為更好地數(shù)字化傳承與創(chuàng)新傳統(tǒng)的藍印花布紋樣,并能單獨提取構成紋樣的圖案基元并進行分類,提出一種基于卷積神經(jīng)網(wǎng)絡的紋樣基元分類方法。首先,對采集的128張藍印花布圖像進行紋樣基元提取,形成圖像樣本庫,共21 212張。其次,從庫中隨機選取80%的圖像樣本作為訓練集,20%作為測試集,利用5×5卷積核對訓練樣本進行卷積操作,將得到的特征圖進行池化。通過3層卷積、3層池化及2層全連接層計算后,利用Softmax分類器得到12種分類結果。最后,通過基元樣本的學習獲取最佳網(wǎng)絡模型參數(shù),并取得較理想的分類結果。結果表明:提出的卷積神經(jīng)網(wǎng)絡模型對12種紋樣基元的平均分類準確率達99.61%,檢測平均準確率達98.5%,為藍印花布紋樣的研究提供了新思路。 

【文章來源】：紡織學報. 2020,41(01)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

紋樣基元

根據(jù)得到的帶有序號的輪廓圖像,將其按序號順序截取,生成獨立的紋樣基元子圖像并進行保存,形成基元子圖像�；獔D像的大小由其輪廓線像素的坐標確定,取輪廓線像素的x坐標的最大值與最小值之差以及輪廓線像素的y坐標的最大值與最小值之差,將差值的最大值作為子圖像的寬度和高度,所以得到的紋樣基元子圖像是一個寬度和高度相等的子圖像。整個藍印花布紋樣基元提取過程如圖2所示。圖2(a)為藍印花布初始圖像。為植物紋樣的藍底白花圖案。經(jīng)圖像預處理,得到二值化圖像。調用輪廓跟蹤方法,得到二值圖像中各紋樣基元的輪廓,利用提出的算法生成帶有序號的獨立的紋樣基元子圖像,各基元子圖像間尺寸大小不同但每個子圖像自身寬度和高度相等�；訄D像按輪廓序號依次提取,圖2(b)中共有106個輪廓,因此會生成106個紋樣基元子圖像。由于篇幅關系,圖2(c)中僅給出前40個紋樣基元子圖像。對這些基元進行分類,可歸屬于12類中的米粒紋、貝殼紋、柱形紋、圓形紋等類別。2 卷積神經(jīng)網(wǎng)絡構建

CifarNet網(wǎng)絡模型已在CIFAR-10和CIFAR-100帶標簽的各類自然場景目標圖像分類中取得較好成績。針對藍印花布紋樣基元的圖像特征,對CifarNet網(wǎng)絡結構進行改進及優(yōu)化,對輸入的特征圖數(shù)量進行調整,改變池化組合方式以及增加一層丟棄層,得到新的網(wǎng)絡模型。然后利用改進的網(wǎng)絡模型對藍印花布紋樣基元子圖像進行分類訓練。改進的CifarNet網(wǎng)絡模型結構如圖3所示。1) 輸入層。


本文編號：3468420