一种基于深度学习的织物起毛起球评级方法技术

本发明专利技术公开了一种基于深度学习的织物起毛起球评级方法，包括步骤：获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域；指数高通滤波器进行滤波，然后再进行傅里叶反变换；采用小波变换法对毛球信息图像进行分解与重构；采用迭代阈值法获得二值化的毛球特征图像；由二值化的毛球特征图像及对应评级训练深度学习网络；待评级图像经过步骤一至四处理输入深度学习网络得到评级结果。本发明专利技术提高了起毛起球等级评定的准确率和泛化能力，克服了人为主观因素，更为客观、准确地评定起毛起球等级。

【技术实现步骤摘要】
一种基于深度学习的织物起毛起球评级方法
本专利技术涉及一种织物起毛起球评级方法，特别是一种基于深度学习的织物起毛起球评级方法。
技术介绍
织物在穿着与洗涤过程中段受到外力或者水流的摩擦作用，使织物内的纤维不断迁移到织物表面形成毛茸，毛茸继续在摩擦力的作用下互相纠缠形成毛球，并固着在织物表面，这种现象称之为起毛起球。起毛起球现象影响织物的外观以及服用性能。科学客观地评价织物起毛起球性能是生产实际中经常要进行的一项检测。目前织物起毛起球的评定方法主要靠有经验的工作人员与标准样照进行对比评定织物起毛起球等级。这种主观评定的方法不断对评定环境要求较高，而且人为因素较大，导致实验结果存在较大误差。随着计算机技术在纺织领域的应用，国内外研究者开展了利用图像技术和分类技术对织物起毛起球进行客观评价的研究。织物起毛起球的客观评价包括两个方面，一方面是采用图像分析技术对织物起毛起球图像进行处理；另一方面利用处理后的织物图像数据进行起毛起球等级分类。目前大部分单一的图像处理技术如小波分析法等来获得织物表面毛球特征，以及利用神经网络算法对织物图像数据机型分析获得起毛起球等级。但是单一的图像处理技术不能完整有效地提取织物毛球特征，而神经网络算法的准确率和泛化能力较弱，难以满足实际工业要求。
技术实现思路
针对上述现有技术缺陷，本专利技术的任务在于提供一种基于深度学习的织物起毛起球评级方法，提高织物表面毛球特征提取的完整性，并提高起毛起球等级评定的准确率和泛化能力。本专利技术技术方案为，一种基于深度学习的织物起毛起球评级方法，包括以下步骤：步骤一、获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域；步骤二、将频域内的图像采用指数高通滤波器进行滤波，然后再进行傅里叶反变换，得到毛球信息图像；步骤三、采用小波变换法对毛球信息图像进行分解与重构，得到带纹理信息的毛球特征图像；步骤四、采用迭代阈值法剔除所述带纹理信息的毛球特征图像中的纹理信息，获得二值化的毛球特征图像；步骤五、建立深度学习网络模型；步骤六、由步骤四得到的所述毛球特征图像作为所述深度学习网络模型输入，由所述毛球特征图像对应的起毛起球等级作为所述深度学习网络模型输出训练所述深度学习网络模型；步骤七、将待评级织物图像经过所述步骤一至步骤四处理得到相应的待评级毛球特征图像，并将所述待评级毛球特征图像输入训练后的所述深度学习网络模型得到起毛起球等级。进一步地，所述指数高通滤波器的滤波半径由以下方法确定：计算候选滤波半径滤波后的频域内的图像的能量、能量差值和能量二次差值，将能量二次差值曲线突变点对应的候选滤波半径作为所述指数高通滤波器的滤波半径。进一步地，所述候选滤波半径为0.1，0.3，0.5，0.7，0.9，1.1和1.3。进一步地，所述频域内的图像的能量计算公式为其中，f(i,j)为频域内的图像像素点在(i,j)处灰度，M为图像的高度，N为图像的宽度，能量差值公式为其中，Ei-1为第i-1个滤波半径的能量，Ei为第i个滤波半径的能量，Ed为第i-1个滤波半径和第i个滤波半径之间的能量差值。进一步地，所述小波变换法对毛球信息图像进行分解与重构时选取bior3.7小波进行图像的二维小波分解并采用wavedec2为小波基函数进行重构。进一步地，所述迭代阈值法具体包括设定灰度阈值，将所述毛球特征图像根据像素点灰度与灰度阈值的大小分为两个图像区域并分别计算两个图像区域的灰度均值，由两个灰度均值的平均值作为新的设定灰度阈值重复，直至相邻计算得到的所述平均值与所述设定灰度阈值相等，所述毛球特征图像根据设定灰度阈值二值化处理得到二值化的毛球特征图像。进一步地，所述深度学习网络模型包括输入层、四层隐藏层和输出层，所述四层隐藏层的激活函数为ReLU，所述输出层的激活函数为Softmax。进一步地，所述深度学习网络模型的目标函数为交叉熵函数，所述深度学习网络模型的反向传播算法为梯度随机下降算法。本专利技术与现有技术相比的优点在于：本专利技术剔除了织物的周期性纹理对于毛球特征的影响，克服了人为主观因素，更为客观、准确地评定起毛起球等级，提高了等级评定的准确率和泛化能力。附图说明图1为本专利技术基于深度学习的织物起毛起球评级方法的流程示意图。图2为图像信号二维小波分解示意图。图3为高频信息重构的七个分解层图像。图4为第1层到第2层的高频信息叠加后的织物图像。图5为第3层到第4层的高频信息叠加后的织物图像。图6为起毛起球等级评级为1至5级的二值化的毛球特征图像。图7为实施例的起毛起球等级评级为1至5级的斜纹织物图像。图8为实施例的斜纹织物图像的二值化的毛球特征图像。具体实施方式下面结合实施例对本专利技术作进一步说明，但不作为对本专利技术的限定。请结合图1所示，本专利技术实施例所涉及的一种基于深度学习的织物起毛起球评级方法，首先，采用综合的图像分析技术从织物样本图像中分割出毛球特征，然后通过深度学习算法对机织物起毛起球等级进行评估，具体的步骤如下：步骤一、获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域。为有效分离毛球，需要滤除织物纹理信息。在时域里很难直接分析图像中的周期性和非周期性成分，即织物纹理与毛球信息。为此，在对织物纹理滤除前需对织物样本图像进行傅里叶变换，将样本图像变换至频域。步骤二、将频域内的图像采用指数高通滤波器进行滤波，从而可以将频域内的周期性成分信息滤出，然后再进行傅里叶反变换，得到滤除织物纹理后的毛球信息图像。织物表面是由基本组织结构周期性排列而形成的，因此织物表面纹理主要特征便是其周期性和均匀性。表征织物纹理特征的能量在织物表面是均匀连续分布的，其能量应该是相对稳定的，而当这些均匀性遭到破坏时，则一般认为织物的表面结构发生了变化，即形成了毛球，此时织物的能量也发生了变化。因此，可以利用这一特性，对经不同滤波半径滤波后的织物能量进行计算，拟合其能量曲线、能量差值和能量二次差值曲线，由其能量差值和能量二次差值曲线即可分析毛球信息，在能量二次差值曲线发生突变的地方即认为是出现毛球的地方，由此便能得到最佳滤波半径。每次滤波后织物的频域图像的能量为：式中，E为每个滤波半径下的能量；f(i,j)为像素点在(i,j)处灰度；M为图像的高度；N为图像的宽度。式中，Ei-1为第i-1个滤波半径的能量；Ei为第i个滤波半径的能量；Ed为第i-1个滤波半径和第i个滤波半径之间的能量差值。根据公式(1)计算每个滤波半径的能量值，再采用公式(2)计算相邻两个滤波半径的能量差值，最后再采用公式(2)计算相邻两个能量差值之间的能量二次差值。根据能量二次插值曲线的拐点即可确定该点为突变点，突变点对应的滤波半径即为最佳滤波半径。由能量二次差值曲线的最大拐点即可获得纹理与毛球分离的最佳滤波半径值。滤波半径分别为本文档来自技高网...

【技术保护点】
1.一种基于深度学习的织物起毛起球评级方法，其特征在于，包括以下步骤：/n步骤一、获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域；/n步骤二、将频域内的图像采用指数高通滤波器进行滤波，然后再进行傅里叶反变换，得到毛球信息图像；/n步骤三、采用小波变换法对毛球信息图像进行分解与重构，得到带纹理信息的毛球特征图像；/n步骤四、采用迭代阈值法剔除所述带纹理信息的毛球特征图像中的纹理信息，获得二值化的毛球特征图像；/n步骤五、建立深度学习网络模型；/n步骤六、由步骤四得到的所述毛球特征图像作为所述深度学习网络模型输入，由所述毛球特征图像对应的起毛起球等级作为所述深度学习网络模型输出训练所述深度学习网络模型；/n步骤七、将待评级织物图像经过所述步骤一至步骤四处理得到相应的待评级毛球特征图像，并将所述待评级毛球特征图像输入训练后的所述深度学习网络模型得到起毛起球等级。/n

【技术特征摘要】
1.一种基于深度学习的织物起毛起球评级方法，其特征在于，包括以下步骤：
步骤一、获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域；
步骤二、将频域内的图像采用指数高通滤波器进行滤波，然后再进行傅里叶反变换，得到毛球信息图像；
步骤三、采用小波变换法对毛球信息图像进行分解与重构，得到带纹理信息的毛球特征图像；
步骤四、采用迭代阈值法剔除所述带纹理信息的毛球特征图像中的纹理信息，获得二值化的毛球特征图像；
步骤五、建立深度学习网络模型；
步骤六、由步骤四得到的所述毛球特征图像作为所述深度学习网络模型输入，由所述毛球特征图像对应的起毛起球等级作为所述深度学习网络模型输出训练所述深度学习网络模型；
步骤七、将待评级织物图像经过所述步骤一至步骤四处理得到相应的待评级毛球特征图像，并将所述待评级毛球特征图像输入训练后的所述深度学习网络模型得到起毛起球等级。


2.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述指数高通滤波器的滤波半径由以下方法确定：计算候选滤波半径滤波后的频域内的图像的能量、能量差值和能量二次差值，将能量二次差值曲线突变点对应的候选滤波半径作为所述指数高通滤波器的滤波半径。


3.根据权利要求2所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述候选滤波半径为0.1，0.3，0.5，0.7，0.9，1.1和1.3。


4.根据权利要求2所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述频...

【专利技术属性】
技术研发人员：肖琪，陆鑫，孙银银，刘雷艮，彭佳佳，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏;32