基于自适应卷积神经网络的织物分类方法技术

一种基于卷积神经网络的织物分类方法，其步骤为：(1)对织物图像进行归一化处理；(2)搭建六层卷积神经网络模型；(3)训练卷积神经网络；(4)判断卷积神经网络是否达到要求；(5)若测试准确率及深度未达到要求，对卷积神经网络进行扩展，在第一个全连接层前添加一个卷积层，若最后一个降采样层与第一个全连接层之间有三层卷积层，则在第一个全连接层前添加一个降采样层；(6)计算测试集分类准确率。本发明专利技术构建了一种结构自适应的卷积神经网络，使得卷积神经网络的结构能够随着训练的过程不断调节，减少了人工调参的次数，提高了卷积神经网络的训练效率，并充分发挥了卷积层提取特征的能力。

【技术实现步骤摘要】
基于自适应卷积神经网络的织物分类方法
本专利技术属于图像处理
，更进一步涉及图像分类
中的一种基于自适应卷积神经网络的织物分类方法。本专利技术主要用于对织物图像进行分类，分类结果可用于废旧织物回收加工和织物生产加工。
技术介绍
废旧织物是指在各类以纺织服务材料为原材进行加工生产的下脚料、废料等。现有的废旧织物加工过程中，直接将所有的废旧织物进行破碎开松，然后加工成可纺织纤维，由于废旧织物的颜色、纹理不同，造成加工后的可纺纤维混杂，造成了极大地浪费。织物生产加工中，织物存在许多缺陷，例如洞疵，油斑，缺经等。造成织物缺陷的原因有编织机器出现故障，或者纱线质量不合格等，因此，织物缺陷检测和分类是控制纺织品质量的关键环节。由此可见，一种智能的织物分类方法成为改善织物质量的有效方法。作为织物分类的前提要求是织物缺陷检测，目前织物缺陷检测方法主要通过图像分析结合阈值分割法。西安工程大学在其拥有的专利技术“基于Gabor滤波器的印花织物疵点检测方法”(申请号：201410155241.3授权公告号：103955922B)中公开了一种基于Gabor滤波器的印花织物疵点检测方法。该方法的具本文档来自技高网...

【技术保护点】
1.一种基于自适应卷积神经网络的织物分类方法，其特征在于，对构建的自适应卷积神经网络进行训练，利用训练好的自适应卷积神经网络对织物图像进行分类，该方法的具体步骤包括如下：(1)处理织物图像数据集：(1a)对输入的带标签织物图像数据集，在[0，1]的范围进行归一化处理；(1b)从归一化后数据集中任意选取70％的带标签织物图像作为训练集，剩余30％的带标签织物图像作为测试集；(2)构建自适应卷积神经网络：(2a)搭建一个6层的自适应卷积神经网络模型，其结构依次为：第一个卷积层→第二个卷积层→第一个降采样层→第一个全连接层→第一个dropout层→第二个全连接层；(2b)设置自适应卷积神经网络模型中...

【技术特征摘要】
1.一种基于自适应卷积神经网络的织物分类方法，其特征在于，对构建的自适应卷积神经网络进行训练，利用训练好的自适应卷积神经网络对织物图像进行分类，该方法的具体步骤包括如下：(1)处理织物图像数据集：(1a)对输入的带标签织物图像数据集，在[0，1]的范围进行归一化处理；(1b)从归一化后数据集中任意选取70％的带标签织物图像作为训练集，剩余30％的带标签织物图像作为测试集；(2)构建自适应卷积神经网络：(2a)搭建一个6层的自适应卷积神经网络模型，其结构依次为：第一个卷积层→第二个卷积层→第一个降采样层→第一个全连接层→第一个dropout层→第二个全连接层；(2b)设置自适应卷积神经网络模型中每一层的参数如下：将自适应卷积神经网络的输入层特征图总数设置为3，特征图尺寸设置为64×64；将第一个卷积层中卷积滤波器的总数设置为32、卷积滤波器的像素大小设置为3×3，特征图尺寸设置为64×64，卷积步长设置为1个像素；将第二个卷积层中卷积滤波器的总数设置为32、卷积滤波器的像素大小设置为3×3，特征图尺寸设置为64×64，卷积步长设置为1个像素；将第一个降采样层中池化区域大小设置为2×2，池化步长设置为2个像素，特征图尺寸设置为32×32；将第一个全连接层结点总数设置为1024；将dropout层的保留概率为0.5；将第二个全连接层结点总数设置为织物类别数；(3)训练自适应卷积神经网络：(3a)将当前期望损失值的初始值设置为零；(3b)从训练集中选取50幅带标签织物的图像，依次输入到自适应卷积神经网络中，输出每幅图像对应的预测分类标签，并利用损失值计算公式，计算所选取的50幅带标签织物图像输入到自适应卷积神经网络后自适应卷积神经网络的损失值；(3c)判断自适应卷积神经网络的损失值与当前期望损失值之差是否小于0.1，若是，则执行步骤(3e)，否则，执行步骤(3d)；(3d)用当前迭代时的自适应卷积神经网络损失值作为当前期望损失值，利用反向传播算法，用当前期望损失值更新自适应卷积神经网络中所有的参数后执行步骤(3b)；(3e)将测试集中所有的织物图像及分类标签依次输入到自适应卷积神经网络中，输出每幅图像对应的预测分类标签，并利用测试准确率计算公式，计算自适应卷积神经网络在测试集上的测试准确率；(3f)判断自适应卷积神经网络是否满足停止训练条件，若是，则执行步骤(3j)，否则，执行步骤(3g)；(3g)在自适应卷积神经网络第一个全连接层前添加一个卷积层,得到新的自适应卷积神经网络；(3h)判断新的自适应卷积神经网络是否已添加了三个卷积层，若是，则得到添加卷积层后的自适应卷积神经网络后执行步骤(3i)，否则，执行步骤(3a)；(3i)在添加卷积层后的自适应卷积神经网络中第一个全连接层前添加一个降采样层后执行步骤(3a)；(3j)得到训练好的自适应卷积神经网络后执行步骤(4)；(4)对测试数据集进行分类：将测试织物图像数据集输入到训练好的自适应卷积神经网络中，得到测试...

【专利技术属性】
技术研发人员：庞博，盛立杰，苗启广，赵盼盼，马悦，秦丹，陈红颖，徐劲夫，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61