[发明专利]一种基于深度学习的针织物基本组织结构自动识别方法

说明书

本发明提供了一种基于深度学习的针织物基本组织结构自动识别方法，该方法包括：采集织物样本图像；基于深度卷积神经网络算法，结合学习迁移策略，针对织物样本集训练出可识别针织物基本组织的网络模型；输入待测织物组织图片并进行预处理，加载训练好的网络模型对待测织物组织图片进行识别，最终输出识别结果。与传统的方法相比，本发明成功地将卷积神经网络模型应用在针织物基本组织的识别任务中，具有很高的识别率，对针织物变化组织和花色组织的识别研究也有一定的启发。

技术领域

本发明涉及图像处理、深度学习以及卷积神经网络，特别涉及针织物基本组织结构的自动识别方法。

背景技术

针织行业在纺织行业中占有很大的比重，针织市场极为广阔。现在针织企业的来料加工很多，快速准确的识别织物组织结构是至关重要的一项工作。目前对针织物组织结构识别主要是依靠人眼或者拆纱法来完成，识别过程单调乏味且拆纱过程中破坏织物，造成资源的浪费。织物组织结构自动识别的实现不仅能使工作效率得以提高、资源得以节约，还保证了分析的客观性和准确性。

针织物组织自动识别研究较为稀少，一方面因为针织物由线圈的相互串套连接而成，结构复杂多变；另一方面传统的方法大部分是基于统计信息的分类，需要复杂的图像预处理过程，且对采集图像的要求高，无法克服织物的旋转和纱线偏移带来的误差，因此针织物组织结构的自动识别方法有待进一步完善。

综上所述，目前迫切需要提出一种鲁棒性和实用性较强地识别针织物组织结构的方法。

发明内容

有鉴于此，本发明的主要目的在于实现针织物基本组织结构的自动识别，且鲁棒性较强。

为达到上述目的，针对传统方法中的图像预处理过程复杂、采集图像要求高和无法克服织物的旋转和纱线偏移带来的误差的问题，本发明提供了一种基于深度学习的针织物基本组织结构的自动识别方法，该方法包括：

步骤1：采集织物样本图像；

步骤2：提取感兴趣区域并将图像大小归一化；

步骤3：结合迁移学习策略，使用AlexNet经典网络针对预训练的模型在目标集上进行微调训练，最终得到可识别针织物基本组织结构的模型，包括以下步骤：

步骤3-1：将样本集分为一个训练集和一个测试集，训练集和测试集的图片数量比例为n₁∶n₂，n₁大于n₂；

步骤3-2：对每类做出标签，测试集和训练集分别生成两个保存有图片标签和相对路径的文本文件，同时打乱文本文件中不同织物组织图片的顺序；

步骤3-3：调整AlexNet经典网络不同层的相关参数，用在ImageNet预训练出的模型bvlc_reference_caffenet对目标集进行微调；

步骤4：将预处理之后织物的正面和反面图像分别作为预测模型的输入并得到输出结果，最后综合两次的结果确定组织类型。

所述步骤1：

使用USB数码电子显微镜，设备自带光源，采集织物表面反射图像，对不同组织结构织物的正面及反面进行拍摄，其中正面图像和反面图像各占一半。

所述步骤2：

原始采集图像存在背景区域，为方便后期对图片进行操作，以及减小拍摄图片中存在的畸变对识别的影响，首先定位到图像中处于中心位置的一个线圈，然后向中心位置的线圈四周扫描，在横向扫描中由定位到的中心位置的线圈开始，直到扫描区域包含4-5个组织结构基元时停止，纵向扫描中也是从定位到的中心位置的线圈开始，直到扫描区域包含7-8行线圈时停止，提取出感兴趣区域，并将图像尺寸归一化到A*A，预处理之后的图片组成样本集，以此作为AlexNet网络对预训练模型在目标集上微调训练的输入。