[发明专利]一种基于轻量化卷积神经网络的纬编针织物分类方法

权利要求书

1.一种基于轻量化卷积神经网络的纬编针织物分类方法，其特征在于，包括：

S101：获取多种纬编针织物的样本图像，建立样本数据集，其中，所述样本数据集包括多组样本图像组，每组所述样本图像组包括同一个所述纬编针织物的正面图像和反面图像；

S102：计算所述样本数据集的均值与标准差，并根据所述均值与所述标准差对各所述样本图像的多个颜色通道进行标准化处理，建立标准化数据集；

S103：将所述标准化数据集按预设比例划分为训练集、验证集与测试集；

S104：引入轻量级注意力机制模块和多个幽灵模块，并结合双分支网络架构，构建具有第一子网络和第二子网络的神经网络模型；

S105：分别将属于所述训练集和所述验证集的各样本图像组中的所述正面图像和所述反面图像随机输入至所述第一子网络和所述第二子网络，采取权值共享策略进行卷积运算得到第一图像特征和第二图像特征；

S106：通过所述神经网络模型对所述第一图像特征的特征向量和所述第二图像特征的特征向量进行融合，得到表征每个所述样本数据组的融合特征向量；

S107：根据所述融合特征向量对输入的所述样本图像组进行分类，输出所述训练集和所述验证集中的各所述样本图像组对应的预测结构；

S108：判断所述预测结构与对应的所述样本图像组的实际结构是否相同，并计算所述训练集的预测准确率、训练集的损失值与所述验证集的预测准确率；

S109：在所述训练集的损失值逐渐降低的过程中，判断所述验证集的预测准确率是否稳定于第一预设范围，在所述验证集的预测准确率稳定于所述第一预设范围的情况下，完成所述神经网络模型的初步训练；

S110：根据所述验证集的预测准确率调整所述神经网络模型的超参数，保留所述验证集的预测准确率最高的神经网络模型，在所述验证集的预测准确率大于第一预设值的情况下，得到最优神经网络模型；

S111：将所述测试集中的各样本图像组输入至所述最优神经网络模型进行分类，得到所述测试集的预测结构，计算测试集的预测准确率，在所述测试集的预测准确率稳定于第二预设范围的情况下，将所述最优神经网络模型作为最终的神经网络模型。

2.根据权利要求1所述的纬编针织物分类方法，其特征在于，所述S101具体包括：

S1011：收集不同的纬编针织面料；

S1012：结合工业相机与亮度可调的LED光源，建立图像采集系统，将所述图像采集系统的采集分辨率调整至640×640像素；

S1013：利用所述图像采集系统拍摄每个所述纬编针织面料的正面图像和反面图像，将所述正面图像和所述反面图像作为样本图像，建立所述样本数据集。

3.根据权利要求1所述的纬编针织物分类方法，其特征在于，所述S102具体包括：

S1021：计算各所述样本数据集的均值和标准差；

S1022：根据所述均值和所述标准差，对所述样本图像的多个颜色通道通过公式1进行标准化处理得到标准化输出图像：

/

其中，input代表所述样本图像，output表示所述标准化输出图像，mean表示所述样本数据集的均值，std为所述样本数据集的标准差；

S1023：根据所述标准化输出图像，建立标准化数据集。

4.根据权利要求1所述的纬编针织物分类方法，其特征在于，在所述S103之后还包括：

S112：对所述训练集中的各所述样本图像进行在线数据增强，以扩充所述训练集中的所述样本图像数量。

5.根据权利要求4所述的纬编针织物分类方法，其特征在于，所述在线数据增强包括亮度增强、对比度增强、饱和度变化增强、360°随机旋转增强、随机水平增强、垂直翻转增强与随机缩放裁剪增强。