CN117392440A - 一种基于组织结构及颜色分类的纺织面料检索方法和系统 - Google Patents
一种基于组织结构及颜色分类的纺织面料检索方法和系统 Download PDFInfo
- Publication number
- CN117392440A CN117392440A CN202311252385.6A CN202311252385A CN117392440A CN 117392440 A CN117392440 A CN 117392440A CN 202311252385 A CN202311252385 A CN 202311252385A CN 117392440 A CN117392440 A CN 117392440A
- Authority
- CN
- China
- Prior art keywords
- color
- fabric
- sample
- tissue structure
- library
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 271
- 239000004753 textile Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 131
- 238000013145 classification model Methods 0.000 claims abstract description 69
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 35
- 239000003086 colorant Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000009987 spinning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种基于组织结构及颜色分类的纺织面料检索方法和系统,首先需要搭建均匀光照的数码照相系统,并获得面料样本库对应的彩色图像数据库,构建面料样本组织结构分类模型和颜色分类模型;拍摄待检索目标面料样本的彩色图像,利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到组织结构相似度概率向量A;利用训练后的颜色分类模型直接获取相似度颜色特征概率向量B;基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
Description
技术领域
本发明属于计算机数字图像处理技术领域,具体涉及一种基于组织结构及颜色分类的纺织面料检索方法和系统。
背景技术
随着纺织业和时尚行业的迅速发展,面料种类和设计日益多样化。然而,这也带来了一个问题:即如何快速、准确地检索和识别特定的纺织面料。传统的纺织面料检索方法主要依赖于人工操作,包括视觉检查和物理测试。这些方法通常耗时且容易出错。计算机视觉技术逐渐应用于纺织面料的检测和分类,但由于面料组织结构和颜色的复杂性,其准确性和效率仍然受到限制。近年来,机器学习和神经网络技术在图像识别和分类方面取得了显著进展,但对于纺织面料检索的特定需求,现有模型仍无法准确地对纺织面料的组织结构和颜色特性进行分类,进而导致无法精确地判断待检测面料的所属类别,目前国内外的学术界和工业界均未提出很好的应对解决方法。
发明内容
本发明的目的是为了解决背景技术中所述问题,以数码相机照相系统为基础,提出一种基于组织结构及颜色分类的纺织面料检索方法。
该技术的实施首先需要搭建均匀光照的数码照相系统,并利用照相系统对面料库中的面料样本进行高保真数字成像,得到面料样本的彩色图像数据库。一方面,通过彩色图像灰度化获得面料样本的灰度图,并将面料样本的灰度图和对应面料样本的组织结构类别构成成对数据,用以训练面料样本组织结构分类模型。另一方面,对面料样本的彩色图像进行高斯滤波以去除图像噪声,利用聚类方法对每一幅滤波后面料图像进行颜色聚类分析,得到每幅面料样本图像的特征颜色及其比例;进一步对面料样本库中所有样本的特征颜色进行聚类分析,得到面料样本库的全局特征颜色库;综合每一幅面料样本的特征颜色与全局特征颜色库对应关系、每一幅面料样本的特征颜色比例,构建每一幅面料样本彩色图像的特征颜色及比例的分布向量;将面料样本库中的每一个面料样本视为一类,利用所有面料样本的颜色分布向量及其类标签向量,构建面料样本库的颜色分类模型。然后利用照相系统拍摄目标面料样本的彩色图像,对彩色图像灰度化处理后,将其输入组织结构分类模型,得到目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A。进一步对目标面料样本彩色图像进行滤波和聚类处理,得到目标面料样本的特征颜色及比例分布向量;将其输入颜色分类模型,得到目标面料样本对应面料样本库所有样本的颜色特征相似度概率向量B。最后利用加权系数组合概率向量A和概率向量B,得到目标面料样本与所有面料样本的综合相似概率向量Q,将Q中概率值最大的面料库样本作为目标面料样本的最相似样本,得到目标面料样本的检索结果。
本发明的技术方案为一种基于组织结构及颜色分类的纺织面料检索方法,具体包括以下步骤:
步骤1,搭建均匀光照的数码照相系统;
步骤2,利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
步骤3,获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
步骤4,获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
步骤5,拍摄待检索目标面料样本的彩色图像;
步骤6,利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
步骤7,利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
步骤8,基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
步骤9,提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
进一步的,步骤3中获取彩色图像数据库对应的灰度图像数据库的具体实现方式如下:
首先,对采集到彩色数字图像进行灰度图提取处理,对于给定一个256×256的彩色图像I,其灰度图像Igray通过式(1)获得:
Igray(i,j)=0.299×IR(i,j)+0.587×IG(i,j)+0.114×IB(i,j) (1)
式中,I表示256×256彩色图像矩阵,Igray表示256×256灰度图像矩阵,i表示像素的行索引,范围是0到255,j表示像素的列索引,范围是0到255,IR(i,j)表示位置(i,j)的像素的红色分量,IG(i,j)表示位置(i,j)的像素的绿色分量,IB(i,j)表示位置(i,j)的像素的蓝色分量。
进一步的,所述组织结构分类模型包括多组卷积层和最大池化层,扁平层,多组全连接层和Dropout层,以及最后的Softmax输出层,每个卷积层后连接有激活函数Relu。
进一步的,步骤4中,获取彩色图像数据库中所有面料样本的特征颜色分布向量的具体实现方式如下;
步骤4.1,利用纺织面料库样本的彩色数字图像,进行滤波处理后,聚类提取图像特征颜色及其比例;
首先,对所有样本的彩色图像进行高斯滤波处理,对于256×256大小的图像I进行高斯滤波,结果图像I'的像素值I′(x,y)如下式所示:
式中,I(x,y)是原始图像在(x,y)位置的像素值,I′(x,y)是滤波后图像在(x,y)位置的像素值,k是高斯核的半径,σ是高斯函数的标准差;
然后,对滤波完成的样本,进行DBSCAN聚类,每一个类即为样本的特征颜色,然后计算每一个特征颜色所占的比例;
步骤4.2,利用步骤4.1中的方法获取纺织面料库样本中所有样本的特征颜色及其比例,以此作为全局特征颜色库,并获取每个样本对应全局特征颜色库的颜色分布向量;
首先,对所有训练样本的图像特征颜色进行DBSCAN聚类,对每个类求其颜色均值,从而得到面料样本库的全局特征颜色库,共包含t个全局特色颜色;
然后,综合每一幅面料样本的特征颜色与全局特征颜色库对应关系、每一幅面料样本的特征颜色比例,构建每一幅面料样本彩色图像的特征颜色及比例的分布向量,为t×1维向量,向量中的数值由0和面料样本的各个特征颜色比例数据构成。
进一步的,DBSCAN聚类的具体实现过程如下:
定义输出为:
定义输入为:
D={pi,j:1≤i,j≤256,pi,j=(R,G,B)},∈>0,MinPts∈N
初始化:
遍历:
V:=V∪{p}
N(p):={q∈D:||p-q||≤∈}
式中,D为输入数据集,代表大小256×256的图像中的所有像素点,每一个像素点pi,j都由一个(R,G,B)三元组来表示其颜色;∈为一个正数,代表半径;N是自然数,MinPts是一个自然数,代表一个点的邻域内应有的最小点数,C为一个集合,用于存储找到的所有聚类,每个聚类Ci是点的一个子集,V是一个集合,用于记录已经访问过的点,cond(a,b,c)是一个条件函数,当a为真时返回b,否则返回c,N(p)代表点p的∈-邻域,即与p距离小于或等于∈的所有点的集合,|N(p)|表示集合N(p)的元素数量;
然后,对于聚类集合输出剔除其中占图像整体像素不足一定阈值的聚类,以规避噪声像素对聚类结果的影响,如下式:
C′={Ci∈C:mi≥0.02×n}
式中,n表示图像的总像素数量,对于256×256的图像,n=256×256,mi表示第i个聚类Ci的像素数量;
对处理完毕的聚类集合C′中每个聚类C′i进行直方图分析,即对聚类集合C′中每个聚类C′i取均值处理,得到该样本的一个特征颜色:
式中,pi,j表示Ci中第j个像素的RGB值,pi,j=(Ri,j,Gi,j,Bi,j),表示Ci的像素均值,/>
最后通过下式计算特征颜色占比:
式中:n为样本图像的总像素数量,mi为第i个聚类C′i的像素数量,P(C′i)表示第i个聚类C′i占所有像素的比例。
进一步的,步骤4中利用面料的特征颜色分布向量和对应面料的标签向量作为面料样本颜色分类模型的输入,其中面料的标签向量为N×1维,N为面料库中面料的数量,按从1至N对面料库中每个面料进行编号,则第i个面料样本的标签向量的第i个位置元素值为1,其余位置元素值均为0;
定义颜色分类模型为MLP多层感知器,其网络结构包括输入层,多组全连接层和Dropout层,以及Softmax输出层。
进一步的,步骤8的具体实现方法如下:
首先,获取纹理色彩权重系数Ω,Ω是在检索时根据需要动态调整的,Ω限制为0≤Ω≤1,减小Ω将使得检索结果更加依据色彩概率,反之更依据纹理概率。
然后,依据Ω计算色彩权重乘子Ωc和纹理权重乘子Ωt:
Ωc=(1-Ω)/2
Ωt=Ω/2
最后,应用乘子并合并概率向量为待检索样本与纺织面料库样本相似度概率向量Q:
Q=ΩtA+ΩcB
待检索样本与纺织面料库样本相似度概率向量Q即为检索结果,至此,完成基于组织结构及颜色分类的纺织面料检索。
本发明还提供一种基于组织结构及颜色分类的纺织面料检索系统,包括如下模块:
照相系统搭建模块,用于搭建均匀光照的数码照相系统;
彩色图像获取模块,用于利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
组织结构分类模型构建模块,用于获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
颜色分类模型构建模块,用于获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
待检索样本获取模块,用于把拍摄待检索目标面料样本的彩色图像;
组织结构相似度概率向量获取模块,用于利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
颜色特征相似度概率向量获取模块,用于利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
综合相似概率向量获取模块,用于基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
检索模块,用于提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
与现有技术相比,本发明方法能够有效克服现有机器学习和神经网络模型无法对纺织面料的组织结构和颜色特性进行良好分类的缺陷,确保纺织面料拍照检索的高效性和准确性。
附图说明
图1为本发明实施例流程图。
具体实现方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明提出了一种基于组织结构及颜色分类的纺织面料检索方法,包括如下步骤:
步骤1,搭建均匀光照的数码照相系统;
步骤2,利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
步骤3,获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
步骤4,获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
步骤5,拍摄待检索目标面料样本的彩色图像;
步骤6,利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
步骤7,利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
步骤8,基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
步骤9,提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
进一步的,步骤1中,搭建数码照相系统时,需要系统的照明不受自然光照影响,同时应保证在有效拍照区域内的光照均匀性,从而确保同一样本对象在拍照区域内不同位置处的数字响应值一致,规避照相系统偏差问题,照相分类系统搭建的具体实施方式可参见文献1。
[1]梁金星,胡新荣,彭涛等.一种封闭式日光照明灯箱[P].湖北省:CN218585157U,2023-03-07.
进一步的,步骤2的方法实现方式如下:
首先,通过对纺织企业生产的历史面料进行收集和编号,完成纺织面料库的构建。然后用数码照相系统对面料库中的面料样本进行高保真数字成像,并通过图像下采样方式将面料样本调整为256×256像素大小,已得到面料样本库对应的彩色图像数据库。拍摄过程中为保证颜色和纹理清洗,需要设定拍摄距离参数,本发明中利用数码照相系统在拍摄距离1米的条件下,即可获得纹理和颜色清洗的面料样本彩色图像。最后,在拍摄及处理完所有面料样本后,将面料样本的彩色图像与其所属组织结构类型编号进行结构化存储,其中面料的组织结构为生产面料时的编织工艺方法,编织工艺方法不同,产生的面料组织结构也不同。
进一步的,步骤3中,首先通过彩色数字图像计算其对应的灰度图,然后将灰度图输入到组织结构分类模型中进行类别分类,具体实现过程如下;
首先,对采集到彩色数字图像进行灰度图提取处理,对于给定一个256×256的彩色图像I,其灰度图像Igray可以通过式(1)获得:
Igray(i,j)=0.299×IR(i,j)+0.587×IG(i,j)+0.114×IB(i,j) (1)
式中,I表示256×256彩色图像矩阵,Igray表示256×256灰度图像矩阵,i表示像素的行索引,范围是0到255,j表示像素的列索引,范围是0到255,IR(i,j)表示位置(i,j)的像素的红色分量,IG(i,j)表示位置(i,j)的像素的绿色分量,IB(i,j)表示位置(i,j)的像素的蓝色分量。
其次,将训练样本按其使用的编织工艺方法进行分类,具体关系如下:
一种编织工艺方法对应为一个类别y,对于所有分类为y的样本的集合Sy有式(2)的关系:
Sy={x|y=M(x)} (2)
式中,M为纹理分类模型,x为训练样本。
最后,构建、编译并训练纹理分类模型,纹理分类模型为CNN网络,其网络定义如下:
1.第一卷积层
2.第一最大池化层
X2=max(X1)
3.第二卷积层
4.第二最大池化层
X4=max(X3)
5.第三卷积层
6.第三最大池化层
X6=max(X5)
7.扁平层
X7=Flatten(X6)
8.第一全连接层
9.第一Dropout层
X9=Dropout(X8,p=0.5)
10.第二全连接层
11.第二Dropout层
X11=Dropout(X10,p=0.5)
12.第三全连接层
13.第三Dropout层
X13=″{Dropout}(X12},p=0.5
14.输出层
式中,X表示输入矩阵,X为训练样本x的灰度矩阵,Xl表示第l层的输出特征,也表示第l+1层的输入特征,Y表示最终的输出,即某一样本属于某一组织结构类别的概率,F表示卷积核,*表示卷积操作,σ表示激活函数,W表示全连接层权重矩阵,b为偏置项,p表示Dropout概率,n表示所有分类为y的样本的集合Sy的大小,其中F、W、b的数字下标是为了方便区分不同层之间的参数;
对于上述模型定义,其激活函数均为Relu,训练采用学习率为3e-4,使用Adam优化器,batch_size的大小为128,对模型进行80次迭代,最后一个step分类精度达到0.98,存储组织结构分类模型。
进一步的,步骤4中,获取彩色图像数据库中所有面料样本的特征颜色分布向量的具体实现方式如下;
步骤4.1,利用纺织面料库样本的彩色数字图像,进行滤波处理后,聚类提取图像特征颜色及其比例:
首先,对所有训练样本的彩色图像进行高斯滤波处理,对于256×256大小的图像I进行高斯滤波,结果图像I′的像素值I′(x,y)如下式所示:
式中,I(x,y)是原始图像在(x,y)位置的像素值,I′(x,y)是滤波后图像在(x,y)位置的像素值。k是高斯核的半径,本方法选择为3σ,σ是高斯函数的标准差,本方法选择为1。
然后,对滤波完成的训练样本,进行DBSCAN聚类,具体实现过程如下:
定义输出为:
定义输入为:
D={pi,j:1≤i,j≤256,pi,j=(R,G,B)},∈>0,MinPts∈N
初始化:
遍历:
V:=V∪{p}
N(p):={q∈D:||p-q||≤∈}
式中,D为输入数据集,代表大小256×256的图像中的所有像素点,每一个像素点pi,j都由一个(R,G,B)三元组来表示其颜色。∈为一个正数,代表半径,用于确定哪些点可以被认为是给定点的“邻居”,本方法中取5。N为自然数,MinPts是一个自然数,代表一个点的邻域内(半径为epsilon)应有的最小点数,以考虑该点为一个核心点。C为一个集合,用于存储找到的所有聚类,每个聚类Ci是点的一个子集。V是一个集合,用于记录已经访问过的点,cond(a,b,c)是一个条件函数,当a为真时返回b,否则返回c。N(p)代表点p的∈-邻域,即与p距离小于或等于∈的所有点的集合。|N(p)|表示集合N(p)的元素数量。
然后,对于聚类集合输出剔除其中占图像整体像素不足2%的聚类,以规避噪声像素对聚类结果的影响,如下式:
C′={Ci∈C:mi≥0.02×n}
式中,n表示图像的总像素数量,对于256×256的图像,n=256×256,mi表示第i个聚类Ci的像素数量;
对处理完毕的聚类集合C′中每个聚类C′i进行直方图分析,即对聚类集合C′中每个聚类C′i取均值处理,得到该样本的一个特征颜色:
式中,pi,j表示Ci中第j个像素的RGB值,pi,j=(Ri,j,Gi,j,Bi,j),表示Ci的像素均值,/>
最后通过下式计算特征颜色占比:
式中:n为样本图像的总像素数量,mi为第i个聚类C′i(剔除小聚类后的聚类)的像素数量,P(C′i)表示第i个聚类C′i占所有像素的比例。
步骤4.2,利用步骤4.1中的方法获取纺织面料库样本中所有样本的图像特征颜色及其比例,以此作为全局特征颜色库,并获取每个样本对应全局特征颜色库的颜色分布向量;
首先,对所有训练样本的图像特征颜色进行DBSCAN聚类,聚类方法与步骤4.1相同(但不做剔除处理),对每个类求其颜色均值,从而得到面料样本库的全局特征颜色库,共包含t个全局特色颜色。
然后,综合每一幅面料样本的特征颜色与全局特征颜色库对应关系、每一幅面料样本的特征颜色比例,构建每一幅面料样本彩色图像的特征颜色及比例的分布向量,为t×1维向量,向量中的数值由0和面料样本的各个特征颜色比例数据(大于0且小于1)构成。
步骤4.3,利用面料的特征颜色分布向量和对应面料的标签向量构建面料样本颜色分类模型,其中面料的标签向量为N×1维,N为面料库中面料的数量,按从1至N对面料库中每个面料进行编号,则第i个面料样本的标签向量的第i个位置元素值为1,其余位置元素值均为0。用面料的特征颜色分布向量和对应面料的标签向量构建面料样本颜色分类模型方法具体如下:
首先,定义颜色分类模型为MLP多层感知器,其网络结构定义如下:
1.输入层
(X∈RN×t)
2.第一全连接层:
3.第一Dropout层:
H′1=Dropout(H1,p=0.5)
4.第二全连接层:
5.第二Dropout层:
H′2=Dropout(H2,p=0.5)
6.第三全连接层:
7.第三Dropout层:
H′3=Dropout(H3,p=0.5)
8.输出层:
式中:X表示输入的颜色分布向量,W为权重矩阵,b为偏置向量,H表示全连接层的输出,H’表示Dropout层的输出,O表示最终的输出,t为面料样本特征颜色分布向量的维度,N为训练样本总类数。ReLU表示ReLU激活函数,ReLU(x)=max(0,x),Dropout(x,p)表示Dropout操作,随机将矩阵x中的一些元素设置为0,丢弃概率为p。Softmax表示Softmax激活函数,用于将实数向量转换为概率分布。
最后,对于上述模型定义,训练采用学习率为3e-5,使用Adam优化器,batch_size=128,对模型进行100次迭代,最后一个step分类精度达到0.98,存储色彩分类模型。
进一步的,步骤6的具体实现方法如下:
将待检索样本的灰度图输入训练好的组织结构分类模型进行推理,得到待检索样本属于某一组织结构类别的概率向量O,根据式(2)的关系反映射为待检索样本与纺织面料库面料样本组织结构相似度概率向量A。
进一步的,步骤7的具体实现方法如下:
将待检索样本图像特征颜色分布向量输入训练好的纺织面料库颜色分类模型进行推理,得到待检索样本与纺织面料库样本颜色特征相似度概率向量B,此时,B与A维度一致。
进一步的,步骤8的具体实现方法如下:
首先,获取纹理色彩权重系数Ω,Ω是在检索时根据需要动态调整的,Ω限制为0≤Ω≤1,减小Ω将使得检索结果更加依据色彩概率,反之更依据纹理概率。
然后,依据Ω计算色彩权重乘子Ωc和纹理权重乘子Ωt:
Ωc=(1-Ω)/2
Ωt=Ω/2
最后,应用乘子并合并概率向量为待检索样本与纺织面料库样本相似度概率向量Q:
Q=ΩtA+ΩcB
待检索样本与纺织面料库样本相似度概率向量Q即为检索结果,至此,完成基于组织结构及颜色分类的纺织面料检索。
实施例以某企业的色纺面料样本为例,对本发明方法进行了实际测试。其中色纺面料样本共3228个,包含了120种编织工艺方法,对应为120类面料组织结构。实施例采用Nikon D7200数码相机,在参考文献1所述的封闭式日光均匀照明灯箱内对面料样本进行拍照,得到面料样本库的对应彩色图像数据库。实施例中,按照步骤3和步骤4,分别构建了面料样本的组织结构分类模型和颜色分类模型,其中面料库的全局特征颜色共385个,因此t的值取385,面料库中面料样本共3228个,因此N的值取3228。完成模型构建后,随机抽取面料样本库中的200个色纺面料样本开展面料检索测试,按照步骤5至步骤9所述的面料检索方法执行,其中199个面料样本均被正确检索,检索准确率达99.5%,证明了本发明方法对于某企业生产色纺面料检索的实用性。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。本发明还提供一种基于组织结构及颜色分类的纺织面料检索系统,包括如下模块:
照相系统搭建模块,用于搭建均匀光照的数码照相系统;
彩色图像获取模块,用于利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
组织结构分类模型构建模块,用于获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
颜色分类模型构建模块,用于获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
待检索样本获取模块,用于把拍摄待检索目标面料样本的彩色图像;
组织结构相似度概率向量获取模块,用于利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
颜色特征相似度概率向量获取模块,用于利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
综合相似概率向量获取模块,用于基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
检索模块,用于提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
各模块的具体实现方式与各步骤相同,本发明不予撰述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于,包括如下步骤:
步骤1,搭建均匀光照的数码照相系统;
步骤2,利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
步骤3,获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
步骤4,获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
步骤5,拍摄待检索目标面料样本的彩色图像;
步骤6,利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
步骤7,利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
步骤8,基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
步骤9,提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
2.如权利要求1所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:步骤3中获取彩色图像数据库对应的灰度图像数据库的具体实现方式如下:
首先,对采集到彩色数字图像进行灰度图提取处理,对于给定一个256×256的彩色图像I,其灰度图像Igray通过式(1)获得:
Igray(i,j)=0.299×IR(i,j)+0.587×IG(i,j)+0.114×IB(i,j) (1)
式中,I表示256×256彩色图像矩阵,Igray表示256×256灰度图像矩阵,i表示像素的行索引,范围是0到255,j表示像素的列索引,范围是0到255,IR(i,j)表示位置(i,j)的像素的红色分量,IG(i,j)表示位置(i,j)的像素的绿色分量,IB(i,j)表示位置(i,j)的像素的蓝色分量。
3.如权利要求1所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:所述组织结构分类模型包括多组卷积层和最大池化层,扁平层,多组全连接层和Dropout层,以及最后的Softmax输出层,每个卷积层后连接有激活函数Relu。
4.如权利要求1所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:步骤4中,获取彩色图像数据库中所有面料样本的特征颜色分布向量的具体实现方式如下;
步骤4.1,利用纺织面料库样本的彩色数字图像,进行滤波处理后,聚类提取图像特征颜色及其比例;
首先,对所有样本的彩色图像进行高斯滤波处理,对于256×256大小的图像I进行高斯滤波,结果图像I'的像素值I′(x,y)如下式所示:
式中,I(x,y)是原始图像在(x,y)位置的像素值,I′(x,y)是滤波后图像在(x,y)位置的像素值,k是高斯核的半径,σ是高斯函数的标准差;
然后,对滤波完成的样本,进行DBSCAN聚类,每一个类即为样本的特征颜色,然后计算每一个特征颜色所占的比例;
步骤4.2,利用步骤4.1中的方法获取纺织面料库样本中所有样本的特征颜色及其比例,以此作为全局特征颜色库,并获取每个样本对应全局特征颜色库的颜色分布向量;
首先,对所有训练样本的图像特征颜色进行DBSCAN聚类,对每个类求其颜色均值,从而得到面料样本库的全局特征颜色库,共包含t个全局特色颜色;
然后,综合每一幅面料样本的特征颜色与全局特征颜色库对应关系、每一幅面料样本的特征颜色比例,构建每一幅面料样本彩色图像的特征颜色及比例的分布向量,为t×1维向量,向量中的数值由0和面料样本的各个特征颜色比例数据构成。
5.如权利要求4所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:DBSCAN聚类的具体实现过程如下:
定义输出为:
定义输入为:
D={pi,j:1≤i,j≤256,pi,j=(R,G,B)},∈>0,MinPts∈N
初始化:
遍历:
V:=V∪{p}
N(p):={q∈D:||p-q||≤∈}
式中,D为输入数据集,代表大小256×256的图像中的所有像素点,每一个像素点pi,j都由一个(R,G,B)三元组来表示其颜色;∈为一个正数,代表半径;N是自然数,MinPts是一个自然数,代表一个点的邻域内应有的最小点数,C为一个集合,用于存储找到的所有聚类,每个聚类Ci是点的一个子集,V是一个集合,用于记录已经访问过的点,cond(a,b,c)是一个条件函数,当a为真时返回b,否则返回c,N(p)代表点p的∈-邻域,即与p距离小于或等于∈的所有点的集合,|N(p)|表示集合N(p)的元素数量;
然后,对于聚类集合输出剔除其中占图像整体像素不足一定阈值的聚类,以规避噪声像素对聚类结果的影响,如下式:
C′={Ci∈C:mi≥0.02×n}
式中,n表示图像的总像素数量,对于256×256的图像,n=256×256,mi表示第i个聚类Ci的像素数量;
对处理完毕的聚类集合C′中每个聚类C′i进行直方图分析,即对聚类集合C′中每个聚类C′i取均值处理,得到该样本的一个特征颜色:
式中,pi,j表示Ci中第j个像素的RGB值,pi,j=(Ri,j,Gi,j,Bi,j),表示Ci的像素均值,
最后通过下式计算特征颜色占比:
式中:n为样本图像的总像素数量,mi为第i个聚类C′i的像素数量,P(C′i)表示第i个聚类C′i占所有像素的比例。
6.如权利要求1所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:步骤4中利用面料的特征颜色分布向量和对应面料的标签向量作为面料样本颜色分类模型的输入,其中面料的标签向量为N×1维,N为面料库中面料的数量,按从1至N对面料库中每个面料进行编号,则第i个面料样本的标签向量的第i个位置元素值为1,其余位置元素值均为0;
定义颜色分类模型为MLP多层感知器,其网络结构包括输入层,多组全连接层和Dropout层,以及Softmax输出层。
7.如权利要求1所述的一种基于组织结构及颜色分类的纺织面料检索方法,其特征在于:步骤8的具体实现方法如下:
首先,获取纹理色彩权重系数Ω,Ω是在检索时根据需要动态调整的,Ω限制为0≤Ω≤1,减小Ω将使得检索结果更加依据色彩概率,反之更依据纹理概率。
然后,依据Ω计算色彩权重乘子Ωc和纹理权重乘子Ωt:
Ωc=(1-Ω)/2
Ωt=Ω/2
最后,应用乘子并合并概率向量为待检索样本与纺织面料库样本相似度概率向量Q:
Q=ΩtA+ΩcB
待检索样本与纺织面料库样本相似度概率向量Q即为检索结果,至此,完成基于组织结构及颜色分类的纺织面料检索。
8.一种基于组织结构及颜色分类的纺织面料检索系统,其特征在于,包括如下模块:
照相系统搭建模块,用于搭建均匀光照的数码照相系统;
彩色图像获取模块,用于利用数码照相系统对面料库中的面料样本进行高保真数字成像,获得面料样本库对应的彩色图像数据库;
组织结构分类模型构建模块,用于获取彩色图像数据库对应的灰度图像数据库,并构建面料样本组织结构分类模型,所述组织结构分类模型为卷积神经网络模型,用于对输入的灰度图像进行组织结构类别分类;
颜色分类模型构建模块,用于获取彩色图像数据库中所有面料样本的特征颜色分布向量,并构建面料样本颜色分类模型,所述颜色分类模型为多层感知器MLP,用于对输入的特征颜色分布向量进行颜色特征类别分类;
待检索样本获取模块,用于把拍摄待检索目标面料样本的彩色图像;
组织结构相似度概率向量获取模块,用于利用训练后的组织结构分类模型获取待检索目标面料样本对应组织结构类别的概率向量,并通过反映射关系得到待检索目标面料样本与纺织面料库面料样本的组织结构相似度概率向量A;
颜色特征相似度概率向量获取模块,用于利用训练后的颜色分类模型直接获取待检索目标面料样本与纺织面料库面料样本的颜色特征相似度概率向量B;
综合相似概率向量获取模块,用于基于概率向量A和概率向量B,通过加权计算目标面料样本与所有面料样本的综合相似概率向量Q;
检索模块,用于提取与目标面料样本最为相似的面料样本库面料,即综合相似概率向量Q中取最大值对应的样本,完成面料检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252385.6A CN117392440B (zh) | 2023-09-26 | 2023-09-26 | 一种基于组织结构及颜色分类的纺织面料检索方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311252385.6A CN117392440B (zh) | 2023-09-26 | 2023-09-26 | 一种基于组织结构及颜色分类的纺织面料检索方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392440A true CN117392440A (zh) | 2024-01-12 |
CN117392440B CN117392440B (zh) | 2024-03-01 |
Family
ID=89469215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311252385.6A Active CN117392440B (zh) | 2023-09-26 | 2023-09-26 | 一种基于组织结构及颜色分类的纺织面料检索方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392440B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122587A1 (en) * | 2001-01-09 | 2002-09-05 | Samsung Electronics Co., Ltd. | Image retrieval method based on combination of color and image features |
CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
CN113268625A (zh) * | 2021-04-08 | 2021-08-17 | 苏州正雄企业发展有限公司 | 一种基于交叉熵损失函数的细粒度布料图像检索方法 |
WO2022028031A1 (zh) * | 2020-08-05 | 2022-02-10 | 苏州大学 | 一种轮廓形状识别方法 |
CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其系统 |
-
2023
- 2023-09-26 CN CN202311252385.6A patent/CN117392440B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020122587A1 (en) * | 2001-01-09 | 2002-09-05 | Samsung Electronics Co., Ltd. | Image retrieval method based on combination of color and image features |
CN102521366A (zh) * | 2011-12-16 | 2012-06-27 | 华中科技大学 | 融合分类与全局索引的图像检索方法和图像检索系统 |
WO2022028031A1 (zh) * | 2020-08-05 | 2022-02-10 | 苏州大学 | 一种轮廓形状识别方法 |
CN113268625A (zh) * | 2021-04-08 | 2021-08-17 | 苏州正雄企业发展有限公司 | 一种基于交叉熵损失函数的细粒度布料图像检索方法 |
CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其系统 |
Non-Patent Citations (1)
Title |
---|
顾思思;扈乐华;: "基于VGGNet颜色识别的车辆检索系统设计", 电脑与电信, no. 07, 10 July 2020 (2020-07-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN117392440B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
KR20170091716A (ko) | 샘플링 및 특징 선택 없는 자동 결함 분류 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
CN110610475A (zh) | 一种深度卷积神经网络的视觉缺陷检测方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN114581456B (zh) | 一种多图像分割模型的构建方法、图像检测方法及装置 | |
CN113379686B (zh) | 一种pcb板缺陷检测方法及装置 | |
CN115049952A (zh) | 一种基于多尺度级联感知深度学习网络的幼鱼肢体识别方法 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN116071560A (zh) | 一种基于卷积神经网络的水果识别方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN114170418A (zh) | 一种以图搜图的汽车线束连接器多特征融合图像检索方法 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN116342536A (zh) | 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备 | |
CN115994900A (zh) | 基于迁移学习的无监督缺陷检测方法和系统、存储介质 | |
CN113283320B (zh) | 一种基于通道特征聚合的行人重识别方法 | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
Yu et al. | Research on CNN Algorithm for Monochromatic Fabric Defect Detection | |
Li et al. | Research on textile defect detection based on improved cascade R-CNN | |
CN117392440B (zh) | 一种基于组织结构及颜色分类的纺织面料检索方法和系统 | |
CN117079272A (zh) | 一种结合手工特征和学习特征的弹底窝痕特征识别方法 |
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 |