針對現(xiàn)有的織物疵點圖像分類效率低的問題,提出了一種基于EfficientNets的織物疵點圖像分類方法。首先,為了解決小樣本數(shù)據(jù)在網(wǎng)絡(luò)模型訓練過程中過擬合的問題,采用數(shù)據(jù)增強的方法增加織物疵點圖像的樣本數(shù)據(jù);其次,通過ImageNet數(shù)據(jù)集上訓練得到的權(quán)重,采用遷移學習的方法構(gòu)建EfficientNets模型;最后,使用softmax分類器對織物疵點圖像進行分類。仿真實驗針對數(shù)據(jù)增強后的TILDA數(shù)據(jù)集,采用4個常用的網(wǎng)絡(luò)模型DenseNet201、 Inception_v3、 Xception、ResNeXt101及文中提出的方法,從織物疵點圖像分類的準確率、訓練時間及參數(shù)量3個方面進行對比分析。結(jié)果表明:提出的方法能夠利用較少的參數(shù)量,獲得較高的織物疵點圖像分類準確率。 

【文章來源】：紡織高校基礎(chǔ)科學學報. 2020,33(04)

【文章頁數(shù)】：7 頁

【文章目錄】：
0引言
1 EfficientNets模型相關(guān)理論
    1.1 復合系數(shù)縮放
    1.2 EfficientNets模型結(jié)構(gòu)和參數(shù)
    1.3 遷移學習
2 實驗結(jié)果與分析
    2.1 實驗平臺
    2.2 數(shù)據(jù)預處理
    2.3 實驗結(jié)果
        2.3.1 參數(shù)設(shè)置
        2.3.2 性能測試
        2.3.3 精準率和召回率
3 結(jié) 語


【參考文獻】：
期刊論文
[1]基于深度學習的織物疵點檢測研究進展[J]. 賀智明,彭亞楠.  毛紡科技. 2019(08)
[2]基于降維融合特征和集成學習的織物疵點分類[J]. 夏雨薇,石美紅,賀飛躍,趙雪青.  國外電子測量技術(shù). 2019(07)
[3]基于Gabor濾波器和HOG特征的織物疵點檢測[J]. 湯曉慶,黃開興,秦元慶,周純杰.  計算機測量與控制. 2018(09)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的織物表面缺陷分類方法[J]. 景軍鋒,劉嬈.  測控技術(shù). 2018(09)
[5]基于稀疏表示的印花織物疵點檢測[J]. 劉茁梅,李鵬飛,景軍鋒.  西安工程大學學報. 2018(02)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的織物花型分類[J]. 張宏偉,張凌婕,李鵬飛.  紡織高�；A(chǔ)科學學報. 2017(02)



本文編號：3165541