為更好地?cái)?shù)字化傳承與創(chuàng)新傳統(tǒng)的藍(lán)印花布紋樣,并能單獨(dú)提取構(gòu)成紋樣的圖案基元并進(jìn)行分類,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的紋樣基元分類方法。首先,對(duì)采集的128張藍(lán)印花布圖像進(jìn)行紋樣基元提取,形成圖像樣本庫(kù),共21 212張。其次,從庫(kù)中隨機(jī)選取80%的圖像樣本作為訓(xùn)練集,20%作為測(cè)試集,利用5×5卷積核對(duì)訓(xùn)練樣本進(jìn)行卷積操作,將得到的特征圖進(jìn)行池化。通過(guò)3層卷積、3層池化及2層全連接層計(jì)算后,利用Softmax分類器得到12種分類結(jié)果。最后,通過(guò)基元樣本的學(xué)習(xí)獲取最佳網(wǎng)絡(luò)模型參數(shù),并取得較理想的分類結(jié)果。結(jié)果表明:提出的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)12種紋樣基元的平均分類準(zhǔn)確率達(dá)99.61%,檢測(cè)平均準(zhǔn)確率達(dá)98.5%,為藍(lán)印花布紋樣的研究提供了新思路。 

【文章來(lái)源】：紡織學(xué)報(bào). 2020,41(01)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

紋樣基元

根據(jù)得到的帶有序號(hào)的輪廓圖像,將其按序號(hào)順序截取,生成獨(dú)立的紋樣基元子圖像并進(jìn)行保存,形成基元子圖像�；獔D像的大小由其輪廓線像素的坐標(biāo)確定,取輪廓線像素的x坐標(biāo)的最大值與最小值之差以及輪廓線像素的y坐標(biāo)的最大值與最小值之差,將差值的最大值作為子圖像的寬度和高度,所以得到的紋樣基元子圖像是一個(gè)寬度和高度相等的子圖像。整個(gè)藍(lán)印花布紋樣基元提取過(guò)程如圖2所示。圖2(a)為藍(lán)印花布初始圖像。為植物紋樣的藍(lán)底白花圖案。經(jīng)圖像預(yù)處理,得到二值化圖像。調(diào)用輪廓跟蹤方法,得到二值圖像中各紋樣基元的輪廓,利用提出的算法生成帶有序號(hào)的獨(dú)立的紋樣基元子圖像,各基元子圖像間尺寸大小不同但每個(gè)子圖像自身寬度和高度相等�；訄D像按輪廓序號(hào)依次提取,圖2(b)中共有106個(gè)輪廓,因此會(huì)生成106個(gè)紋樣基元子圖像。由于篇幅關(guān)系,圖2(c)中僅給出前40個(gè)紋樣基元子圖像。對(duì)這些基元進(jìn)行分類,可歸屬于12類中的米粒紋、貝殼紋、柱形紋、圓形紋等類別。2 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

CifarNet網(wǎng)絡(luò)模型已在CIFAR-10和CIFAR-100帶標(biāo)簽的各類自然場(chǎng)景目標(biāo)圖像分類中取得較好成績(jī)。針對(duì)藍(lán)印花布紋樣基元的圖像特征,對(duì)CifarNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)及優(yōu)化,對(duì)輸入的特征圖數(shù)量進(jìn)行調(diào)整,改變池化組合方式以及增加一層丟棄層,得到新的網(wǎng)絡(luò)模型。然后利用改進(jìn)的網(wǎng)絡(luò)模型對(duì)藍(lán)印花布紋樣基元子圖像進(jìn)行分類訓(xùn)練。改進(jìn)的CifarNet網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。1) 輸入層。


本文編號(hào)：3468420