纺织品概率;即计算待分类装饰用纺织品所属标准类别的概率。
构建装饰用纺织品分类模型,获取待分类装饰用纺织品的纹理特征矩阵,并计算出待分类装饰用纺织品属于每一类别的概率。
首先,本实施例基于大数据分析得到装饰用纺织品所有风格类别,实施者也可对自己工厂内部生产的装饰用纺织品风格类别进行设定,分别将各类别进行编号,本实施例设置装饰用纺织品类别数量为s,s=8。
然后,选取每种风格的装饰用纺织品作为标准装饰用纺织品,本实施例选用的标准装饰用纺织品为8件,然后按照步骤一至步骤四的方法分别获得该8种标准纺织品的纹理特征矩阵(风格指标),并将该8种标准纺织品的纹理特征矩阵储存到数据库种进行保存,运用步骤一至步骤四的方法获取的标准纺织品的纹理特征矩阵和待分类装饰用纺织品的纹理特征矩阵并无时间顺序的先后,因此可以先获取标准纺织品的纹理特征矩阵来构建数据库;在通过此方法计算待分类装饰用纺织品的纹理特征矩阵。
利用待分类装饰用纺织品的纹理特征矩阵和每一个标准纺织品的纹理特征矩阵分别计算该待分类装饰用纺织品属于每一个标准纺织品的纹理特征矩阵的概率;该概率的计算模型为:
式中,为待分类装饰用纺织品属于t类标准装饰用纺织品的概率,/>为待分类装饰用纺织品纹理特征矩阵中的第w个元素,/>为t类标准装饰用纺织品对应的纹理特征矩阵的第w个元素。
对于待分类装饰用品,可得到对应的概率序列,将待分类装饰用品归类到概率最大所对应的标准装饰用纺织品类别中,可实现对待分类装饰用纺织品的类别。
步骤五:将待分类装饰用纺织品归类为最大概率对应的标准类别。
利用获得的待分类装饰用纺织品属于每类标准装饰用纺织品概率对待分类装饰用纺织品进行分类。
该步骤的目的是 根据步骤四得到的概率序列,判断待分类装饰用纺织品属于哪种类别。
获取概率序列中的最大值,将待检测装饰用纺织品归类到概率最大值对应的类别。例如,若/>为概率最大值,则待检测装饰用纺织品属于/>。
Claims (6)
1.一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,包括:
获取待分类装饰用纺织品灰度图;
采用不同的滤波核依次对获取的待分类装饰用纺织品灰度图进行卷积得到不同滤波核对应的纹理特征图像,且按照卷积的顺序对纹理特征图像进行排列得到纹理特征向量序列;
利用纹理特征向量序列中纹理特征向量的元素计算每一个纹理特征图像与其它纹理特征图像之间的相似度,并利用每一个纹理特征图像与其它纹理特征图像之间的相似度构建待分类装饰用纺织品灰度图纹理特征矩阵;
利用待分类装饰用纺织品灰度图纹理特征矩阵和每类标准装饰用纺织品纹理特征矩阵中的元素计算该待分类装饰用纺织品属于每类标准装饰用纺织品概率;
利用获得的待分类装饰用纺织品属于每类标准装饰用纺织品概率对待分类装饰用纺织品进行分类。
2.根据权利要求1所述的一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,所述标准装饰用纺织品纹理特征矩阵的获取方法与待分类装饰用纺织品灰度图纹理特征矩阵获取的方法相同。
3.根据权利要求1所述的一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,所述每一个纹理特征图像与其它纹理特征图像之间的相似度的计算方法为:
式中,i、j为一维特征向量序列中一维向量的下标,范围为1到N,为向量r和向量j的相似度,k=1,2,3,...,WH;WH为一维纹理特征向量中元素个数W/>H,/>为一维纹理特征向量之间的相似程度,/>、/>分别为纹理特征向量/>中的第k个元素,/>分别为纹理特征向量/>所包含元素的均值。
4.根据权利要求1所述的一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,所述待分类装饰用纺织品灰度图纹理特征矩阵为:
式中,为待分类装饰用纺织品灰度图纹理特征矩阵,/>为第N个纹理特征图像与第N个纹理特征图像之间的相似度。
5.根据权利要求4所述的一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,待分类装饰用纺织品属于每类标准装饰用纺织品概率的计算方法为:
式中,为待分类装饰用纺织品属于t类标准装饰用纺织品的概率,/>为待分类装饰用纺织品灰度图纹理特征矩阵H中的第w个元素,/>为t类标准装饰用纺织品对应的纹理特征矩阵的第w个元素。
6.根据权利要求5所述的一种基于人工智能的装饰用纺织品自动分类方法,其特征在于,所述对待分类装饰用纺织品进行分类的方法为:
计算出待分类装饰用纺织品属于每一类标准装饰用纺织品的概率,将待分类装饰用纺织品归类为最大概率对应的标准纺织品类别中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474071.0A CN117218458A (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的装饰用纺织品自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474071.0A CN117218458A (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的装饰用纺织品自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117218458A true CN117218458A (zh) | 2023-12-12 |
Family
ID=89039294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474071.0A Pending CN117218458A (zh) | 2023-11-08 | 2023-11-08 | 一种基于人工智能的装饰用纺织品自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218458A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210365741A1 (en) * | 2019-05-08 | 2021-11-25 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
CN115082741A (zh) * | 2022-07-21 | 2022-09-20 | 南通市通州忠义纺织机械有限公司 | 基于图像处理的废旧纺织品分类方法 |
CN116842210A (zh) * | 2023-09-01 | 2023-10-03 | 南通语森家纺科技有限公司 | 一种基于纹理特征的纺织品印花纹理智能检索方法 |
-
2023
- 2023-11-08 CN CN202311474071.0A patent/CN117218458A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210365741A1 (en) * | 2019-05-08 | 2021-11-25 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
CN115082741A (zh) * | 2022-07-21 | 2022-09-20 | 南通市通州忠义纺织机械有限公司 | 基于图像处理的废旧纺织品分类方法 |
CN116842210A (zh) * | 2023-09-01 | 2023-10-03 | 南通语森家纺科技有限公司 | 一种基于纹理特征的纺织品印花纹理智能检索方法 |
Non-Patent Citations (1)
Title |
---|
施苑英: "大数据技术及应用", 北京:机械工业出版社, pages: 141 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN110263192B (zh) | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 | |
CN111383209B (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
CN113935992A (zh) | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 | |
CN109871892A (zh) | 一种基于小样本度量学习的机器人视觉认知系统 | |
CN108629370A (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN111401358B (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
CN113627472A (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
CN111368825A (zh) | 一种基于语义分割的指针定位方法 | |
CN110689039A (zh) | 一种基于四通道卷积神经网络的树干纹理识别方法 | |
CN111091134A (zh) | 一种基于多特征融合的色纺织物组织结构识别的方法 | |
CN115512123A (zh) | 一种海鲜菇多时期关键生长特征提取及时期分类方法 | |
CN109949334B (zh) | 基于深度强化网络残差连接的轮廓检测方法 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN117218458A (zh) | 一种基于人工智能的装饰用纺织品自动分类方法 | |
CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
CN113011506B (zh) | 一种基于深度重分形频谱网络的纹理图像分类方法 | |
CN114219957A (zh) | 一种基于Resnet和随机森林融合的鱼类分类方法 | |
CN113269282A (zh) | 一种基于自动编码器的无监督图像分类方法 | |
CN106650678A (zh) | Gabor小波子带相关结构人脸识别方法 |
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 |