基于卷積神經(jīng)網(wǎng)絡(luò)和TOPSIS的皮革匹配方法研究

魏大順，楊崇倡，馮培，倪聰

（東華大學(xué) 機(jī)械工程學(xué)院，上海 201620）

0 引言

為了響應(yīng)“中國(guó)制造2025”智能制造戰(zhàn)略計(jì)劃部署[1]，服裝企業(yè)積極打造以數(shù)字化、自動(dòng)化、柔性化為核心的服裝個(gè)性化定制智能制造工廠[2]。然而皮革服裝“選皮配皮”、裁剪等生產(chǎn)工序還主要依賴人工感官來(lái)判別，“選皮配皮”工藝是指在一批皮革中，挑選出在紋理、顏色、光澤、厚度等方面相近的皮革，以備將其裁剪縫紉至一件衣服。因此如何將人工皮革匹配經(jīng)驗(yàn)轉(zhuǎn)變?yōu)樽詣?dòng)化生產(chǎn)控制成為目前皮革服裝工業(yè)面臨的難題。

目前已有很多研究人員[3～5]對(duì)皮革紋理以及顏色進(jìn)行皮革分類，并取得一定的效果，然而其分類指標(biāo)單一，僅通過(guò)紋理或者顏色特征難以解決皮裝生產(chǎn)中皮革匹配問(wèn)題。因此本文綜合考慮皮革的紋理、顏色、光澤、厚度等多特征信息，通過(guò)將標(biāo)樣皮革和待匹配皮革之間匹配度進(jìn)行排序，在待匹配皮革中找出與標(biāo)樣皮匹配度最大的皮革。首先通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)皮革表面紋理特征量化，利用傳感器技術(shù)對(duì)皮革顏色、光澤度、厚度進(jìn)行定量處理，并構(gòu)建皮革特征矩陣。其次結(jié)合專家的主觀經(jīng)驗(yàn)以及皮革數(shù)據(jù)的客觀規(guī)律，利用組合賦權(quán)法確定皮革各特征的權(quán)重值。最后基于TOPSIS排序法對(duì)待匹配皮革與目標(biāo)皮革組進(jìn)行排序，根據(jù)排序結(jié)果實(shí)現(xiàn)皮革的最優(yōu)匹配。

1 構(gòu)建皮革匹配指標(biāo)體系

通過(guò)研究人工匹配皮革發(fā)現(xiàn)，可以將皮革匹配指標(biāo)分為定量和定性兩種指標(biāo)，如圖1所示。

圖1 皮革匹配指標(biāo)體系

1.1 基于卷積神經(jīng)網(wǎng)絡(luò)紋理特征量化

紋理是皮革匹配環(huán)節(jié)中的一項(xiàng)重要參數(shù)，因此對(duì)紋理特征進(jìn)行準(zhǔn)確分析尤為重要。傳統(tǒng)的紋理特征提取算法主要分為四大類：統(tǒng)計(jì)分析法、結(jié)構(gòu)分析法、模型分析法、信號(hào)分析法，而這些方法對(duì)拍攝圖片的質(zhì)量要求較高，極易受環(huán)境光照、噪點(diǎn)等因素的影響，導(dǎo)致結(jié)果準(zhǔn)確率較低。而本文采用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)皮革紋理特征進(jìn)行提取，多層網(wǎng)絡(luò)結(jié)構(gòu)能更精準(zhǔn)地提取樣本的細(xì)節(jié)特征，為后續(xù)皮革匹配鋪墊。

為了滿足實(shí)際自動(dòng)化皮革匹配應(yīng)用需求，本文使用輕量化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)加速提取紋理特征。MobileNet[6]是由Google在2017年設(shè)計(jì)的一個(gè)輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是采用深度可分離卷積替換了普通卷積，具有參數(shù)少，延時(shí)低等特點(diǎn)。MobileNet首先采用通道分離，將M維通道的輸入特征圖分解為M個(gè)大小為Df×Df的二維特征圖，對(duì)每一個(gè)二維特征圖采用大小為Dk×Dk的卷積核進(jìn)行單獨(dú)卷積運(yùn)算，緊接著采用N個(gè)大小為1×1，深度為M的卷積核進(jìn)行處理，其運(yùn)算量為：

而對(duì)于傳統(tǒng)卷積運(yùn)算，采用卷積核大小為Dk×Dk，則此時(shí)運(yùn)算量為：

因此，分離通道后計(jì)算量與傳統(tǒng)卷積計(jì)算量之比為：

MobileNet V2的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，其中：t表示擴(kuò)展因子，c表示輸出通道數(shù)，n表示重復(fù)次數(shù)，s表示步長(zhǎng)stride。該模型共有21層，輸入圖像的維度是224×224×3，因此首先對(duì)拍攝的彩色紋理圖像進(jìn)行預(yù)處理，將其大小變?yōu)?24×224。紋理特征量化的具體操作如下：

表1 MobileNet V2的網(wǎng)絡(luò)結(jié)構(gòu)

1）第一層為標(biāo)準(zhǔn)的卷積操作，將3維通道的輸入圖片擴(kuò)張為32維，有利于提取更詳細(xì)的紋理特征。

2）緊接著是17個(gè)線性瓶頸層，因?yàn)镽eLU層會(huì)造成低維信息的丟失，在皮革紋理特征提取上，細(xì)密的紋理特征會(huì)被抹除，準(zhǔn)確率降低，而線性瓶頸相比于非線性轉(zhuǎn)換可以保留更多信息。瓶頸層的具體結(jié)構(gòu)如下表所示。輸入通過(guò)1×1的conv+ReLU層將維度從k維增加到tk維，之后通過(guò)3×3conv+ReLU可分離卷積對(duì)圖像進(jìn)行降采樣（stride>1時(shí)），此時(shí)特征維度已經(jīng)為tk維度，最后通過(guò)1×1conv（無(wú)ReLU）進(jìn)行降維，維度從tk降低到k維。

3）經(jīng)過(guò)瓶頸層的紋理圖片維度變?yōu)?×7×320，再經(jīng)過(guò)1280個(gè)1×1的卷積核將其維度變?yōu)?280維，進(jìn)行7×7的平均池化操作；

4）本文共將紋理劃分為3級(jí)，將平均池化后的結(jié)果與3個(gè)1×1卷積核進(jìn)行運(yùn)算，得到1×1×3的特征向量，以此來(lái)提取皮革紋理特征，為了方便后續(xù)的皮革匹配度計(jì)算，按式(4)計(jì)算紋理特征值。

表2 瓶頸層

1.2 皮革定量特征量化

為了準(zhǔn)確采集到皮革相關(guān)特征信息，本文利用傳感器等技術(shù)對(duì)皮革顏色、光澤度、厚度特征進(jìn)行定量采集，并通過(guò)色差、光澤度差、厚度差對(duì)標(biāo)樣皮革和待匹配皮革進(jìn)行定量描述。

1）顏色[7]

式(5)中，表示為兩者被測(cè)對(duì)象的色差；L為亮度，a為紅綠程度；b黃藍(lán)程度。

2）光澤度

式(6)中，為待匹配皮革光澤度值、為目標(biāo)皮革的光澤度值。

3）厚度

式(7)中，為待匹配皮革厚度值、為目標(biāo)皮革的厚度值。

1.3 建立特征矩陣

特征矩陣是實(shí)現(xiàn)皮革匹配度排序的前提，對(duì)皮革各匹配特征量化后，建立特征矩陣Xij=[xij]m×n，其中xij為第i張皮革、第j項(xiàng)標(biāo)樣皮革和待匹配皮革特征差值。對(duì)皮革不同特征的進(jìn)行無(wú)量綱處理，即對(duì)特征矩陣做歸一化處理:

則可得規(guī)范化矩陣:Y=[yij]m×n

2 權(quán)重的確定

特征權(quán)重的準(zhǔn)確性直接影響最終的排序結(jié)果可靠性，目前常用的賦權(quán)法分為主觀賦權(quán)法、客觀賦權(quán)法、組合賦權(quán)法，本文采用專家評(píng)判法和變異系數(shù)法相結(jié)合的組合賦權(quán)法，既考慮了專家經(jīng)驗(yàn)又保證賦權(quán)的客觀性。

專家評(píng)價(jià)法是[8]將不同專家分別給出獨(dú)立的權(quán)數(shù)，進(jìn)行綜合權(quán)數(shù)處理，建立一個(gè)評(píng)價(jià)矩陣的方法，為了簡(jiǎn)化計(jì)算，本文將專家形成的獨(dú)立評(píng)估矩陣進(jìn)行規(guī)范化處理，在求取每列算術(shù)平方數(shù)，如式所示。

變異系數(shù)[9]是統(tǒng)計(jì)中常用的衡量數(shù)據(jù)差異的統(tǒng)計(jì)指標(biāo)，該方法根據(jù)各個(gè)指標(biāo)在所有被評(píng)價(jià)對(duì)象上觀測(cè)值的變異程度大小來(lái)對(duì)其賦權(quán)。為避免指標(biāo)的量綱和數(shù)量級(jí)不同所帶來(lái)的影響，該方法直接用變異系數(shù)歸一化處理后的數(shù)值作為各指標(biāo)的權(quán)數(shù)。

第一步：計(jì)算各項(xiàng)指標(biāo)的變異系數(shù)，即各指標(biāo)變異程度：

式(11)中，σi為第i項(xiàng)指標(biāo)的標(biāo)準(zhǔn)差；-xi是第i項(xiàng)指標(biāo)的平均數(shù)。

第二步：對(duì)各指標(biāo)的變異系數(shù)進(jìn)行歸一化處理，得到各指標(biāo)的權(quán)數(shù)。

本文采用乘法合成組合法，將專家評(píng)價(jià)法以及變異系數(shù)法同一指標(biāo)的權(quán)數(shù)進(jìn)行相乘，然后進(jìn)行歸一化處理得到組合權(quán)數(shù)，計(jì)算公式為：

3 基于TOPSIS法皮革排序?qū)崿F(xiàn)

TOPSIS法[10]是多目標(biāo)決策分析中一種常用的有效方法。在有限的評(píng)價(jià)對(duì)象與理想化目標(biāo)的接近程度進(jìn)行排序的方法，本文通過(guò)TOPSIS法對(duì)皮革之間的匹配程度進(jìn)行排序，其具體的操作步驟如下：

Step1：將規(guī)范化矩陣Y與組合權(quán)值ω相乘得到標(biāo)準(zhǔn)化矩陣Q：

Step2：確定正理想解以及負(fù)理想解：

Step3：計(jì)算正負(fù)理想解的距離：

Step4：計(jì)算相對(duì)貼近度并排序：

計(jì)算標(biāo)樣皮革和待匹配皮革之間的Si值，并將Si從大到小進(jìn)行排序，由于特征矩陣反映的是標(biāo)樣皮革和待匹配皮革之間的差值，因此Si越小表示與標(biāo)樣皮革越匹配。

4 實(shí)例驗(yàn)證與分析

為了驗(yàn)證上述皮革匹配方法的可行性和合理性，本文以某皮裝生產(chǎn)的天然皮革為例，在8張待匹配的皮革中匹配出與標(biāo)樣皮革最匹配的一張皮革。首先通過(guò)卷積卷積神經(jīng)網(wǎng)絡(luò)以及傳感器技術(shù)對(duì)皮革匹配指標(biāo)信息進(jìn)行提取，并按照式(5)～式(7)進(jìn)行預(yù)處理，相關(guān)信息如表3所示。

表3 皮革特征信息

從表3提取目標(biāo)皮革特征參數(shù)，形成特征矩陣X，按照式(8)進(jìn)行歸一化處理得到標(biāo)準(zhǔn)矩陣Y。

同時(shí)邀請(qǐng)8位專家對(duì)皮革4個(gè)匹配指標(biāo)的權(quán)重進(jìn)行賦值，得到評(píng)價(jià)矩陣B：

根據(jù)式(9)～式(13)可求解出皮革匹配各指標(biāo)權(quán)重為ω=(0.31,0.29,0.34,0.06)。

由式(15)、式(16)可求解出Q+，Q-：

由式(17)～式(19)可求解出貼近度S：S=[0.769,0.259,0.525,0.347,0.708,0.762,0.855,0.544]

最后，可對(duì)8個(gè)目標(biāo)皮革進(jìn)行排序：

本文將TOPSIS法排序結(jié)果和專家排序結(jié)果進(jìn)行分析，該匹配排序結(jié)果與主觀經(jīng)驗(yàn)一致，可以說(shuō)明該方法的合理性。

5 結(jié)語(yǔ)

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和TOPSIS皮革匹配方法，將皮革分類轉(zhuǎn)化為皮革匹配排序問(wèn)題，在一定程度上更加符合皮裝匹配裁剪生產(chǎn)需求。案例驗(yàn)證的結(jié)果表明，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)皮革紋理特征指標(biāo)進(jìn)行量化處理，區(qū)別于常規(guī)模糊評(píng)價(jià)體系，表明深度學(xué)習(xí)在圖像特征識(shí)別等方面有著巨大的潛力。結(jié)合專家經(jīng)驗(yàn)以及變異系數(shù)法對(duì)皮革指標(biāo)進(jìn)行權(quán)重賦值，運(yùn)用TOPSIS法對(duì)待匹配皮革和目標(biāo)皮革匹配度進(jìn)行排序。通過(guò)實(shí)際案例驗(yàn)證了皮革之間匹配排序的可行性和有效性，為涉及到相關(guān)的多特征綜合分類問(wèn)題提供新的思路和方法。