【技术实现步骤摘要】
基于深度纹理特征的纺织品纱织尺寸检测方法
本专利技术属于纺织品检测
，具体涉及一种基于深度纹理特征的纺织品纱织尺寸检测方法。
技术介绍
近年来，随着自动化技术的发展和应用，纺织行业取得了长足的进步。然而，纺织质量检测领域中的人工智能技术的应用还相对欠缺。阻碍纺织品质量检测产业技术革新的一个关键因素是纺织品原材料中的大部分基础物理信息难以数字化，使得纺织品的规格数据难以通过人工智能技术进行识别。当前，纺织品的纱织尺寸测量主要依靠人工进行观察和测量，存在着速度慢，错误率高，成本高等问题。显微镜下的拍摄的纺织品图像包含丰富的纹理信息，可以使用深度神经网络提取纹理特征来对纺织品的规格进行识别。当前的主流深度纹理网络在字典学习模块中使用固定尺度的字典获取纹理的无序特征进行分类，这种方法无法更科学的描述多样化的纹理图像分布，无法捕获不同粗细粒度的图像特征。
技术实现思路
本专利技术的目的在于提供一种纺织品纱织尺寸测量方法，以提高纺织品纱织规格检测的准确性。本专利技术提供的纺织品纱织尺寸测量方法，包括：使...
【技术保护点】
1.一种基于深度纹理特征的纺织品纱织尺寸检测方法，其特征在于，包括：使用光学显微镜获取待检测纺织品的高放大倍数的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该纹理编码网络模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围；/n在使用训练好的模型对待检测图像纱织尺寸测量的步骤之前，包括：/n获取训练样本，所述训练样本包括包含各种尺寸区间的纺织品显微镜拍摄图像；/n对训练样本进行预处理；所述预处理包括裁剪...
【技术特征摘要】
1.一种基于深度纹理特征的纺织品纱织尺寸检测方法，其特征在于，包括：使用光学显微镜获取待检测纺织品的高放大倍数的纹理细节图像数据；设计一个多尺度字典学习的纹理编码网络模型，该纹理编码网络模型包括特征提取层、多尺度字典学习层、多尺度字典注意力层、特征融合层以及分类层；训练该纹理编码网络模型；使用训练好的纹理编码网络模型对待检测图像进行纺织品纱织尺寸检测，得到分类结果，即为纺织品纱织纤维的尺寸范围；
在使用训练好的模型对待检测图像纱织尺寸测量的步骤之前，包括：
获取训练样本，所述训练样本包括包含各种尺寸区间的纺织品显微镜拍摄图像；
对训练样本进行预处理；所述预处理包括裁剪、缩放、归一化、标准化中的至少一项基本操作；
对训练样本中的图像进行灰度处理，保留三个通道的特征数据，作为缺陷图像分类模型的输入。
2.根据权利要求1所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述特征提取层，使用50层的卷积神经网络，对输入待检测图像进行特征提取，得到2048个7*7的特征图。
3.根据权利要求2所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述多尺度字典学习层，定义4个不同尺寸的字典，作为模型的可学习参数C＝{C1,C2,C3,C4}，其尺度分别为8*128、16*128、32*128、64*128；将特征提取层处理后得到2048个7*7尺寸的特征图转化为49个2048维度的特征描述子；再分别用不同尺寸的字典对这些特征描述子进行编码，获得向量E＝{e1,e2...ej}；用定义的四个字典分别进行编码获得4个编码输出向量E1,E2,E3,E4。
4.根据权利要求3所述的纺织品纱织尺寸检测方法，其特征在于，所述纹理编码网络模型中，所述多尺度字典注意力层，用全局平均池化方法将获得的4个编码输出向量进行压缩，获得4个一维向量，将所述4个一维向量通过两层全连接网络进行计算，获得每个字典编码向量的重要程度，得到注意力向量，输出为维度为4；将获得的注意力向量与字典编码向量相乘，获得4个注意力编码特征；将四个注意力编码特征分别降维得到四个512维的向量，将四个向量相加获得一个维度为512的融合特征。
5.根据权利要求4所述的纺织品纱织尺寸检测方法，其特征在...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。