در این مطالعه، چندین تکنیک تقویت روی تصاویر مانند چرخش افقی و عمودی، جابجایی، چرخش اعمال کردیم زوم، برش، و دستکاری روشنایی.
چرخاندن تصاویر به منظور شناسایی نخ های تار و پود پارچه شمعی که در جهت های مختلف جهت گیری شده اند به دلیل تغییراتی که در طول گرفتن تصویر رخ می دهد مهم بود.
بزرگنمایی به وضوح الگوی درهم آمیزی پارچه های بافته شده را مشخص کرد. برش باعث ایجاد تغییر شکل موضعی در تصاویر می شود.
همه این تکنیک های تقویت مربوط به موقعیت هایی است که در سناریوی واقعی رخ می دهد.
معماری CNN از پیش آموزش دیده ResNet-50 برای طبقه بندی تصاویر پارچه بافته شده به 3 کلاس استفاده می شود.
تعداد تصاویر آموزشی و آزمایشی در مجموعه داده پارچه آنغوره بافته شده به ترتیب 11328 و 2832 است.
در این کار، 80 درصد از تصاویر آموزشی برای آموزش مدل استفاده می شود و 20 درصد باقی مانده برای تشکیل یک زیرمجموعه اعتبار سنجی برای اعتبارسنجی مدل اختصاص داده شده است.
عملکرد مدل یادگیری عمیق پیشنهادی در مجموعه آزمون مورد ارزیابی قرار گرفت.
ویژگی‌های ساختاری پارچه جین ترک بافته شده مورد استفاده برای آزمایش‌ها به شرح زیر است:
توجه داشته باشید که مقادیر در محدوده، چگالی خطی نخ (Ne: 6-40)، تعداد نخ در سانتی‌متر (25-58 انتها در سانتی‌متر) و پارچه ذکر شده است.
تصاویر پارچه نخی زنانه بافته شده به ابعاد 224 × 224 تغییر شکل داده شدند و تصاویر نیز با کم کردن مقدار میانگین قرمز سبز آبی (RGB) از هر پیکسل به منظور تغذیه آن به مدل، پیش پردازش شدند.
در این کار، ما از روش یادگیری انتقال به معماری CNN از پیش آموزش‌دیده ResNet-50 استفاده کردیم که از وزن‌های شبکه‌ای که از ImageNet آموخته بود استفاده می‌کرد.
وزن‌های از پیش آموزش‌دیده‌شده برای جلوگیری از مقداردهی اولیه ضعیف مدل در مقایسه با همتای آن راه‌اندازی تصادفی وزن‌ها استفاده شد.
ما لایه کاملا متصل را حذف کردیم، که آخرین لایه ای بود که تصاویر را در کلاس های ImageNet طبقه بندی می کرد، و لایه های کانولوشن اولیه مدل از پیش آموزش دیده به عنوان یک شبکه پایه برای معماری سفارشی جدید عمل کردند.
پس از آن، یک لایه ادغام میانگین جهانی و به دنبال آن دو جفت نرمال سازی دسته ای، به طور کامل متصل و لایه های حذف شده به ترتیب در شبکه پایه انباشته شدند.
- منابع:
- تبلیغات:
دیدگاه شما با موفقیت ثبت شد.