基于卷積神經(jīng)網(wǎng)絡的織物縫紉平整度客觀評價

王萌萌，劉成霞,2

(1.浙江理工大學 服裝學院，浙江 杭州 310018；2.浙江理工大學 服裝數(shù)字化技術浙江省工程實驗室， 浙江 杭州 310018)

織物縫紉平整度是紡織品外觀的重要量度標準[1]，現(xiàn)有研究多采用標樣對照、直接測量等方法對織物縫紉平整度等級進行評定。近年來，由于標樣對照法易受觀察者自身主觀因素及環(huán)境條件的影響，測量誤差較大，相關學者開始采用智能化評價、建立預測模型等方法對縫紉平整度進行研究。在智能化評價方面，YoungjooNa等[2]使用圖像處理技術研究縫紉平整度等級，Kang等[3]使用幾何分析法客觀評價了織物縫紉平整度，經(jīng)過與主觀評價的相關分析后發(fā)現(xiàn)該方法的準確率較高；李艷梅[4]運用小波分析及圖像處理技術建立了多元回歸模型和概率神經(jīng)網(wǎng)絡模型；蔣真真[5]利用BP神經(jīng)網(wǎng)絡建立了客觀評價縫紉平整度的模型。研究者們主要先用圖像處理技術提取織物縫紉平整度特征值，再利用人工智能技術評價織物縫紉平整度等級，但上述方法中織物種類、色彩會在一定程度上影響織物縫紉平整度等級評價的準確率。在建立預測模型方面，Tasaki等[6]日本學者致力于建立一個二元回歸方程來評價縫紉平整度等級；劉侃[7]運用數(shù)學方法建立了織物縫紉皺縮預測模型；范蕤[8]用模糊神經(jīng)網(wǎng)絡建立了縫紉平整度的預測模型。上述模型的預測準確率雖達到了一定程度，但適用的織物種類范圍較少。

綜上，目前評價織物縫紉平整度方法的準確率易受測量方式、拍攝光線及角度、織物顏色、種類乃至組織結構的影響，且樣本圖片的獲取比較耗時，不易推廣，達不到廣泛適用的效果[9]。因此，本文以織物縫紉平整度作為研究對象，試圖找到獲取樣本簡便、快速實現(xiàn)縫紉平整度等級分類的方法，且該方法能降低樣本種類及其他因素對分類準確率的影響。

1 織物縫紉圖像數(shù)據(jù)集采集與預處理

1.1 圖像采集

由于卷積神經(jīng)網(wǎng)絡模型的訓練需以大量數(shù)據(jù)為基礎，因此本文制作了一個包含10種常用服裝織物共1 200個樣本的縫紉平整度數(shù)據(jù)集[10]。織物規(guī)格參數(shù)如表1所示， 將每種織物裁剪成10 cm×10 cm的縫條，整燙后由同一車工統(tǒng)一在同一時間段沿經(jīng)向縫布條，使每塊布條線跡相同且清晰可見。然后人工控制5種抽褶量(沿縫紉線跡抽褶)0、0.5、1.0、1.5、2.0 cm以制作樣本縫條。同種織物不同抽褶量及產生的效果見圖1，可以看出抽褶量越大，織物表面越不平整。

表1 織物規(guī)格參數(shù)

圖1 同織物不同抽褶量及產生的效果

接下來使用佳能數(shù)碼相機按照控制變量的方法，分別變化光照條件(強光、中強光、弱光)、拍攝角度(水平和傾斜45°)中的一個參數(shù)，對樣本圖像進行采集。其中，光照強度由LED燈來控制，將樣本置于暗室的水平桌面上，固定LED燈，使其光線與被攝物體呈90°。調節(jié)LED燈的開關，強光為三檔，光照強度為50 mcd(毫坎德拉)；中強光為二檔，光照強度為30 mcd；弱光為一檔，光照強度為10 mcd。再將佳能數(shù)碼相機固定于待測樣本正上方，采集水平角度的樣本圖像，然后將相機順時針旋轉45°固定，采集45°的樣本圖像。每種織物同一抽褶量分別裁剪出4個 10 cm×10 cm的縫條，變化光照條件及拍攝角度后，可獲取24個樣本圖像，10種面料共240個樣本圖像，5種抽褶量一共1 200個樣本。然后隨機截取樣本圖像的上半部分、中間部分或下半部分，替換原圖像，保持同一抽褶量樣本的總數(shù)不變，增加樣本多樣性。以往研究多需要專門的織物圖像采集設備，且針對某一類織物展開研究，與之相比，本文在采集樣本圖像時使用的是普通相機，沒有限制織物種類及拍攝條件，隨機選取了不同的織物，在3種不同光照條件(強光、中強光、弱光)下，拍攝了水平、傾斜45°的圖像，且選取了不同位置(上半部分、中間部分、下半部分)的圖像。這樣采集的織物縫紉樣本更加豐富，同時分類難度也有所增加。

1.2 標簽制作

訓練卷積神經(jīng)網(wǎng)絡模型不僅要以大量樣本數(shù)據(jù)為基礎，還需要對訓練樣本進行分類標簽。因此先用主觀評價法對1 000個訓練樣本進行分類，根據(jù)GB/T 13771—2014《家庭洗滌后接縫平整度》標樣規(guī)定：SS-5為第5級，SS-4為第4級，SS-3為第3級，SS-2為第2級，SS-1為第1級，等級越高，織物表面越平整。請10位專業(yè)人士對照GB/T 13771—2014單針跡接縫評級對比樣照，對每個樣本圖片打分，0～20分為SS-5，21～40分為SS-4，41～60分為SS-3,61～80分為SS-2,81～100分為SS-1。對有爭議的樣本重新打分，直到得出比較合理的等級為止。

2 卷積神經(jīng)網(wǎng)絡模型的設計

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡早期用在識別圖像、文本、音視頻等方面，其識別步驟是先利用訓練樣本建立模型，然后再對測試樣本進行分類。本文中的訓練樣本為確定好平整度等級(即帶標簽)的織物縫紉試樣，測試樣本為待確認平整度等級的織物縫紉樣本，需使用訓練完成后的卷積神經(jīng)網(wǎng)絡模型來對其進行等級評定。卷積神經(jīng)網(wǎng)絡模型學習識別織物縫紉平整度等級的過程即為訓練過程，它主要通過前向傳播來提取樣本圖片特征，再經(jīng)過反向傳播更新權重。輸出值由激活函數(shù)計算得到，激活函數(shù)見式(1)。

xl=f(Wlxl+bl)

(1)

式中：x為特征圖；f為激活函數(shù)；l為層數(shù)；W為權值；b為偏置值。

前向傳播中上一層的特征圖通過一個可學習的卷積核進行卷積，再由激活函數(shù)來獲取新的特征圖。激活函數(shù)見式(2)。

(2)

在下采樣層中，樣本圖片的傾斜和旋轉產生的位置變化可忽略不計，其優(yōu)點是對算法的性能和魯棒性有較大提高的同時，對特征圖的維數(shù)也有一定的降低，還可以減少過度擬合出現(xiàn)的概率。下采樣層計算方式見式(3)。

(3)

式中：down()為下采樣函數(shù)；β和b為輸出特征的偏置值。反向傳播可不斷更新權值達到降低分類誤差的目的，通常采用交叉熵損失函數(shù)運算誤差損失。

2.2 殘差卷積神經(jīng)網(wǎng)絡模型設計

目前，在圖像分類中最出色的卷積神經(jīng)網(wǎng)絡模型是ResNet模型[11]。ResNet模型成功地訓練了152層超深卷積神經(jīng)網(wǎng)絡，分類效果顯著，且適用性非常廣泛。

殘差結構如圖2所示，可以看出，殘差卷積神經(jīng)網(wǎng)絡的基本殘差結構特點是在高層和低層之間增加了一條短連接，輸入x，通過F(x)進行一系列的乘和加操作之后輸出F(x)+x。假設最優(yōu)的擬合輸出為H(x)=F(x)+x，則最優(yōu)的F(x)就是H(x)和與x的殘差，擬合殘差可提高網(wǎng)絡效果。由圖2可以看出，殘差結構的實現(xiàn)只是增加了1個短連接，并沒有多出額外的權重，且高層和低層之間的特征融合也只是簡單的加運算，所以具有殘差結構的網(wǎng)絡在提高分類精度的同時，并沒有給網(wǎng)絡帶來過多的負擔。不斷地疊加殘差結構就可獲得1個較深的ResNet模型，最新的研究表明殘差結構的卷積神經(jīng)網(wǎng)絡可以疊加至1 001層[12]。故殘差卷積神經(jīng)網(wǎng)絡有三大特征：一是既實現(xiàn)了訓練極深網(wǎng)絡的目的，又能避免由于神經(jīng)網(wǎng)絡加深而導致的梯度丟失和梯度爆炸等現(xiàn)象；二是通過短連接形成殘差結構操作簡單，且模型易于訓練；三是ResNet模型適用性很強，易與其他網(wǎng)絡相結合。因此在對織物縫紉平整度圖像進行分類時，殘差結構的卷積神經(jīng)網(wǎng)絡比其他結構更有優(yōu)勢。

圖2 殘差結構

基于ResNet模型的三大特性，結合縫紉平整度等級評價的研究現(xiàn)狀，本文設計了基于殘差卷積神經(jīng)網(wǎng)絡的織物縫紉平整度客觀評價模型如圖3所示，可以看出，該模型以殘差結構為基本結構，輸入為織物縫紉樣本圖像，經(jīng)過5個殘差模塊的疊加，完成織物圖像的特征提取，輸出為織物縫紉平整度的5個等級。

圖3 基于殘差卷積神經(jīng)網(wǎng)絡的織物縫紉平整度客觀評價模型

與圖2不同的是，在本模型采用的殘差結構中，短連接跨越了3層網(wǎng)絡層，分別是由2層1×1的卷積層和1層3×3的卷積層組成。其中1×1的卷積層主要用于特征圖的降維和升維，目的是減少模型的計算量，增加模型的運行效率，而3×3的卷積層主要用于提取平整度圖像的特征。此外，虛線表示短連接，該連接將低層的特征直接和高層特征相融合，不僅能有效避免梯度彌散、爆炸，還能增加網(wǎng)絡結構的復雜程度，提高模型的魯棒性。

全連接層的作用是將平整度特征映射為一個行向量，最終通過Softmax函數(shù)輸出平整度的5個等級概率，Softmax函數(shù)的計算見式(4)。

(4)

式中：i為類別；j為類別的個數(shù)；Ci為每個等級類別的概率。通過交叉熵損失函數(shù)反向傳播誤差，更新權重，交叉熵損失函數(shù)如下：

(5)

式中：yi為每個類別的標簽。此外，激活函數(shù)為relu函數(shù)[13]：f(x)=max(0,x)

3 實驗部分

3.1 預處理

將1 200個實驗樣本按照5∶1分成1 000個訓練樣本與200個測試樣本。訓練時，為進一步滿足卷積神經(jīng)網(wǎng)絡模型訓練時的大數(shù)據(jù)需求，通過對每張圖像加入隨機噪聲、隨機旋轉，以及顏色抖動等方式對訓練集進行擴充。本模型的訓練環(huán)境為：GPU NVIDIA tesla k80 24G，CPU E5 2680 V4，Cuda 9.0，Cudnn 7.1，Tensorflow 1.11。其中Tensorflow為谷歌出品的卷積神經(jīng)網(wǎng)絡框架，搭載GPU NVIDIA Tesla k80來進行加速訓練，Cuda與Cudnn為調用GPU加速的工具。訓練的圖像批次(每次輸入的訓練樣本個數(shù))大小為16個，學習率為0.01%。

3.2 實驗結果

將訓練好的模型在包含200個樣本的測試集上進行結果運行與驗證，得到的Accr精度見圖4，其中橫坐標是Nepoch迭代次數(shù)，縱坐標是模型對測試集進行分類的準確率?？梢钥闯?，隨著交叉熵損失函數(shù)不斷進行誤差的反向傳播及網(wǎng)絡權重更新，織物縫紉平整度等級分類的準確率也不斷提高。圖中的曲線有些微震蕩，是由于網(wǎng)絡在訓練時不斷地更新權重，會短時間陷入局部最優(yōu)的情況，但隨著訓練次數(shù)的增加，訓練精度整體呈增長趨勢，最終穩(wěn)定在96%左右。

圖4 Accr精度圖

3.3 與其他分類方法的結果比較

將卷積神經(jīng)網(wǎng)絡與模糊識別模型[14]、BP神經(jīng)網(wǎng)絡以及粗糙集-BP神經(jīng)網(wǎng)絡[15]這3種分類方法進行比較，在樣本數(shù)量是其他方法10倍的情況下，卷積神經(jīng)網(wǎng)絡的精度比其他方法至少高出了3.25%。因此本文設計的卷積神經(jīng)網(wǎng)絡模型可快速地對常用服裝織物的縫紉平整度進行等級分類，且分類結果客觀準確。此外，利用卷積神經(jīng)網(wǎng)絡客觀評價織物縫紉平整度的方法還具有如下優(yōu)勢：樣本種類沒有限制且適用范圍廣、樣本圖像采集時對拍攝條件和實驗環(huán)境等要求低。

4 結 論

本文選取10種常見服裝織物，將其定量抽褶、制作成具有不同平整度外觀的1 200個縫紉樣本，將其中1 000個作為訓練樣本，200個作為測試樣本，對構建的殘差卷積神經(jīng)網(wǎng)絡模型進行訓練和測試，經(jīng)過研究得到以下結論：

①該卷積神經(jīng)網(wǎng)絡模型可以有效地對縫紉平整度等級進行分類，分類精度比其他方法高出約3%。

②卷積神經(jīng)網(wǎng)絡模型的適用范圍廣，其縫紉平整度等級分類結果不易受織物種類、組織結構、花色等影響。

③設計的卷積神經(jīng)網(wǎng)絡模型樣本圖像采集流程簡單，對拍攝條件、實驗環(huán)境等要求低。

本文只采集了10種織物作為研究對象，市場上織物種類繁多，要提高卷積神經(jīng)網(wǎng)絡模型對織物縫紉樣本分類的普適性，還需要進一步完善和優(yōu)化該模型。因此，如何優(yōu)化網(wǎng)絡結構、提高織物樣本的分類精度等都是值得進一步研究的問題。