[發(fā)明專利]一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法

有效

• 申請?zhí)枺?/td>: 201911110682.0
• 申請日: 2019-11-14
• 公開（公告）號: CN111161207B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 趙雪青;張敏;夏雨薇;張軍軍;石美紅
• 申請（專利權(quán)）人: 西安工程大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/80;G06V10/82
• 代理公司: 中國商標專利事務(wù)所有限公司 11234
• 代理人: 郝震

本發(fā)明公開了一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，首先對織物圖像進行預(yù)處理，將原本的圖像數(shù)據(jù)集進行任意旋轉(zhuǎn)、變暗、加入高斯噪聲和椒鹽噪聲來增強數(shù)據(jù)；再次對圖像進行歸一化處理，對DenseNet、InceptionV3和Xception在ImageNet上訓(xùn)練過的模型進行微調(diào)和遷移，在訓(xùn)練過程中調(diào)整學(xué)習(xí)參數(shù)以及凍結(jié)層數(shù)和訓(xùn)練測試時間，進行多次嘗試后訓(xùn)練出自己的權(quán)重，然后得到預(yù)測結(jié)果；最后將基礎(chǔ)模型預(yù)測出來的結(jié)果作為集成的輸入，Voting(soft)集成的結(jié)果作為最終預(yù)測結(jié)果。本方法能夠快速、有效的分類出織物的疵點類別，降低紡織品生產(chǎn)過程中的成本，提高生產(chǎn)效率。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)字圖像處理研究領(lǐng)域，具體涉及一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法。

背景技術(shù)

卷積神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域最重要的成果之一，隨著計算機硬件技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)理論的卷積神經(jīng)網(wǎng)絡(luò)已廣泛的應(yīng)用于語音、自然語言、圖像檢索、識別及分類研究中。不斷擴充的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使圖像識別精度不斷提升，如2014年谷歌團隊采用深度神經(jīng)網(wǎng)絡(luò)識別圖像，錯誤率達到6.66％；2015年微軟北京研究實驗團隊采用152層深度神經(jīng)網(wǎng)絡(luò)，識別圖像錯誤率僅為3.57％，首次低于人類的錯誤率5％。因此，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)快速分析個體特征是物品分類的一種有效方法，其感知過程更接近于人類的感知水平。

我國是重要的紡織品生產(chǎn)基地，紡織品產(chǎn)量居于世界前列，長期以來，我國紡織品行業(yè)都存在產(chǎn)量和質(zhì)量均不穩(wěn)定的問題。在織物生產(chǎn)過程中，織物疵點的產(chǎn)生不可避免，但是織物疵點也是導(dǎo)致紡織品產(chǎn)量、質(zhì)量不穩(wěn)定的重要因素。傳統(tǒng)的人眼檢測存在效率低、成本高等問題，所以我們面臨的問題就是如何用人工智能的方法來提高分類的準確率，本發(fā)明采用集成的思想，采用三個集成模型學(xué)習(xí)織物疵點特征信息，基于集成模型采用卷積神經(jīng)網(wǎng)絡(luò)對織物疵點進行分類，進一步提升分類的準確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，通過集成模塊優(yōu)化分類器性能，進一步提升分類的準確率，以解決傳統(tǒng)紡織品生產(chǎn)過程中織物疵點檢測問題。

本發(fā)明通過以下技術(shù)方案實現(xiàn)的：

一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，包括以下步驟：

步驟1：輸入織物圖像，對織物圖像進行預(yù)處理，將原始的織物圖像分別進行任意角度旋轉(zhuǎn)、變暗、加入高斯噪聲和椒鹽噪聲等處理來增強樣本數(shù)據(jù)集，使步驟2中訓(xùn)練的模型具有泛化能力和較強的魯棒性；

步驟2：訓(xùn)練DenseNet、InceptionV3和Xception三個基礎(chǔ)模型，模型中包含卷積層、池化層、全連接層和Softmax層，通過卷積層提取圖像特征，采用集成網(wǎng)絡(luò)池化層降維采樣，將得到的特征在全連接層合并，最后通過Softmax層輸出圖像概率。訓(xùn)練過程如下：首先對步驟1中預(yù)處理后的圖像進行歸一化處理；其次對三個DenseNet、InceptionV3和Xception基礎(chǔ)模型進行微調(diào)和遷移，在訓(xùn)練過程中分別調(diào)整學(xué)習(xí)參數(shù)、凍結(jié)層數(shù)和訓(xùn)練測試時間；進行多次嘗試后訓(xùn)練出自己的權(quán)重，然后得到預(yù)測結(jié)果；

步驟3：將步驟2中基礎(chǔ)模型DenseNet、InceptionV3、Xception預(yù)測出來的結(jié)果，作為集成的輸入，Voting(soft)集成的結(jié)果作為最終的預(yù)測結(jié)果。

進一步的，步驟1中旋轉(zhuǎn)0-180°，高斯噪聲為0.3，椒鹽噪聲為0.3，變暗為0.9。

進一步的，步驟2中，預(yù)處理后的圖像進行歸一化處理，將所有圖像大小歸一化為224×224×3，學(xué)習(xí)參數(shù)為0.001，一次取樣數(shù)量為32，三個模型凍結(jié)層數(shù)分別是90、90、55，對特定的層進行訓(xùn)練，為防止過擬合采用隨即丟棄策略，加入隨機丟棄函數(shù)，參數(shù)0.5，使用以上參數(shù)訓(xùn)練后保存權(quán)重，最后得到預(yù)測結(jié)果。