[发明专利]一种基于深度学习的织物起毛起球评级方法

权利要求书

1.一种基于深度学习的织物起毛起球评级方法，其特征在于，包括以下步骤：

步骤一、获取织物样本图像，采用傅里叶变换将织物样本图像变换至频域；

步骤二、将频域内的图像采用指数高通滤波器进行滤波，然后再进行傅里叶反变换，得到毛球信息图像；

步骤三、采用小波变换法对毛球信息图像进行分解与重构，得到带纹理信息的毛球特征图像；

步骤四、采用迭代阈值法剔除所述带纹理信息的毛球特征图像中的纹理信息，获得二值化的毛球特征图像；

步骤五、建立深度学习网络模型；

步骤六、由步骤四得到的所述毛球特征图像作为所述深度学习网络模型输入，由所述毛球特征图像对应的起毛起球等级作为所述深度学习网络模型输出训练所述深度学习网络模型；

步骤七、将待评级织物图像经过所述步骤一至步骤四处理得到相应的待评级毛球特征图像，并将所述待评级毛球特征图像输入训练后的所述深度学习网络模型得到起毛起球等级。

2.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述指数高通滤波器的滤波半径由以下方法确定：计算候选滤波半径滤波后的频域内的图像的能量、能量差值和能量二次差值，将能量二次差值曲线突变点对应的候选滤波半径作为所述指数高通滤波器的滤波半径。

3.根据权利要求2所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述候选滤波半径为0.1，0.3，0.5，0.7，0.9，1.1和1.3。

4.根据权利要求2所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述频域内的图像的能量计算公式为

其中，f(i,j)为频域内的图像像素点在(i,j)处灰度，M为图像的高度，N为图像的宽度，能量差值公式为

其中，E_i-1为第i-1个滤波半径的能量，E_i为第i个滤波半径的能量，E_d为第i-1个滤波半径和第i个滤波半径之间的能量差值。

5.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述小波变换法对毛球信息图像进行分解与重构时选取bior3.7小波进行图像的二维小波分解并采用wavedec2为小波基函数进行重构。

6.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述迭代阈值法具体包括设定灰度阈值，将所述毛球特征图像根据像素点灰度与灰度阈值的大小分为两个图像区域并分别计算两个图像区域的灰度均值，由两个灰度均值的平均值作为新的设定灰度阈值重复，直至相邻计算得到的所述平均值与所述设定灰度阈值相等，所述毛球特征图像根据设定灰度阈值二值化处理得到二值化的毛球特征图像。

7.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述深度学习网络模型包括输入层、四层隐藏层和输出层，所述四层隐藏层的激活函数为ReLU，所述输出层的激活函数为Softmax。

8.根据权利要求1所述的基于深度学习的织物起毛起球评级方法，其特征在于，所述深度学习网络模型的目标函数为交叉熵函数，所述深度学习网络模型的反向传播算法为梯度随机下降算法。