《应用卷积网络及深度学习理论的羊绒与羊毛鉴别》由会员分享，可在线阅读，更多相关《应用卷积网络及深度学习理论的羊绒与羊毛鉴别（12页珍藏版）》请在金锄头文库上搜索。
1、应用卷积网络及深度学习理论的羊绒与羊毛鉴别 王飞 靳向煜 东华大学纺织学院 东华大学纺织面料技术教育部重点实验室 摘 要： 为解决羊绒与羊毛纤维图像难以鉴别的问题, 提出一种基于卷积网络和深度学习理论的鉴别方法。使用 sigmoid 分类器将卷积深度网络提取的纤维图像特征进行粗分类, 根据验证集合验证结果并记录网络的最优权重。根据整体的分类网络所获取的权值, 对每张样本图片使用改进的局部增强整体的网络模型提取局部特征, 并对局部特征和整体特征进行融合, 根据这些融合特征建立新的分类网络。在此基础上, 使用鄂尔多斯标准羊绒与羊毛数据集对网络进行 50 轮次的迭代训练, 得到的最优准确率达 92.
2、1%。实验结果表明:采用深度卷积网络表征纤维, 并对羊绒羊与毛纤维图像进行分类的方法, 能够有效解决羊绒、羊毛等类似纤维鉴别问题;若用于商业检测, 还需更多数据集的验证。关键词： 羊绒; 羊毛; 图像鉴别; 卷积网络; 作者简介：王飞 (1982) , 男, 博士生。主要研究方向为机器视觉及深度学习算法在纺织品鉴别的应用。作者简介：靳向煜, 通信作者, E-mail:。收稿日期：2016-12-20Identification of cashmere and wool based on convolutional neuron networks and deep learning theory
3、WANG Fei JIN Xiangyu College of Textiles, Donghua University; Abstract： In order to solve the problem of the difficulty in identification of cashmere and wool fiber images, a novel identification method based on convolutional neuron network (CNN) and the deep learning theory was proposed.A sigmoid c
4、lassier was used to carry out coarse classification on fiber image features extracted by the CNN.The results were verified according to the validation datasets, and the optimal weights of the network was recorded.Part-level features of each sample image are extracted by an improved part-level augmen
5、t object-level network based on previously obtained parameters.In addition, the part-level and object-level features were fused, and a new network model was established based on the fused features.On this basis, Ordos s standard cashmere and wool dataset was used to train the network for 50 times, a
6、nd the best accuracy is 92.1%.The experiment results demonstrate that the method for classifying cashmere and wool images, based on the CNN features, can be applied to cashmere and wool or discriminate similar fibers identification successfully.However, a large number of sample sets and validations
7、are required for commerical use.Keyword： cashmere; wool; image identification; convolutional neuron networks; Received： 2016-12-20由于羊绒和羊毛的物理表征极为接近, 二者的鉴别一直是纺织领域的难题。目前业界常用的羊绒与羊毛鉴别方法有扫描电镜法1, 近红外光谱鉴别法2, 脱氧核糖核酸 (DNA) 分析法3, 电子显微镜纤维表征传统计算机技术测量法4-5等。传统的基于计算机图像处理技术的羊绒与羊毛鉴别方法, 通过计算机测量纤维表面形态一些特征的量化值对二者进行鉴别, 如
8、纤维直径、鳞片高度、鳞片厚度等, 但是, 这些方法对数据的敏感程度高, 并且特征的测量工作难度较大。在使用计算机采样时容易造成数据丢失, 同时在还原数值时通过计算会造成数据的污染, 此外由于近年来羊绒和羊毛纤维变异程度很大, 羊毛与羊绒的直径、鳞片高度等特征差异越来越小, 仅依靠人工筛选很难满足实际应用中的需要。综上所述, 以上提及的几种方法通常只有经过专业训练的专业人员才能够比较准确鉴别, 同时准确率也不足以用于大批量的应用环境, 因此, 采用精密仪器以及传统计算机图像比对方式鉴别羊绒与羊毛具有耗时长、成本高、人工经验依赖性强等不足。近年来, 以深度学习理论为代表的计算机视觉技术取得了突破性
9、的发展, 基于图像特征的图像分类与识别已取得了很大进展。本文借鉴 Alex-Net6图像分类网络, 提出一种利用部分特征增强整体特征的卷积网络的羊绒与羊毛鉴别方法, 该方法获取纤维表面的整体特征, 并利用调整参数的模型通过整体网络特征选取局部特征, 将整体与局部特征进行融合训练获取分类网络, 最后利用获取到的网络对这 2 种纤维进行分类与鉴别。1 研究方法采用的策略思路是利用羊绒与羊毛纤维的原始计算机图像具有不同层次的特征, 依据此特征值对 2 种纤维图像进行分类, 这就可把近似类别纤维鉴别问题转化为图像的分类问题并加以解决。人们对图像分类以及物体识别已做出了突破性的进展, 在诸多方法中, 卷
10、积网络7 (convolutional neuron networks, CNNs) 是一种对自然图像分类极为有效的方法, 该方法训练时间稍长, 但利用训练好的网络进行分类时间效率较高。具体方法为首先需要使用卷积网络提取原始图像特征, 然后介绍网络的构成, 再利用所获取的网络, 调整参数模型对分类网络进行局部特征提取, 最后通过混合使用局部特征和整体特征, 进行特征增强, 最后通过预测值和样本真实标签值的比较来评价识别效果。1.1 图像特征与卷积网络图 1 示出常见的弯曲度差异较大的 2 种羊绒及羊毛纤维。2 种纤维从二维图像角度观察, 外观形态比较接近, 由于不同范围内的直观特征如直径、鳞片
11、厚度等人工选择的一些特征很难作为量化区分的直接依据。同时, 由于拍摄的环境并非严格无尘环境, 所以样本图像存在若干肉眼可分辨的杂质, 如果使用传统的图像比对方法, 这些内容需要尽量剔除。同时由于样本存在不规则的展开形态, 并且传统图像灰度图的处理方式不能有效利用图像的颜色及光泽度信息, 所以传统的图像比对方法不适用于纤维的细分类。图 1 整根的羊绒和羊毛不同形态的显微镜图像 Fig.1 Object-level microscope images of cashmere and wool. (a) Straight cashmere; (b) Curl cashmere; (c) Straig
12、ht wool; (d) Curl wool 下载原图由于卷积网络采用模拟人类识别物体的分层方式, 鉴于样本的原始特征存在背景包含信息较少且不具有典型的边缘、层次等内容, 同时样本图片也是自然图片, 所以使用卷积网络进行特征提取不需要对样本图片进行过多的人工干预。卷积网络是以像素图像为基础输入单位的前馈型神经网络。其理论主要由生物学中的感受野启发得到。卷积网络有局部连接、空间次采样以及权值共享 3 个主要特性。它的出现大大降低了以往神经网络的计算难度, 同时也产生了在一定程度上的抗平移、抗变形以及抗扭曲的特性。由于以上几点原因, 卷积神经网络用于图像的处理尤为合适。同时考虑到具体羊绒与羊毛分类
13、的任务, 每个输入图像由一组像素的 3 个通道灰度值所组成, 输出为 2 个类别的后验概率分布。针对自然图像的不同形态处理, 卷积网络具有平移、缩放、旋转等不变性特点, 所以使用卷积网络处理不同形态的细分类羊绒、羊毛纤维图像不需要进行过多的人工干预处理。1.2 卷积网络模型选取卷积网络从全连接网络演化而来, 受生物学中接受视觉信息的局部接收野启发, 采用算法对全连接网络中的信息进行选择传递, 构成了卷积网络。卷积网络分类分为以下几个步骤:卷积层的使用及特征的提取;下采样层的选用;通过训练样本集进行训练;使用训练所得网络对测试样本集进行分类预测并记录结果。1.2.1 卷积网络输入层及处理鉴于计算
14、量及硬件限制, 在实验中采用的样本图片集合被处理为 300 像素300像素。根据鄂尔多斯羊绒鉴别工程师提供的先验知识, 样本图像的光泽也是鉴别羊绒与羊毛的关键要素, 所以本文使用 R、G、B 3 个通道处理数据8, 而不是如传统图像比对采用灰度图像。这样, 一个输入计算单元的计算数据量为300 像素300 像素3 通道数1 Byte 即 270 k Byte。解决这个问题的办法是使用部分联通特征的卷积网络降低其计算量。由于自然图像有其固有特性即图像的一部分的统计特性与其他部分是基本一致的。同时, 实验使用 4 800 张的训练数据集合对于使用深度网络进行二分类的比赛, kaggle9数据竞赛平
15、台的猫狗大战等图像集合在数量级上仍有很大的差距, 因此, 对数据进行增强处理是防止由于网络深度加深而导致的数据过拟合情况发生的关键环节。本文采用了 4 种方式进行了图像的生成增强。分别是随机平移、随机角度旋转、随机缩放尺寸、随机裁剪。针对每个样本均采用上述随机变换的方式增强后生成 20 个样本。如此, 羊毛与羊绒的数据集合扩展到了 80 000 训练样本集合。可达到二分类的数量要求, 从而防止数据过拟合情况的发生。经过生成增强方法处理的羊毛样本样例如图 2所示 (本文仅选取了编号为 1、2、3、4 的图像为例, 羊绒的增强处理方法与此相同) 。在实验训练中, 对每个样本进行如图 2 所示的增强
16、处理能够有效地降低样本的过拟合。在输入处理中, 图像以二维矩阵通过 R、G、B3 个通道被算法拉长成为 1 个列向量输入到网络中。虽然神经网络中激活函数通常采用 logistic 激活函数, 但针对所处理纤维样本特征及计算量的考虑, 所选用的是简单非线性 RELU 激活函数。RELU 激活函数的公式如下:图 2 单根羊毛纤维样本生成增强处理样例 Fig.2 A single wool fiber sample instance after processing enhance-generating. (a) Enhanced image 1; (b) Enhanced image 2; (c) Enhanced image 3; (d) Enhanced image 4 下载原图在使用的卷积网络中每层使用了 32 到 64 不等数量的滤波矩阵, 对同一副纤维图像进行特征提取。这样处理也能够把不同的滤波矩阵所输出的内容理解为样本图像经不同特征提取后所得特征的集
