|本期目录/Table of Contents|

[1]张玮,张华熊.基于卷积神经网络的纺织面料主成分分类[J].浙江理工大学学报,2019,41-42(自科一):1-8.
　ZHANG Wei,ZHANG Huaxiong.Classification of main components of textile fabrics based on convolutional neural network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):1-8.
点击复制

基于卷积神经网络的纺织面料主成分分类()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第41-42卷
期数:
2019年自科一期
页码:
1-8
栏目:
出版日期:
2018-12-15

文章信息/Info

Title:
Classification of main components of textile fabrics based on convolutional neural network
文章编号:
1673-3851 (2019) 01-0001-08
作者:
张玮; 张华熊
浙江理工大学信息学院，杭州 310018
Author(s):
ZHANG Wei;  ZHANG Huaxiong
School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China
关键词:
纺织面料成分分类; 卷积神经网络; 空洞卷积; 深度可分离卷积
分类号:
TP181；TS107
文献标志码:
A
摘要:
为自动检测纺织面料的主成分，以100~200倍放大后拍摄的纯纺面料或主成分含量在50%以上的混纺面料图像为研究对象，提出了一种基于深度卷积神经网络的纺织面料主成分分类方法。首先对纺织图像进行裁剪及颜色空间转换；然后将图像输入卷积神经网络进行织物面料主成分分类训练；最后将待分类的纺织面料图像输入训练后的卷积神经网络中，得出纺织面料主成分分类结果。对棉、涤纶、腈纶、羊毛、天丝5类共4497张图像进行实验，实验结果显示：该方法对5类织物面料主成分分类准确率为96.53%；与其他卷积神经网络模型相比大幅降低了训练时间，减小了网络规模，提高了分类准确率。

参考文献/References:

［1］ 杨欣卉. 近红外光谱在纤维成分含量定量分析中的应用研究进展［J］.现代纺织技术,2017,25(2):37-42.
［2］ 胡觉亮.基于贝叶斯方法的织物分类研究［J］.纺织学报,2004,25(1):48-49.
［3］ 应乐斌,戴连奎,吴俭俭,等.基于纤维纵向显微图像的棉/亚麻单纤维识别［J］.纺织学报,2012,33(4):12-18.
［4］ 李彦冬,郝宗波,雷航.卷积神经网络研究综述［J］.计算机应用,2016,36(9):2508-2515.
［5］ 景军锋,范晓婷,李鹏飞,等.应用深度卷积神经网络的色织物缺陷检测［J］.纺织学报,2017,38(2):68-74.
［6］ 张宏伟,张凌婕,李鹏飞.基于深度卷积神经网络的织物花型分类［J］.纺织高校基础科学学报,2017,30(2):261-265.
［7］ 冀中,刘青,聂林红,等.基于卷积神经网络的纹理分类方法研究［J］.计算机科学与探索,2016,10(3):389-397.
［8］ Perona P, Malik J. Scalespace and edge detection using anisotropic diffusion［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence,2002,12(7):629-639.
［9］ Howard A G, Zhu M, Chen B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications.(2017-4-17)［2018-6-18］.https://arxiv.org/abs/1704.04861.

相似文献/References:

[1]李斯凡,高法钦.基于卷积神经网络的手写数字识别[J].浙江理工大学学报,2017,37-38(自科3):438.
　LI Sifan,GAO Faqin.Handwritten Numeral Recognition Based on Convolution Neural Network[J].Journal of Zhejiang Sci-Tech University,2017,37-38(自科一):438.
[2]邓远远,沈炜.基于注意力反馈机制的深度图像标注模型[J].浙江理工大学学报,2019,41-42(自科二):208.
　DENG Yuanyuan,SHEN Wei.Depth image caption model based on  attention feedback mechanism[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):208.
[3]邓远远,沈炜.基于注意力反馈机制的深度图像标注模型[J].浙江理工大学学报,2019,41-42(自科二):208.
　DENG Yuanyuan,SHEN Wei.Depth image caption model based on attention feedback mechanism[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):208.
[4]陈巧红,董雯,孙麒,等.基于混合神经网络的单文档自动文摘模型[J].浙江理工大学学报,2019,41-42(自科四):489.
　CHEN Qiaohong,DONG Wen,SUN Qi,et al.Single document automatic summarization model based on hybrid neural network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):489.
[5]陈巧红,王磊,孙麒,等.基于混合神经网络的中文短文本分类模型[J].浙江理工大学学报,2019,41-42(自科四):509.
　CHEN Qiaohong,WANG Lei,SUN Qi,et al.Chinese short text classification model based on hybrid neural network[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):509.
[6]程诚,任佳.基于自适应卷积核的改进CNN数值型数据分类算法[J].浙江理工大学学报,2019,41-42(自科五):657.
　CHENG Cheng,REN Jia.Improved CNN classification algorithm based on adaptive convolution kernel for numerical data[J].Journal of Zhejiang Sci-Tech University,2019,41-42(自科一):657.
[7]田秋红,孙文轩,章立早,等.基于改进GhostNet的轻量级手势图像识别方法[J].浙江理工大学学报,2023,49-50(自科三):300.
　TIAN Qiuhong,SUN Wenxuan,ZHANG Lizao,et al.Lightweight gesture image recognition method  based on improved GhostNet[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科一):300.
[8]祝鹏烜,黄体仁,李旭.MSAG-TransNet：肺部CT图像中新冠肺炎感染新型冠状病毒感染区域的分割模型[J].浙江理工大学学报,2023,49-50(自科六):734.
　ZHU Pengxuan,HUANG Tiren,LI Xu.MSAG-TransNet: Segmentation model of COVID-19 infected areas in lung CT images[J].Journal of Zhejiang Sci-Tech University,2023,49-50(自科一):734.

备注/Memo

备注/Memo:
收稿日期： 2018-08-13
网络出版日期： 2018-10-08
基金项目： 浙江省服装个性化定制协同创新中心项目（浙教高科［2016］63号）；浙江省重大科技专项重点社会发展项目（2015C03001）
作者简介： 张玮（1990-），男，河北秦皇岛人，硕士研究生，主要从事计算机视觉方面的研究
通信作者： 张华熊，E-mail：zhxhz@zstu.edu.cn
更新日期/Last Update: 2019-03-13