تشخیص و طبقه بندی الگوی پارچه فاستونی راه راه بافته شده بر اساس شبکه های عصبی پیچیده در این مقاله، ما یک مدل یادگیری عمیق سفارشی برای تشخیص و طبقه بندی پارچه های بافته شده پیشنهاد کردیم.
مدل یادگیری عمیق پیشنهادی بر اساس معماری شبکه باقیمانده (ResNet-50) است.
ابتدا، جمع‌آوری تصویر و پیش‌پردازش تصاویر پارچه تکمیل می‌شود و تکنیک‌های تقویت داده‌ها برای افزایش اندازه مجموعه داده اعمال می‌شوند.
دوم، یک مدل CNN از پیش آموزش دیده استفاده می‌شود که در آن فقط لایه‌های تازه متصل شده برای نگه داشتن لایه‌های دیگر آموزش دیده‌اند.
ویژگی‌های بافت پارچه ملحفه سطح بالا استخراج می‌شوند و در نهایت بر اساس انواع پارچه‌های بافته شده (ساده، توری و ساتن) طبقه‌بندی می‌شوند.
ما عملکرد مدل خود را با استفاده از معیارهای عملکرد مختلف مانند دقت، دقت متعادل، دقت، یادآوری و امتیاز F1 ارزیابی کردیم.
یک تجزیه و تحلیل مقایسه ای با سایر رویکردهای پایه انجام شد و ما همچنین نتایج مدل از پیش آموزش دیده VGGNet را مقایسه کردیم.
نتایج تجربی نشان داد که روش پیشنهادی بهتر از سایر مطالعات موجود است. این مدل زمانی قوی است که تغییراتی مانند رنگ پارچه پنبه ای، ضخامت نخ، جهت چرخشی و نور ناهموار در نظر گرفته شود.
مدل پیشنهادی از پارامترهای کمتری در حین آموزش استفاده می‌کند که آن را از نظر محاسباتی مقرون‌به‌صرفه می‌سازد، و بنابراین پتانسیل را برای صنعت نساجی و مد دارد.
در آینده قصد داریم کار خود را به سایر انواع پارچه جین کاغذی بافته شده و نبافته گسترش دهیم. در این مطالعه، چندین تکنیک تقویت روی تصاویر مانند چرخش افقی و عمودی، جابجایی، چرخش (تصاویر در زوایای ثابت 30 درجه با شروع از 0 درجه، 30 درجه، 60 درجه، 90 درجه و غیره چرخش می‌شوند) اعمال کردیم. زوم، برش، و دستکاری روشنایی.
چرخاندن تصاویر به منظور شناسایی نخ های تار و پود که در جهت های مختلف جهت گیری شده اند به دلیل تغییراتی که در طول گرفتن تصویر رخ می دهد مهم بود.
بزرگنمایی به وضوح الگوی درهم آمیزی پارچه های بافته شده را مشخص کرد. برش باعث ایجاد تغییر شکل موضعی در تصاویر می شود. همه این تکنیک های تقویت مربوط به موقعیت هایی است که در سناریوی واقعی رخ می دهد.
- منابع:
- تبلیغات:
دیدگاه شما با موفقیت ثبت شد.