一种高精度织物组织结构识别方法技术

本发明专利技术公开了一种高精度织物组织结构识别方法，包括：S1、构建照明系统，照明系统包括设置在待测织物四周的倾斜照明光源以及分别设置在待测织物上方和下方的同轴光源和背光光源；S2、利用三个不同放大倍率的相机分别从待测织物上方的不同位置依次获取六张不同光源照明下的图像形成3个拍摄图像组；S3、将待测织物进行翻转，重新获取待测织物背面的相应3个拍摄图像组；S4、对S2和S3得到的6个拍摄图像组分别进行RGB图像复合生成相应的18通道深度图像；S5、引入6个卷进神经网络分别对相应的18通道深度图像进行训练；S6、将6个卷进神经网络后端的全连接层抽离并进行复合得到特征识别结果。本发明专利技术通过建立改进后的多通道复合检测网络能够减小运算量。网络能够减小运算量。网络能够减小运算量。

【技术实现步骤摘要】
一种高精度织物组织结构识别方法


[0001]本专利技术涉及图像识别
，具体为一种高精度织物组织结构识别方法。

技术介绍

[0002]工厂织物生产过程中，需要经过客户提供布样，工厂比对布样，工厂根据比对布样尝试制作样布，判断是否满足客户需求，根据组织结构分析判断是否需要改变工艺重新制作样布等环节。然而，这一环节往往非常耗时耗力，虽然对于大型纺织厂可能在早期的生产过程中已经编织过相同的布料，如果能够明确当时的编织工艺将提供极大的便利，但是由于产品类别数以万记，因此仅仅通过客户提供的样布去判断属于早期编织的何种布料，对于传统纺织工厂是无法实现的。而从整个纺织品市场的角度上讲，如果能够根据一种样布直接定位到是哪个工厂的哪一批次布料，则能够更大程度的降低不必要的损耗，提高产品供货速度。
[0003]因此，如何通过简单样布定位到数以百万计的市面已有布料是纺织行业意义非凡的一件事情。现阶段在深度学习研究领域，分类问题已经有非常成熟的解决方案，钟金华等人提出了基于卷积神经网络的可回收物品分类方法，通过红外图像与传统RGB图像配合的手段实现可回收物品的分类，然而这种方法难，且不具备不同尺度图像的采集以及复合识别能力，因此难以满足纺织品分类要求。事实上，由于市面纺织产品类别繁多，许多产品工艺非常类似，不同类别的产品可能仅仅存在花纹、密度、纱线粗细等极其微弱的差异，因此往往需要通过不同尺度图像与不同照明环境相结合的方式才能识别到织物的微小差异，例如织物密度往往需要从微观角度去观察，而织物纹理需要从宏观角度去观察，而一些深层的纹理需要基于背光光源或侧面照明的方式去观察。通过多策略拍摄手段进行实物有效识别对于人工检测来说非常繁琐，而对于深度学习来说是现阶段无法解决的问题。
[0004]综上，如何实现织物组织结构高精度分类识别是现阶段纺织行业一个亟需解决的难题。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的目的在于提供了一种应用于高精度织物组织结构识别方法，通过建立改进后的多通道复合检测网络能够减小运算量，并且选择将抽象后的特征进行连接，能够将不同相机最终抽象的特征进行融合，基于多尺度的信息进行图像综合判断，可以有效利用织物的综合组织结构特征进行识别。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种高精度织物组织结构识别方法，包括：S1、构建照明系统，所述照明系统包括设置在待测织物四周的倾斜照明光源以及分别设置在待测织物上方和下方的同轴光源和背光光源；S2、利用三个不同放大倍率的相机分别从待测织物上方的不同位置依次获取六张
不同光源照明下的图像形成3个拍摄图像组；S3、将待测织物进行翻转，并按照S2的拍摄方式重新获取待测织物背面的相应3个拍摄图像组；S4、对S2和S3得到的6个拍摄图像组分别进行RGB图像复合生成相应的18通道深度图像；S5、引入6个卷进神经网络分别对相应的18通道深度图像进行训练；S6、将6个卷进神经网络后端的全连接层抽离并进行复合得到特征识别结果。
[0007]优选的，所述S2包括控制四周的倾斜照明光源、同轴光源和背光光源循环亮起，每个光源亮起后，三个不同放大倍率的相机均分别采集相应的图像。
[0008]优选的，所述三个不同放大倍率的相机包括长焦工业镜头、低放大倍率远心镜头和显微镜头，长焦工业镜头用于拍摄宏观尺度下的织物图像，低放大倍率远心镜头用于拍摄介观尺度下的织物图像，显微镜头用于拍摄微观尺度下的织物图像。
[0009]优选的，所述倾斜照明光源用于从不同角度凸显织物组织结构特征，背光光源用于凸显织物深层次特征，同轴光源用于凸显织物表层特征。
[0010]优选的，所述S5包括在每个卷进神经网络前端引入一个3
×
3的卷积降维网络，用于将18通道深度图像降成1维图像。
[0011]优选的，所述S2中控制不同光源循环亮起时，相机保持在相同曝光值下进行拍摄。
[0012]与现有技术相比，本专利技术的有益效果是：本专利技术提供的高精度织物组织结构识别方法通过多光源复合拍摄，能够凸显织物不同方向的特征信息，长焦工业镜头能够得到相对宏观的信息，用于识别织物宏观上的纹理走向以及花纹特征；低放大倍率远心镜头视野小于长焦镜头，因此能够识别相对细节的特征，能够进一步分析出织物细节纹理走向，从而捕获到编织工艺相关特征；显微镜头具有视野小，分辨率极高的特点，因此能够捕获织物编织材料等细节特征。通过三种成像镜头配合，能够提取织物不同尺度的信息，避免两种织物在单一维度下特征相似度太高导致的检测失效。同时，倾斜照明光源能够凸显织物立体信息，同轴光源能够相对均匀的凸显织物纹理信息，而背光光源能够凸显织物深层次信息，通过三种光源结合，也有助于凸显织物不同视角下的综合特征，进一步丰富系统捕获到的织物特征信息。
[0013]并且，通过建立改进后的多通道复合检测网络能够减小运算量，并且选择将抽象后的特征进行连接，能够将不同相机最终抽象的特征进行融合，基于多尺度的信息进行图像综合判断，可以有效利用织物的综合组织结构特征进行识别。
附图说明
[0014]图1为本专利技术一种高精度织物组织结构识别方法的流程示意图；图2为本专利技术一种高精度织物组织结构识别方法中图像采集系统的结构示意图；图3为本专利技术一种高精度织物组织结构识别方法中多尺度卷积神经网络的结构图。
[0015]图中：1、显微镜头采集系统；2、宏观长焦镜头采集系统；3、远心镜头采集系统；4、同轴光源；5、背光光源；6、侧面光源一；7、侧面光源二；8、侧面光源三；9、侧面光源四；10、待测织物；11、显微镜头采集到的正面图像；12、宏观镜头采集到的正面图像；13、远心镜头采
集到的正面图像；14、显微镜头采集到的背面图像；15、宏观镜头采集到的背面图像；16、远心镜头采集到的背面图像；17、降维卷积核；18、单通道特征图；19、复合全连接层；20、特征识别结果。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0017]如图1所示，本专利技术提供的第一种实施例，一种高精度织物组织结构识别方法，包括以下步骤：S1、构建照明系统，所述照明系统包括设置在待测织物10四周的倾斜照明光源以及分别设置在待测织物10上方和下方的同轴光源4和背光光源5；S2、利用三个不同放大倍率的相机分别从待测织物10上方的不同位置依次获取六张不同光源照明下的图像形成3个拍摄图像组；S3、将待测织物10进行翻转，并按照S2的拍摄方式重新获取待测织物10背面的相应3个拍摄图像组；S4、对S2和S3得到的6个拍摄图像组分别进行RGB图像复合生成相应的18通道深度图像；S5、引入6个卷进神经网络分别对相应的18通道深度图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度织物组织结构识别方法，其特征在于，包括以下步骤：S1、构建照明系统，所述照明系统包括设置在待测织物四周的倾斜照明光源以及分别设置在待测织物上方和下方的同轴光源和背光光源；S2、利用三个不同放大倍率的相机分别从待测织物上方的不同位置依次获取六张不同光源照明下的图像形成3个拍摄图像组；S3、将待测织物进行翻转，并按照S2的拍摄方式重新获取待测织物背面的相应3个拍摄图像组；S4、对S2和S3得到的6个拍摄图像组分别进行RGB图像复合生成相应的18通道深度图像；S5、引入6个卷进神经网络分别对相应的18通道深度图像进行训练；S6、将6个卷进神经网络后端的全连接层抽离并进行复合得到特征识别结果。2.根据权利要求1所述的高精度织物组织结构识别方法，其特征在于，所述S2包括控制四周的倾斜照明光源、同轴光源和背光光源循环亮起，每个光源亮起后，三个不同放大倍率的相机均分别采集相应...

【专利技术属性】
技术研发人员：张效栋，闫宁，李娜娜，郭丹，
申请(专利权)人：天津大学，
类型：发明
国别省市：