[发明专利]一种基于深度学习的织物起毛起球评级方法

说明书

本发明公开了一种基于深度学习的织物起毛起球评级方法，包括步骤：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；指数高通滤波器进行滤波，然后再进行傅里叶反变换；采用小波变换法对毛球信息图像进行分解与重构；采用迭代阈值法获得二值化的毛球特征图像；由二值化的毛球特征图像及对应评级训练深度学习网络；待评级图像经过步骤一至四处理输入深度学习网络得到评级结果。本发明提高了起毛起球等级评定的准确率和泛化能力，克服了人为主观因素，更为客观、准确地评定起毛起球等级。

技术领域

本发明涉及一种织物起毛起球评级方法，特别是一种基于深度学习的织物起毛起球评级方法。

背景技术

织物在穿着与洗涤过程中段受到外力或者水流的摩擦作用，使织物内的纤维不断迁移到织物表面形成毛茸，毛茸继续在摩擦力的作用下互相纠缠形成毛球，并固着在织物表面，这种现象称之为起毛起球。起毛起球现象影响织物的外观以及服用性能。科学客观地评价织物起毛起球性能是生产实际中经常要进行的一项检测。

目前织物起毛起球的评定方法主要靠有经验的工作人员与标准样照进行对比评定织物起毛起球等级。这种主观评定的方法不断对评定环境要求较高，而且人为因素较大，导致实验结果存在较大误差。

随着计算机技术在纺织领域的应用，国内外研究者开展了利用图像技术和分类技术对织物起毛起球进行客观评价的研究。织物起毛起球的客观评价包括两个方面，一方面是采用图像分析技术对织物起毛起球图像进行处理；另一方面利用处理后的织物图像数据进行起毛起球等级分类。目前大部分单一的图像处理技术如小波分析法等来获得织物表面毛球特征，以及利用神经网络算法对织物图像数据机型分析获得起毛起球等级。但是单一的图像处理技术不能完整有效地提取织物毛球特征，而神经网络算法的准确率和泛化能力较弱，难以满足实际工业要求。

发明内容

针对上述现有技术缺陷，本发明的任务在于提供一种基于深度学习的织物起毛起球评级方法，提高织物表面毛球特征提取的完整性，并提高起毛起球等级评定的准确率和泛化能力。

本发明技术方案为，一种基于深度学习的织物起毛起球评级方法，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。

进一步地，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。

进一步地，所述候选滤波半径为0.1，0.3，0.5，0.7，0.9，1.1和1.3。

进一步地，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