欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020104863316
申请人: 江南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-10-10
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,包括以下步骤:步骤1,采集织物图像,所采集的织物图像包含详细织物结构参数;

步骤1中建立织物结构参数数据集的具体步骤为:

选取不少于10种织物的种类,使用普通数码或定焦相机进行织物图像采集,采集时保持相机与织物保持固定的距离,同时记录下采集的空间分辨率,以便推算出实际的距离特征;

步骤2,对于采集的织物图像,标注纱线轮廓与基础组织点位置;

步骤2中织物结构特征的标注的具体步骤为:

对于所采集的织物图像,使用图像标注软件标记出所有的纱线轮廓位置,同时用点标注一个基础组织中组织点的位置和类别,结合纱线位置,映射得到图像中所有组织点的位置和类别;同时记录下实际的织物经纬密,织物组织,色纱排列,以便验证网络效果;

步骤3,利用步骤2中标注好的纱线与组织点,使用一种自适应响应的高斯函数生成纱线和组织点的特征热力图;

步骤3中所使用的一种自适应响应的高斯函数具体在于:

对于纱线和组织点特征热力图的生成,该特征目标的表达符合以纱线或组织点中心为均值μ,以一个尺度参数为标准差的高斯分布σ,其具体公式为:其中f(x)表示点x的响应,dy为纱线或组织点直径, 为一个非负的权重,该权重使得最终响应可以根据纱线直径而自适应的效果;

步骤4,建立一种多任务多尺度结构的卷积神经网络模型,该网络可分层提取图像特征,适用于关联特征的提取,可大大减少模型参数量;

步骤4中一种多任务多尺度结构的卷积神经网络模型的具体特征在于:

该多任务多尺度的卷积神经网络,包含一个共享多尺度特征编码器,在其后级联两个并行排列的特征解码器,根据待解决问题所需提取特征的数量的不同,可以增加特征解码器的个数;特征解码器的并行排列结构,使得网络可以处理不同的特征提取定位问题,同时由于共享多尺度特征编码器的存在使得网络尤其适用于关联特征的提取;

所述共享多尺度特征编码器包含四个级联的多尺度模块来提取特征,每个多尺度特征模块之间进行2*2最大池化操作,四个多尺度模块的通道数依次为16、32、64、32,其中多特征模块结构包括1*1、3*3、5*5、7*7大小的四个并联的卷积层,同时在3*3、5*5、7*7大小的卷积层之前增加一个1*1大小的预处理卷积层来减少参数;激活函数全部使用ReLu;

所述特征解码器包括了四个级联的卷积层来解码特征,每个级联的卷积层之间进行2*

2反卷积操作,生成和原图同样大小的预测图,四个卷积层的通道数依次为64、32、16、2,其中每个卷积层的卷积核大小依次为7*7、5*5、3*3、1*1;激活函数全部使用ReLu,损失函数使用均方误差(MSE)和结构相似性函数(SSIM),其公式为:L=MSE+λ(1‑SSIM)#(10)

其中N代表一幅图片中的总像素数,Yi代表预测值,Gi代表真实值;L代表最后损失函数;

根据所处理的织物结构参数识别的问题,使用两个特征解码器,分别命名为组织点特征解码器和纱线特征解码器;

步骤5,利用步骤1中采集的织物图像和步骤3中所生成的特征热力图,对步骤4中的多任务多尺度的卷积神经网络进行学习和训练,使得网络能够提取纱线和组织点特征图,实现对纱线和组织点的定位识别;

步骤6,对于步骤5所提取的纱线特征图进行后处理,提取到纱线的位置,计算出织物的经纬密,同时根据纱线的位置,可得到组织点的位置;

步骤7,对于步骤5所提取的组织点特征图进行后处理,提取到组织点的类别,结合步骤

6所获取的组织点位置,可以得到织物组织,同时使用一种最小组织循环数法,可进一步分析得到基础组织;

步骤8,对于步骤5所获取的组织点位置,结合原始图像提取到每个纱线的颜色特征,针对所提取的颜色特征,使用一种基于色差密度的颜色空间聚类算法,对纱线进行聚类分析得到色纱排列,与步骤7所获取的织物组织相结合,可进一步得到织物的配色模纹。

2.根据权要求1所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤5中该卷积神经网络训练的具体步骤为:步骤5.1将数据集按照6:1:1的比例划分为训练集、验证集、测试集;

步骤5.2将训练集中的图片分别按照水平翻转、竖直翻转、颜色通道抖动进行数据增广;

步骤5.3将图像中的所有像素归一化到[0,1]范围内进行标准化;

步骤5.4训练时推荐使用Adam优化器和一个较小的学习率,经过200次左右的迭代后,模型训练完成,训练完成的模型接受任意大小的织物图像,输出两组共四幅特征图:经纬纱线特征图和经纬组织点特征图。

3.根据权要求1或2所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤6中纱线特征图进行后处理的具体步骤为:步骤6.1检测图像中纱线的倾斜角,首先对模型输出的纱线特征图进行二值化处理,然后使用细化算法减少特征点,再使用霍夫变换检测纱线的倾斜角;将图像旋转相应的角度摆正图像,同时截取最大内接矩形使图像只包含完整的纱线;

步骤6.2将图像中像素分别按照横向和纵向进行投影,得到投影曲线,根据波谷的位置可以确定纱线的两侧位置,经纬纱相交处即为组织点的位置,根据相邻波峰的位置差p可以计算出纱线的经密dw和纬密dj具体公式为:其中PPI为织物图像的空间分辨率。

4.根据权要求1或2所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤7中组织点特征图进行后处理的具体步骤为:根据获取到的组织点的位置,分别计算经纬组织点特征图对应位置下的所有像素值之和,如果经组织点特征图下的像素之和大于纬组织点下的像素之和则该组织点即为经纬组织点,反之则为纬组织点,最终得到织物组织;

所述的一种最小组织循环数法计算基础组织的具体特征为:

从组织循环数为2开始,以1为步长,依次增加到整个图像中经纱或纬纱较小数目一半的组织循环数,计算该组织循环数所表示的基础组织在织物组织的重合数,最大的即可判断为基础组织,如果没有相同的组织则可认为该织物图像没有基础组织。

5.根据权要求1或2所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤8中颜色特征提取以获得配色模纹的具体步骤为:步骤8.1将原图像RGB颜色空间转化到LAB颜色空间;

步骤8.2根据获取到的组织点位置,计算原图下对应位置像素的L、A、B平均值,将这三个值作为该组织点的颜色特征值;

步骤8.3结合步骤7中获取的织物组织,经纱上所有经组织点的三个颜色特征值的平均值作为该经纱的颜色特征值,同样地可以得到所有纬纱的三个颜色特征值;

步骤8.4对于所有纱线使用一种基于色差密度的颜色空间聚类算法,对纱线进行聚类分析,将所有纱线进行分类,得到色纱排列,结合织物组织图可以得到配色模纹图。

6.根据权要求3所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤8中颜色特征提取以获得配色模纹的具体步骤为:步骤8.1将原图像RGB颜色空间转化到LAB颜色空间;

步骤8.2根据获取到的组织点位置,计算原图下对应位置像素的L、A、B平均值,将这三个值作为该组织点的颜色特征值;

步骤8.3结合步骤7中获取的织物组织,经纱上所有经组织点的三个颜色特征值的平均值作为该经纱的颜色特征值,同样地可以得到所有纬纱的三个颜色特征值;

步骤8.4对于所有纱线使用一种基于色差密度的颜色空间聚类算法,对纱线进行聚类分析,将所有纱线进行分类,得到色纱排列,结合织物组织图可以得到配色模纹图。

7.根据权要求4所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的步骤8中颜色特征提取以获得配色模纹的具体步骤为:步骤8.1将原图像RGB颜色空间转化到LAB颜色空间;

步骤8.2根据获取到的组织点位置,计算原图下对应位置像素的L、A、B平均值,将这三个值作为该组织点的颜色特征值;

步骤8.3结合步骤7中获取的织物组织,经纱上所有经组织点的三个颜色特征值的平均值作为该经纱的颜色特征值,同样地可以得到所有纬纱的三个颜色特征值;

步骤8.4对于所有纱线使用一种基于色差密度的颜色空间聚类算法,对纱线进行聚类分析,将所有纱线进行分类,得到色纱排列,结合织物组织图可以得到配色模纹图。

8.根据权要求5所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的一种基于色差密度的颜色空间聚类算法,首先,计算任意两个特征点之间的距离,距离的计算使用CIEDE 2000色差公式,然后对于所有特征点,若特征点在人眼可明显分辨色差距离下,在颜色空间中是密度可达的,则认为这些点属于同一类别;基于该方法,无需输入聚类类别数目,而且特别针对颜色聚类,可适用于色纱的聚类。

9.根据权要求6或7所述的一种基于卷积神经网络的机织物结构参数识别方法,其特征在于,所述的一种基于色差密度的颜色空间聚类算法,首先,计算任意两个特征点之间的距离,距离的计算使用CIEDE 2000色差公式,然后对于所有特征点,若特征点在人眼可明显分辨色差距离下,在颜色空间中是密度可达的,则认为这些点属于同一类别;基于该方法,无需输入聚类类别数目,而且特别针对颜色聚类,可适用于色纱的聚类。