应用卷积网络及深度学习理论的羊绒与羊毛鉴别

《应用卷积网络及深度学习理论的羊绒与羊毛鉴别》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、应用卷积网络及深度学习理论的羊绒与羊毛鉴别王飞靳向煜东华大学纺织学院点实验室为解决羊绒与羊毛纤维图像难以鉴别的问题，提出一种基于卷积网络和深度学习理论的鉴别方法。使用sigmoid分类器将卷积深度网络提取的纤维图像特征进行粗分类，根据验证集合验证结果并记录网络的最优权重。根据整体的分类网络所获取的权值，对每张样本图片使用改进的局部增强整体的网络模型提取局部特征，并对局部特征和整体特征进行融合，根据这些融合特征建立新的分类网络。在此基础上，使用鄂尔多斯标准羊绒与羊毛数据集对网络进行50轮次的迭代训练，得到的最优准确率达92.1%。实验结果表明:采用深

2、度卷积网络表征纤维，并对羊绒羊与毛纤维图像进行分类的方法，能够有效解决羊绒、羊毛等类似纤维鉴别问题;若用于商业检测，还需更多数据集的验证。关键词：羊绒;羊毛;图像鉴别;卷积网络;主要研宄方向为机器视觉及深度学习算法在纺织品鉴别的应用。0前业界常用的羊绒与羊毛鉴别方法有扫描电镜法m，近红外光谱鉴别法m，脱氧核糖核酸(DNA)分析法UL电子显微镜纤维表征传统计算机技术测量法[4-5]等。传统的基于计算机图像处理技术的羊绒与羊毛鉴别方法，通过计算机测量纤维表面形态一些特征的量化值对二者进行鉴别，如纤维直径、鳞片高度、鱗片厚度等，但是，这些方法对数据的敏感

3、程度高，并II特征的测量工作难度较大。在使用计算机采样时容易造成数据丢失，同时在还原数值时通过计算会造成数据的污染，此外由于近年来羊绒和羊毛纤维变异程度很大，羊毛与羊绒的直径、鳞片高度等特征差异越来越小，仅依靠人工筛选很难满足实际应用中的需要。综上所述，以上提及的几种方法通常只有经过专业训练的专业人员才能够比较准确鉴别，同时准确率也不足以用于大批量的应用环境，因此，采用精密仪器以及传统计算机图像比对方式鉴别羊绒与羊毛具有耗时长、成本高、人工经验依赖性强等不足。近年来，以深度学习理论为代表的计算机视觉技术取得了突破性的发展，基于图像特征的图像分类与识

4、别己取得了很大进展。木文借鉴Alex-Net[6]图像分类网络，提出一种利用部分特征增强整体特征的卷积网络的羊绒与羊毛鉴别方法，该方法获取纤维表面的整体特征，并利用调整参数的模型通过整体网络特征选取局部特征，将整体与局部特征进行融合训练获取分类网络，最后利用获取到的网络对这2种纤维进行分类与鉴别。1研宄方法采用的策略思路是利用羊绒与羊毛纤维的原始计算机图像具有不同层次的特征，依据此特征值对2种纤维图像进行分类，这就可把近似类别纤维鉴别问题转化为图像的分类问题并加以解决。人们对图像分类以及物体识别己做出了突破性的进展，在诸多方法屮，卷积网络[7](c

5、onvolutionalneuronnetworks,CNNs)是一种对自然阁像分类极为有效i法，该方法训练时间稍长，但利用训练好的网络进行分类时间效率较高。具体方法为首先需要使用卷积网络提取原始图像特征，然后介绍网络的构成，再利用所获取的网络，调整参数模型对分类网络进行局部特征提取，最后通过混合使用局部特征和整体特征，进行特征增强，最后通过预测值和样本真实标签值的比较来评价识别效果。1.1图像特征与卷积网络图1示出常见的弯曲度差异较大的2种羊绒及羊毛纤维。2种纤维从二维图像角度观察，外观形态比较接近，由于不同范围内的直观特征如直径、鳞片厚度等人工

6、选择的一些特征很难作为量化区分的直接依据。冋吋，由于拍摄的环境并非严格无尘环境，所以样本图像存在若干肉眼可分辨的杂质，如果使用传统的图像比对方法，这些内容需要尽量剔除。同时由于样本存在不规则的展开形态，并且传统图像灰度图的处理方式不能有效利用图像的颜色及光泽度信息，所以传统的图像比对方法不适用于纤维的细分类。图1整根的羊绒和羊毛不同形态的显微镜图像Fig.1Object-levelmicroscopeimagesofcashmereandwool,(a)Straightcashmere;(b)Curlcashmere;(c)Straightwool

7、;(d)Curlwool由于卷积网络采用模拟人类识别物体的分层方式，鉴于样本的原始特征存在背景包含信息较少丑不具有典型的边缘、层次等内容，同时样本图片也是自然图片，所以使用卷积网络进行特征提取不需要对样本阁片进行过多的人工干预。卷积网络是以像素图像为基础输入单位的前馈型神经网络。其理论主要由生物学中的感受野启发得到。卷积网络有局部连接、空间次采样以及权值共享3个主要特性。它的出现人人降低了以往神经网络的计算难度，同吋也产生了在一定程度上的抗平移、抗变形以及抗扭曲的特性。由于以上几点原因，卷积神经网络用于图像的处理尤为合适。同时考虑到具体羊绒与羊毛分

8、类的任务，每个输入图像由一组像素的3个通道灰度值所组成，输出为2个类别的后验概率分布。针对自然图像的不同形态处理，卷积网络