[发明专利]基于深度学习的织物花型分类自动识别方法

说明书

本发明公开了一种基于深度学习的织物花型分类自动识别方法，包括采集织物花型图像并建立织物花型图像训练集；对织物花型图像训练集进行滤波处理，然后对每幅图像作傅里叶变换，得到织物花型图像训练集的频谱图，对频谱图进行二值化处理，得到二值化频谱图；构建并训练深度卷积神经网络分类模型，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，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，利用二值化频谱图训练深度卷积神经网络分类模型，实现对织物花型图像训练集中的图像正确分类识别；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花型图像进行分类识别。本发明识别准确率高，识别时间短。

技术领域

本发明涉及一种织物花型识别方法，特别是涉及一种基于深度学习的织物花型分类自动识别方法，属于纺织印染工艺技术领域。

背景技术

织物花型是织物的重要规格参数，在织物的整个生产流程中，某些生产环节需要准确识别织物花型分类，而通过人工手动输入织物花型分类的方法效率低，工人的劳动强度大，并且降低了生产设备的自动化率。鉴于此，市场上出现了很多采用传统图像处理技术来识别织物花型分类的方法，但是，由于织物花型在门幅方向重复次数大不相同，例如有的织物花型在门幅方向上重复次数为0，有的织物花型在门幅方向上重复次数为1，有的织物花型在门幅方向上重复次数为2等等，采用传统图像处理技术无法准确识别出花型在门幅方向各种不同重复次数的情况，从而无法准确识别出织物花型分类，并且传统图像处理方法对织物花型角度的适应性也较差。

发明内容

本发明要解决的技术问题是克服现有技术的不足，提供一种识别准确率高，并且识别时间短、识别效率高的基于深度学习的织物花型分类自动识别方法。

为解决上述技术问题，本发明采用这样一种基于深度学习的织物花型分类自动识别方法，包括以下步骤：

步骤1，采集织物花型图像并建立织物花型图像训练集；

步骤2，对所述织物花型图像训练集进行滤波处理，然后对滤波处理后的织物花型图像训练集中的每幅图像作傅里叶变换，得到织物花型图像训练集的频谱图，并对所述频谱图进行二值化处理，得到织物花型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，实现对织物花型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花型图像进行分类识别。

作为本发明的一种优选实施方式，在步骤1中，所述采集织物花型图像并建立织物花型图像训练集，具体为：

步骤1.1，采集织物花型图像：使用工业相机，采集同一花型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花型图像，所述织物花型图像的分辨率为W×H，W表示图像宽度值，H表示图像高度值；

步骤1.2，建立织物花型图像训练集：将步骤1.1采集的织物花型图像建立织物花型图像训练集，并将在织物门幅方向上重复次数为0的花型图像设定为第一分类，将在织物门幅方向上重复次数为1的花型图像设定为第二分类，将在织物门幅方向上重复次数为2的花型图像设定为第三分类，将在织物门幅方向上重复次数为3的花型图像设定为第四分类，以此类推，将在织物门幅方向上重复次数为N－1的花型图像设定为第N分类，所述N等于织物花型分类总数目，且N≤W，然后对所述织物花型图像训练集中的每幅图像按照在织物门幅方向上的重复次数进行分类标记。

作为本发明的一种优选实施方式，在步骤2中，所述对织物花型图像训练集进行滤波处理，然后对滤波处理后的织物花型图像训练集中的每幅图像作傅里叶变换，得到织物花型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，对织物花型图像训练集中的每幅图像进行均值滤波处理；