[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

说明书

本发明公开了一种基于轻量化卷积神经网络的纬编针织物分类方法，属于针织物分类技术领域，方法包括：获取多种纬编针织物的样本图像，建立样本数据集；对各样本图像进行标准化处理，建立标准化数据集；将标准化数据集划分为训练集、验证集与测试集；构建神经网络模型；采取权值共享策略处理训练集的样本图像，并将得到的特征向量融合得到融合特征向量；根据得到的融合特征向量对输入的样本图像组进行分类；利用训练集的损失值，使用验证集的预测准确率评估训练效果，调整神经网络模型的超参数，保留验证集的预测准确率最高的模型作为最优神经网络模型，将测试集样本输入至最优神经网络模型，并根据测试集的预测准确率，以确定最终的神经网络模型。

技术领域

本发明属于针织物分类技术领域，具体涉及一种基于轻量化卷积神经网络的纬编针织物分类方法。

背景技术

纬编针织物因其舒适的质感及变化丰富的肌理，在纺织品市场上占据着重要地位。在设计用户要求的针织产品时，首先要获得其组织结构参数，以指导针织机生产。目前对针织物组织结构的识别主要是通过技术工人以肉眼观察及拨拆的方式进行的，这种方式效率较低且大量的识别工作易使工人因疲劳而出错。

随着芯片算力的逐年提升，另一类基于深度学习的方法逐渐流行开来。利用卷积神经网络强大的特征提取能力，无需手工设计特征检测器，研究人员通常将其应用在结构排布规律的分类任务中。纬编针织物是纱线沿纬向相互串套线圈形成的，仅靠其单面的形态往往难以准确判断其组织结构类别，传统的织物分类方法需要消耗大量的计算资源对结构复杂的纬编针织物进行分类，工作效率低，分类效果差。

发明内容

本发明实施例的目的是提供一种基于轻量化卷积神经网络的纬编针织物分类方法，能够解决现有的织物分类方法对于结构复杂的纬编针织物进行分类时，计算资源消耗高，效率低，分类效果差的技术问题。

为了解决上述技术问题，本发明是这样实现的：

本发明实施例提供了一种基于轻量化卷积神经网络的纬编针织物分类方法，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，样本数据集包括多组样本图像组，每组样本图像组包括同一个纬编针织物的正面图像和反面图像；

S102：计算样本数据集的均值与标准差，并根据均值与标准差对各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：分别将属于训练集和验证集的各样本图像组中的正面图像和反面图像随机输入至第一子网络和第二子网络，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：通过神经网络模型对第一图像特征的特征向量和第二图像特征的特征向量进行融合，得到表征每个样本数据组的融合特征向量；

S107：根据融合特征向量对输入的样本图像组进行分类，输出训练集和验证集中的各样本图像组对应的预测结构；

S108：判断预测结构与对应的样本图像组的实际结构是否相同，计算训练集的预测准确率、训练集的损失值与验证集的预测准确率；

S109：在训练集的损失值逐渐降低的过程中，判断验证集的预测准确率是否稳定于第一预设范围，在验证集的预测准确率稳定于第一预设范围的情况下，完成神经网络模型的初步训练。

S110：根据验证集的预测准确率调整神经网络模型的超参数，保留验证集的预测准确率最高的神经网络模型，在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；