[发明专利]基于自适应卷积神经网络的织物分类方法

说明书

一种基于卷积神经网络的织物分类方法，其步骤为：(1)对织物图像进行归一化处理；(2)搭建六层卷积神经网络模型；(3)训练卷积神经网络；(4)判断卷积神经网络是否达到要求；(5)若测试准确率及深度未达到要求，对卷积神经网络进行扩展，在第一个全连接层前添加一个卷积层，若最后一个降采样层与第一个全连接层之间有三层卷积层，则在第一个全连接层前添加一个降采样层；(6)计算测试集分类准确率。本发明构建了一种结构自适应的卷积神经网络，使得卷积神经网络的结构能够随着训练的过程不断调节，减少了人工调参的次数，提高了卷积神经网络的训练效率，并充分发挥了卷积层提取特征的能力。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于自适应卷积神经网络的织物分类方法。本发明主要用于对织物图像进行分类，分类结果可用于废旧织物回收加工和织物生产加工。

背景技术

废旧织物是指在各类以纺织服务材料为原材进行加工生产的下脚料、废料等。现有的废旧织物加工过程中，直接将所有的废旧织物进行破碎开松，然后加工成可纺织纤维，由于废旧织物的颜色、纹理不同，造成加工后的可纺纤维混杂，造成了极大地浪费。织物生产加工中，织物存在许多缺陷，例如洞疵，油斑，缺经等。造成织物缺陷的原因有编织机器出现故障，或者纱线质量不合格等，因此，织物缺陷检测和分类是控制纺织品质量的关键环节。由此可见，一种智能的织物分类方法成为改善织物质量的有效方法。作为织物分类的前提要求是织物缺陷检测，目前织物缺陷检测方法主要通过图像分析结合阈值分割法。

西安工程大学在其拥有的专利技术“基于Gabor滤波器的印花织物疵点检测方法”(申请号：201410155241.3授权公告号：103955922 B)中公开了一种基于Gabor滤波器的印花织物疵点检测方法。该方法的具体步骤为：建立基本G a b o r滤波器，提取Gabor参数；对提取的Gabor参数进行选择、交叉、变异，选择目标函数适应度高的参数；根据遗传算法选择的Gabor参数，对得到的Gabor参数旋转变换提取有效的无瑕疵织物纹理特征信息；对待检测织物图像及无瑕疵织物图像进行Gabor滤波的卷积操作，提取待检测织物纹理背景信息；将待检测及无瑕疵织物图像均进行二值化，得到织物瑕疵检测结果。但是，该方法仍然存在的不足之处是，该方法采用的是根据遗传算法，用于提取Gabor滤波器的参数，与其他传统机器视觉的检测方法相比较检测速度较慢，另外，近几年随着相机分辨率的提高，传统的方法不能充分提取织物图像中的信息，导致分类精度不高。

孙建德在其拥有的专利技术“一种基于结构自适应卷积神经网络的人脸识别方法”(申请号：201510128506.5授权公告号：CN104778448B)中公开了一种结构自适应卷积神经网络的人脸识别方法。该方法的具体步骤为：对所有图像做大小、姿态和光照的归一化处理；初始化卷积神经网络的网络结构，并设定两个控制网络增长的指标值：系统平均损失和训练样本的识别率；将归一化处理后的训练样本送入初始卷积神经网络当中，在规定训练次数内，若结构自适应卷积神经网络没有收敛趋势，在结构自适应卷积神经网络中增加一条全局支路，进行全局扩展；全局扩展学习结束后，结构自适应卷积神经网络满足收敛条件时，若训练样本的识别率未达到期望值，在结构自适应卷积神经网络中增加一条全局支路，进行局部扩展，即可完成增量学习，直至结构自适应卷积神经网络对训练样本的识别率达到期望值，结构自适应卷积神经网络的人脸识别方法实现了网络的自适应扩展。但是，该方法仍然存在的不足之处是，全局扩展学习的前后结构自适应卷积神经网络的卷积层始终只有两层，该方法并没有充分发挥卷积层的提取特征能力，使得分类的性能变差，同时当该网络的识别率一直未达到期望值是会陷入死循环，浪费了计算资源。

发明内容

本发明的目的是针对上述现有技术的不足，提出了一种基于自适应卷积神经网络的织物图像缺陷检测和分类方法。本发明与现有其他织物缺陷检测和分类方法相比，自适应卷积神经网络的结构能够随着训练的过程不断调节，根据训练结果添加卷积层和降采样层，减少了卷自适应卷积神经网络的训练构建对于人工调参的依赖。训练结束后，自适应卷积神经网络的卷积层层数会大于两层，提高了自适应卷积神经网络对织物图像的提取特征能力，提高了自适应卷积神经网络的分类性能。