[发明专利]一种基于卷积神经网络的机织物结构参数识别方法

权利要求书

1.一种基于卷积神经网络的机织物结构参数识别方法，其特征在于，包括以下步骤：

步骤1，采集织物图像，所采集的织物图像包含详细织物结构参数；

步骤1中建立织物结构参数数据集的具体步骤为：

选取不少于10种织物的种类，使用普通数码或定焦相机进行织物图像采集，采集时保持相机与织物保持固定的距离，同时记录下采集的空间分辨率，以便推算出实际的距离特征；

步骤2，对于采集的织物图像，标注纱线轮廓与基础组织点位置；

步骤2中织物结构特征的标注的具体步骤为：

对于所采集的织物图像，使用图像标注软件标记出所有的纱线轮廓位置，同时用点标注一个基础组织中组织点的位置和类别，结合纱线位置，映射得到图像中所有组织点的位置和类别；同时记录下实际的织物经纬密，织物组织，色纱排列，以便验证网络效果；

步骤3，利用步骤2中标注好的纱线与组织点，使用一种自适应响应的高斯函数生成纱线和组织点的特征热力图；

步骤3中所使用的一种自适应响应的高斯函数具体在于：

对于纱线和组织点特征热力图的生成，该特征目标的表达符合以纱线或组织点中心为均值μ，以一个尺度参数为标准差的高斯分布σ，其具体公式为：

其中f(x)表示点x的响应,d_y为纱线或组织点直径，为一个非负的权重，该权重使得最终响应可以根据纱线直径而自适应的效果；

步骤4，建立一种多任务多尺度结构的卷积神经网络模型，该网络可分层提取图像特征，适用于关联特征的提取，可大大减少模型参数量；

步骤4中一种多任务多尺度结构的卷积神经网络模型的具体特征在于：

该多任务多尺度的卷积神经网络，包含一个共享多尺度特征编码器，在其后级联两个并行排列的特征解码器，根据待解决问题所需提取特征的数量的不同，可以增加特征解码器的个数；特征解码器的并行排列结构，使得网络可以处理不同的特征提取定位问题，同时由于共享多尺度特征编码器的存在使得网络尤其适用于关联特征的提取；

所述共享多尺度特征编码器包含四个级联的多尺度模块来提取特征，每个多尺度特征模块之间进行2*2最大池化操作，四个多尺度模块的通道数依次为16、32、64、32，其中多特征模块结构包括1*1、3*3、5*5、7*7大小的四个并联的卷积层，同时在3*3、5*5、7*7大小的卷积层之前增加一个1*1大小的预处理卷积层来减少参数；激活函数全部使用ReLu；

所述特征解码器包括了四个级联的卷积层来解码特征，每个级联的卷积层之间进行2*2反卷积操作，生成和原图同样大小的预测图，四个卷积层的通道数依次为64、32、16、2，其中每个卷积层的卷积核大小依次为7*7、5*5、3*3、1*1；激活函数全部使用ReLu，损失函数使用均方误差(MSE)和结构相似性函数(SSIM)，其公式为：

L＝MSE+λ(1-SSIM)#(10)

其中N代表一幅图片中的总像素数，Y_i代表预测值，G_i代表真实值；L代表最后损失函数；

根据所处理的织物结构参数识别的问题，使用两个特征解码器，分别命名为组织点特征解码器和纱线特征解码器；

步骤5，利用步骤1中采集的织物图像和步骤3中所生成的特征热力图，对步骤4中的多任务多尺度的卷积神经网络进行学习和训练，使得网络能够提取纱线和组织点特征图，实现对纱线和组织点的定位识别；

步骤6，对于步骤5所提取的纱线特征图进行后处理，提取到纱线的位置，计算出织物的经纬密，同时根据纱线的位置，可得到组织点的位置；

步骤7，对于步骤5所提取的组织点特征图进行后处理，提取到组织点的类别，结合步骤6所获取的组织点位置，可以得到织物组织，同时使用一种最小组织循环数法，可进一步分析得到基础组织；

步骤8，对于步骤5所获取的组织点位置，结合原始图像提取到每个纱线的颜色特征，针对所提取的颜色特征，使用一种基于色差密度的颜色空间聚类算法，对纱线进行聚类分析得到色纱排列，与步骤7所获取的织物组织相结合，可进一步得到织物的配色模纹。