林宗繆 陳 寧
(上海市質(zhì)量監(jiān)督檢驗技術(shù)研究院 上海 201114)
紡織品起毛起球是評定織物服用性能的重要指標之一。紡織品在穿著洗滌使用過程中,會受到不同程度的摩擦。在外部摩擦力的作用下,纖維頭端滑動、松散并露出織物表面,形成一層毛茸,甚至纖維頭端露出后纏結(jié)形成毛球,大大降低紡織服裝產(chǎn)品的美觀性[1]。消費者往往覺得棄之可惜,穿著又難受。紡織物起毛起球過程如圖1所示。
圖1 紡織物起毛起球過程
傳統(tǒng)的紡織品起毛起球檢測是根據(jù)標準方法進行實驗,由多名專家或技術(shù)員對實驗結(jié)果進行人工目測評評定,這種方法因評判人員的專業(yè)知識和經(jīng)驗差別而使評定結(jié)果有較大主觀性和不確定性。因此,需要建立一種科學的人工智能評判方法進行紡織品毛球檢測結(jié)果分析,保證評判的客觀性和準確性。
當前人工智能得到了較大的普及和發(fā)展。1997年人工智能打敗了國際象棋世界冠軍卡斯帕羅夫,2016年AlphaGo戰(zhàn)勝世界圍棋冠軍李世石。當前,國內(nèi)外許多大公司已將人工智能作為企業(yè)戰(zhàn)略重心。例如,無人駕駛汽車、智慧城市大腦、智能語音、智慧醫(yī)療等。人工智能研究的核心領(lǐng)域在人工智能算法。目前,基于神經(jīng)網(wǎng)絡(luò)算法的深度學習[2~4]是當前智能算法最熱鬧的研究方向。2013年,深度學習被麻省理工學院評為年度十大科技之一。深度學習應用于圖片識別、語音識別、自然語言識別、醫(yī)療智能診斷等領(lǐng)域。
卷積神經(jīng)網(wǎng)絡(luò)[5~7]CNN是一種改進的人工神經(jīng)網(wǎng)絡(luò),在圖像識別應用上有著較低的誤識率。本文基于卷積神經(jīng)網(wǎng)絡(luò)提出一種紡織品毛球評定方法,對紡織品起毛起球進行人工智能評定,實現(xiàn)較好的分類效果。
基于卷積神經(jīng)網(wǎng)絡(luò)算法的紡織品毛球評定方法流程如圖2所示。
圖2 基于CNN的紡織品毛球評定方法流程
1)采用高清相機采集實驗后的檢測樣品圖片,采用直方圖均衡化對圖片進行增強操作,減少環(huán)境干擾和圖片失真。
2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN,訓練紡織物毛球評定模型。
3)對檢測樣品進行評定分類。
根據(jù)國標《GB/T 4802.1-2008紡織品織物起毛起球性能的測試》對于紡織物起毛起球的評定等級定義如表1所示。由專家或評定人員依據(jù)評定表格對每一塊試樣評定,以全部評定人員評級的平均值做為該樣品的評定等級。平均值如果非整數(shù),則修約至最近的0.5級,并用-表示,如3~4級。
表1 評定等級描述
評定分級樣照如圖3所示。
圖3 紡織品毛球等級樣照
2.3.1 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是一種適用于圖像分類的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),相較于以往的全連接神經(jīng)網(wǎng)絡(luò),CNN只在相鄰兩層之間的節(jié)點連接且權(quán)值共享[8~10]。這優(yōu)化了神經(jīng)網(wǎng)絡(luò),降低了模型復雜度,大幅提高了運算效率。CNN一般包括五個部分:輸入層INPUT、卷積層CONV、池化層POOL、全連接層FC、Softmax層。卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)拓撲如圖3所示。
輸入層(INPUT),通常是一個三維矩陣a×b×c,代表輸入圖像的長、寬和深度,這里深度代表了圖像的色彩通道。
由于水文序列的隨機性、灰色性以及不穩(wěn)定性等特征,在對徑流量進行模擬預測時產(chǎn)生了較大的誤差。而誤差修正模型則是對當前預測模型的補充,該方法即克服了單一方法的局限性,又高效地提高了預測模型的適用范圍以及其預測精度。文中采用ARIMA模型來對徑流量模擬產(chǎn)生的誤差進行修正,其具體步驟如下:
卷積層[11~13](CONV),通過定義卷積核對輸入圖片進行特征提取。卷積表示為f(x)=wx+b。卷積核又稱濾波器或“感受野”。卷積核通過一個權(quán)重矩陣與輸入圖片的局部數(shù)據(jù)進行加權(quán)和處理,卷積核在輸入數(shù)據(jù)上滑動完成對整個圖片的特征提取。卷積特征圖計算公式為為輸出特征圖大小,win為輸入特征圖大小,F(xiàn)為卷積核大小,S為卷積步長。
池化層[14~15](POOL),可以縮小圖片空間維度,保持深度不變,減少網(wǎng)絡(luò)連接參數(shù),優(yōu)化計算效率,防止過擬合。
全連接層(FC),前幾層已完成高度抽象的信息特征,通過全連接層來進行分類。最后一個卷積層與全連接層連接時需要做矩陣扁平化處理。
Softmax層,使用Softmax對線性輸出進行分類處理。假設(shè)原始數(shù)組V,Vi是數(shù)組的第i個元素,那么Vi的
圖4 CNN網(wǎng)絡(luò)結(jié)構(gòu)圖
2.3.2 基于CNN紡織品毛球評定模型
基于CNN紡織品毛球評定模型進行設(shè)計與訓練?;贑NN的紡織品毛球評定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計包括11個隱藏層,4個卷積層,4個池化層和3個全連接層,具體參數(shù)如表2所示。
表2 基于CNN紡織品毛球評定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
1)輸入層,采集質(zhì)檢機構(gòu)關(guān)于紡織品毛球評定圖像數(shù)據(jù)集。對圖像數(shù)據(jù)集進行預處理,去除噪聲、刪除質(zhì)量差的數(shù)據(jù)。圖像預處理為RGB(100×100×3)格式。設(shè)定ratio=0.8,用于分割訓練集和驗證集,80%的數(shù)據(jù)用于模型訓練,20%的數(shù)據(jù)用于模型驗證。
3)池化層,設(shè)計4個池化層分別對應4個卷積層,大小都是2×2,深度對應著前一個卷積層。經(jīng)池化后,使圖片數(shù)據(jù)降低特征維度和參數(shù)量,減小過擬合。
4)全連接層,設(shè)計3個全連接層,將卷積池化后的數(shù)組矩陣拉平成一個列向量。最后輸出為5個等級的紡織品毛球評定分類。全連接時選擇droput、L2正則項等方法降低過擬合。
5)激活函數(shù),選擇RELU做為激活函數(shù),該函數(shù)對數(shù)據(jù)處理具有收斂快、降梯度快的特點。
6)分類函數(shù),選擇SOFTMAX做為分類函數(shù),將對輸入的紡織品照片劃分為對應的五個等級類別,從而實現(xiàn)紡織品毛球智能評定的目標。
本實驗的實驗環(huán)境選擇一臺R740XD/R730XD 2U機架式服務(wù)器。操作系統(tǒng)Windows 10 64bit,CPU i7-7500U 2.9 GHz,內(nèi)存64GB。主機上裝有Python 3.5.2、Tensorflow 1.12.1作為大CNN算法的運行環(huán)境。
實驗數(shù)據(jù)采集了質(zhì)檢院歷年的已經(jīng)評定的紡織品毛球檢測數(shù)據(jù)453例。原始圖像大小為4000×3000,將圖片進行圖像增加和壓縮預處理后形成100×100×3的格式,匯總?cè)霂?。為了增加訓練和驗證數(shù)據(jù)集,我們增加對采集的數(shù)據(jù)進行位移、翻轉(zhuǎn)、變色等處理,使實驗圖片數(shù)據(jù)增加到2265個,其中80%的數(shù)據(jù)用于模型訓練,20%的數(shù)據(jù)用于模型驗證。
圖5 實驗起毛球評定數(shù)據(jù)
實驗參數(shù)設(shè)置,使用Adam優(yōu)化器,設(shè)置learn?ing_rate=0.001,β1=0.9,β2=0.999。樣本訓練次數(shù)為10,梯度下降訓練模型的每批次數(shù)量為64。
基于CNN紡織品毛球評定模型訓練完成后進行驗證,準確率如表3。
表3 基于CNN紡織品毛球評定人工智能評定準確率
實驗結(jié)果總結(jié):基于CNN紡織品毛球人工智能評定模型的綜合準確率可以達到84.87%,可以形成具有指導意義的評定結(jié)論。在1級和5級紡織品的分類準確率真達到90%左右,在2-4級紡織品分類準確率有所下降??偟膩碚f,實驗模型已達到較有意義的評定準確率,具有較好的應用前景。實驗中存在幾個問題需要后續(xù)研究解決。一方面本評定模型的準確率仍有提高空間,后續(xù)工作將對CNN模型的結(jié)構(gòu)和層級進行優(yōu)化以提高成功率,另一方面,在數(shù)據(jù)上需要采集更多高質(zhì)量的圖像數(shù)據(jù),來建立更完善的模型訓練庫。
本文研究了一種基于CNN紡織品毛球人工智能評定方法,將卷積神經(jīng)網(wǎng)絡(luò)算法應用于紡織品毛球等級評定,通過實驗表明這種紡織品毛球智能方法識別速度快,準確率較好。相較于傳統(tǒng)的復雜的專家人員目測評定,這種方法具有更客觀、更簡便的優(yōu)點,這有助于推進人工智能檢測的發(fā)展。