[发明专利]基于深度学习的织物纹理分类自动识别方法

权利要求书

1.一种基于深度学习的织物纹理分类自动识别方法，其特征在于，包括以下步骤：

步骤1，采集织物纹理图像并建立织物纹理图像训练集；

步骤2，对所述织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对所述频谱图进行二值化处理，得到织物纹理图像训练集的二值化频谱图；

步骤3，构建并训练深度卷积神经网络分类模型，所述深度卷积神经网络分类模型包括卷积层、全连接特征层、全连接分类层和分类器，所述深度卷积神经网络分类模型中的各个层之间通过神经元相互连接，利用所述二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别；

步骤4，使用训练好的深度卷积神经网络分类模型对新采集的织物纹理图像进行分类识别。

2.根据权利要求1所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤1中，所述采集织物纹理图像并建立织物纹理图像训练集，具体为：

步骤1.1，采集织物纹理图像：使用工业相机，采集不同粗细纱线的同一纹理织物在织物处于水平状态和织物倾斜不同角度时所产生的织物纹理图像；

步骤1.2，建立织物纹理图像训练集：将步骤1.1采集的织物纹理图像建立织物纹理图像训练集，按照织物纹理分类对所述织物纹理图像训练集中的每幅图像进行分类标记，所述织物纹理分类总数目为N。

3.根据权利要求1所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤2中，所述对织物纹理图像训练集进行滤波处理，然后对滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对频谱图进行二值化处理，具体为：

步骤2.1，对织物纹理图像训练集中的每幅图像进行均值滤波处理；

步骤2.2，对均值滤波处理后的织物纹理图像训练集中的每幅图像作傅里叶变换，得到织物纹理图像训练集的频谱图，并对织物纹理图像训练集的频谱图进行二值化处理；

步骤2.3，对所述频谱图进行二值化处理，其步骤是先找出频谱图中最亮的前M个像素，并将其灰度值置为1，将其他像素的灰度值全部置为0，得到织物纹理图像训练集的二值化频谱图，其中，M表示像素个数。

4.根据权利要求2所述的基于深度学习的织物纹理分类自动识别方法，其特征在于：在步骤3中，所述利用二值化频谱图训练所述深度卷积神经网络分类模型，实现对织物纹理图像训练集中的图像正确分类识别，具体为：

步骤3.1，所述卷积层对输入的织物纹理图像训练集的二值化频谱图先进行卷积操作，再进行一次非线性操作，最后进行池化操作，得到多维卷积特征图，所述非线性操作是通过Relu函数实现的；

步骤3.2，所述全连接特征层将所述多维卷积特征图压平为一维卷积特征图，所述一维卷积特征图的尺寸大小为1×1×Z，其中，Z表示全连接特征层的神经元个数；

步骤3.3，所述全连接分类层设置K个神经元，将全连接特征层的各个神经元分别与全连接分类层的各个神经元进行连接，得到1×1×K特征图，其中，K等于织物纹理分类总数目；

步骤3.4，所述分类器为softmax分类器，将步骤3.3得到的1×1×K特征图连接softmax分类器，由softmax分类器得出所输入的织物纹理图像训练集中的每幅图像分别属于步骤1.2中每一分类的概率，概率值最大的分类即为深度卷积神经网络分类模型预测出的分类；对比所输入的织物纹理图像训练集中的每幅图像在步骤1.2中作的分类标记与深度卷积神经网络分类模型预测出的分类，计算两者间的误差值，通过不断的反向传播梯度下降法优化神经网络的权重参数，使深度卷积神经网络分类模型预测出的分类与步骤1.2中作的分类标记相同，实现对织物纹理图像训练集中的每幅图像进行正确分类识别，从而完成深度卷积神经网络分类模型训练。