基于图卷积神经网络的织物分类思考

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:28522 论文编号:sb2021081610502236949 日期:2021-08-27 来源:硕博论文网
论文主要的创新点和贡献如下:(1)提出一种图卷积神经网络架构用于织物分类识别中。使用图卷积神经网络分类识别织物,仅利用织物在运动状态下的物理属性与机械力属性作为其特征信息,不受织物表面特征信息的影响,通过分析在风力作用下各类织物内部作用力的特征表现以及视频时序性,探索各类织物间潜在的内部联系,实验结果证明,图卷积神经网络对织物识别效果更好,适用于织物种类的范围更广。

1 绪论

1.1 研究背景及意义
纺织业是我国国民经济的支柱产业,也是我国出口创汇的第一产业。根据《纺织服装行业 2018 年经济运行分析及 2019 年展望》[1]文件,2018 年我国有超过 3.7 万家纺织企业的主要业务营业收入达 53703.5 亿元,同比增长 2.9%,创造利润达 2766.1亿元,同比增长 8.0%,根据海关的快报数据,2018 年我国服装纺织品的出口总额达2767.3 亿美元,同比增长 3.5%,这些指标在我国主要出口行业中名列前茅,此外,纺织业也是关联度很高的产业,对经济有很大的带动作用。从目前水平看,纺织行业带动我国国民经济各行业的直接和间接投资达 3800 亿元,拉动我国国内生产总值的增长近 3%,做出了极大的贡献。另外,根据《国内外市场压力不减,行业展现强大韧性+2019 年纺织行业经济运行情况发布》[2]文件,2019 年与 2018 年相比,我国纺织服装行业内销的增速明显放缓,根据海关的快报数据,2019 年我国服装纺织品出口总额达 2551.9 亿美元,同比减少了 2.3%;服装出口额达 1395 亿美元,同比减少了 4.5%。从数量与价格的关系来看,呈现出“量价双降”的趋势,但对新兴市场的纺织品出口比传统市场好。由此可见,我国纺织业生产未来前景可观,这与当代人们为追求更高纺织品品质的迫切需求密不可分,因此,为了满足人民对纤维纺织品日益增长的需求,研究开发智能纺织品识别设备对促进我国纺织工业的发展具有重要意义。
早期对服装材料的鉴别方法通常包括:感官法、显微镜观察法、燃烧法、染色法和溶解法。其中,感官法是根据织物纤维的色泽、外观形态、手感等特点,通过眼看、手摸、鼻闻等方法来对纺织纤维进行识别分类;显微观察法是使用显微镜观察纺织纤维的横、纵截面形态来识别纺织材料;燃烧法是通过点燃纺织纤维,观察织物的燃烧状态,火焰的颜色以及闻燃烧后的气味,看剩余残渣的状态、软硬度等的方法来分类纺织纤维;染色法是依据各类纺织纤维对化学试剂产生的不同的染色表现,从而快速对纺织纤维进行鉴别的方法;溶解法是在装有待鉴定纺织纤维的试管中加入一定浓度的化学试剂,观察并仔细区分纺织纤维的溶解情况,记录织物溶解温度,从而对各类纺织纤维进行区分。
...................

1.2 国内外研究现状
1.2.1 知觉感知
通常,在部分典型的观察条件下,很容易区分不同的材料,通过从材料的表面反射特性(如亮度和光泽)识别材料是一个重要的成就。Fleming 等人[3]利用物体的反射率的匹配任务来预测人体表面反射率估计的精度,结果显示,在没有背景因素的影响下,只要有真实光照照射,人们可以准确匹配物体表面的反射率特性,而当光照数据不同于真实世界光照时,匹配性则会下降。Bülthoff 等人[4]使用心理物理学和图像统计学来感知半透明图像,利用光穿过半透明物体出现的视觉上的软度和光的特征,挖掘此视觉特征背后的图像属性,进行识别预测。Banks 等人[5]也意识到光照因素对预测物体的影响,经过多次实验证明,预测的准确性不仅依赖于光照、物体表面材料、形状等因素,还依赖于人类双目与被测物体的距离的影响。基于以上研究,人们越发意识到物体本身的物理属性对于预测的重要性。
研究发现,物体的物理属性还可以通过物体之间的相互作用来估计,例如,判断一件衣服是否由皮革制成,通过触摸的手感、可弯曲性以及折叠后的恢复性可以帮助判断。以往一些研究中[6-8],通过对物体表面材料的观察和触摸,判断物体粗糙度从而进行预测。此类方法依据人类常识,结合物体触感、形状和纹理对物体进行识别,从主观角度判断,耗时且准确率不高,显然不适应当今高速度高质量的纺织工业化的智能生产。因此人们开始结合机器与科学技术对物体进行分析识别[9-12],结合振动模式、支持向量机、机器学习等方法对物体表面材料进行触觉感知识别,实验结果相比仅靠视觉识别的研究,均显示出有效的改进。
.....................

2 织物识别相关技术理论基础

2.1 引言
衣食住行与人民生活息息相关,而衣居于首,服装面料的好坏、各成分的多少会直接影响服装的穿用功能,因此掌握一些简单的布料鉴别方法是完全有必要的。近年来,多位专家学者对织物分类课题进行了大量研究,其中先进技术包括目标重构,3D 仿真,材料性能分析等,但由于织物复杂的非线性结构和各向异性弹性行为,织物分类识别一直是一个研究难点。织物是自然场景中可变形的物体,在外力的作用下,织物材料会发生相应的褶皱,表现出独特的外观。其内部纤维的相互作用力是影响织物独特褶皱外观的关键因素之一,而目前的织物识别技术大多依赖于织物表面的信息以及运动状态下外观的变化来分类纺织品,这类分类方法忽略了运动织物的物理属性的表现,例如硬度、弯曲度,因此,论文拟在不破坏原织物材料的情况下,将深度学习与计算机视觉技术相结合的方法应用于织物组织的分类识别,通过分析视频中织物材料内部的相互作用力来分析织物的物理属性,以减少不必要的损耗,此外,该方法不受织物颜色、纹理、光照等因素的影响,可以极大提高纺织工业的生产效率,对纺织企业的自动化生产具有重要的意义。
.......................

2.2 织物力模型
2.2.1 社会力模型
Helbing 等人[44]1998 年首次提出了社会力模型的概念,用来描述行人运动动力学,2009 年 Mehran 等人[45]使用计算机视觉的方法结合该模型,检测真实场景下的行人运动动力学。
2.2.2 织物力模型
织物力模型是基于社会力模型[44-46]的多粒子自驱动系统框架,描述织物运动动力学,在风的作用下,由于外力和内部组织纤维的相互作用,形成织物的运动轨迹,从而导致粒子间力流发生相应的变化。根据图片中织物对应位置的流场移动,计算粒子点的流动,由此获得其织物力流特性信息。
织物的交互力,由其粒子点自身向下的重力、悬挂向上的拉力以及粒子点间相互作用力组成。与社会力模型的原理相同,首先将织物在风力作用下运动的视频处理为图片,在图片上放置 N 个粒子的网格,使其与光流的时空平均平行线平行。对视频中织物进行分析可知,织物上的每个节点对应视频中的几个像素点,因此,在计算织物相互作用力的过程中,将织物的节点视为对应颗粒,即对织物视频中的每一帧织物图像粒子化。织物粒化和受力图如图 2.1 所示。
图 2.1 织物粒化和受力图
图 2.1 织物粒化和受力图
..........................

3 基于图卷积神经网络的织物分类算法··································18
3.1 引言·········································· 18
3.2 方法概述·································· 18
3.3 图卷积神经网络织物分类算法························20
4 织物分类实验········································29
4.1 织物分类对比实验··································29
4.1.1 参数 X、Y 取值分析·································29
4.1.2 参数 S、Z 选取对比实验························· 29
5 总结与展望······································37
5.1全文总结···································· 37
5.2 工作展望···································· 38

4 织物分类实验

4.1 织物分类对比实验
4.1.1 参数 X、Y 取值分析
使用稠密光流法得到织物力流信息,对于一整张力流图,为方便获取图片中的特征信息,首先使用切片工具对其进行剪裁,得大小相同的�හ ൈ �හ个小图像块,从每一个小图像块中提取视觉单词,在制作视觉单词时设定了 X、Y 值,X 值表示判断一个小图像块中的力流像素值是否可以转换为有效视觉单词的临界值,Y 值表示判断两个视觉单词是否相似的临界值。实验证明,当 X 取值为 10 时,即一个小图像块中的力流像素值大于10,则通过相应转换规则将图片中力流信息转换为一个视觉单词,反之忽略;当 Y 取值为 5 时,即两个视觉单词满足公式(3.5)运算,并扩充视觉单词,可以达到较好的实验效果,该 X、Y 取值可以在不损失视觉单词代表性的同时尽可能多的获取有效视觉单词。
4.1.2 参数 S、Z 选取对比实验
实验中将 S 分别从 2 到 10 取值制作数据集,实验结果表明,随着 S 取值的增加,达到一定程度后,过度细分力流图会产生大量的视觉单词,消耗过多运行内存,造成服务器运行负担的同时训练集的数量级和网络模型的复杂度不匹配,导致后期识别的准确率反而呈下降趋势,因此 S 取值不宜过大;同时 S 取值也不宜过小,会导致视觉单词区分度过小,单词代表性不强,从而影响后期的分类精度。
经过多次实验证明,当 S 取值 4、5、6、7、8 时,实验效果较好,如表 4.1、4.2、4.3、4.4、4.5 所示,�හ�ළ和�හ�ෆ表示对 Z 的取值,其中�හ�ළ表示不同类织物节点间建立相似性连接关系的相同视觉单词数,�හ�ෆ表示同类织物节点间建立相似性连接关系的相同视觉单词数,None 表示不使用视觉单词表探索节点间连接,即对于同类节点仅依赖视频时序性进行连接,ACC 表示实验结果的准确率。
表 4.1 4×4 个视觉单词制作数据集的实验结果
表 4.1 4×4 个视觉单词制作数据集的实验结果
.......................

5 总结与展望

5.1 全文总结
图卷积神经网络(GCN)作为卷积神经网络(CNN)在图领域上的一个推广改进的网络,是一个高效可行的结构信息学习方法。本文提出基于 GCN 网络的织物识别分类方法,仅利用织物在运动状态下的物理属性与机械力属性作为其特征信息,避免了织物自身固有纹理、颜色、组织结构、光照等场景因素的影响,进行识别分类,其识别准确率更高,效果更好,应用范围更广。
本文首先介绍的是织物识别方法的研究背景和意义,简述当前织物分类研究国内外所做进展以及面临的诸多挑战;然后介绍了织物的数据库、织物识别的相关技术,其中着重介绍了论文所使用的织物力模型的原理与应用、视觉单词的定义与转换生成、织物图网络结构原理以及改进;此外结合目前对织物识别已有的研究,结合织物自身物理属性的特点,分析已有的识别算法的不足,提出利用图卷积神经网络提高织物识别的性能;最后设计了多个不同的对比实验,评判新模型对于织物识别方法的效果。论文主要的创新点和贡献如下:
(1)提出一种图卷积神经网络架构用于织物分类识别中。使用图卷积神经网络分类识别织物,仅利用织物在运动状态下的物理属性与机械力属性作为其特征信息,不受织物表面特征信息的影响,通过分析在风力作用下各类织物内部作用力的特征表现以及视频时序性,探索各类织物间潜在的内部联系,实验结果证明,图卷积神经网络对织物识别效果更好,适用于织物种类的范围更广。
(2)设计一种力学模型来计算织物内的相互作用力,即织物力模型。该模型基于具有光流特性的粒子平流,利用稠密光流的方法能准确获取运动状态下织物上各点的运动信息,精确有效的计算粒子间相互作用的光流信息,得织物内部作用力信息,即力流特征。然而,由于得到的织物力流特征信息限于图片,不方便作为特征在深度学习网络中使用,因此本文还提出了一种新的视觉单词转换选取方法,将图片力流信息转换为可见可操作的数字向量信息,实验证明织物力模型能有效记录视频中各织物材料的力流特征,实现分类。
参考文献(略)

上一篇:基于知识图谱的档案智能语义检索关键技术研究与实现
下一篇:无线携能网络中面向保密能量效率优化的资源配置算法范文