基于深度學習的陶瓷類目識別

曾銘杰

摘要：從二維圖像自動生成三維模型是產品建模的重要方法，依據圖像準確識別產品類型，利用產品類型特征快速建模有助于提高建模的準確率。本文針對各種陶瓷器皿，引用 keras 模型來提取陶瓷茶杯、瓷盤、花瓶和茶壺的訓練特征，進一步學習并分類，從而訓練出高精度的陶瓷茶杯、瓷盤、花瓶和茶壺分類模型，為準確建立陶瓷產品三維建模奠定基礎。

關鍵詞：圖像分類;陶瓷;深度學習

中圖分類號：TP311? ? ?文獻標識碼：A

文章編號：1009-3044（2021）13-0174-02

應用新一代信息技術改造提升傳統產業是陶瓷產業發展的必經之路。陶瓷產品數字化設計和自動化建模是陶瓷工業數字化轉型的基礎。本文嘗試通過對平面圖像中陶瓷器型特征的提取進行分類，并依據器型特征快速建立三維模型，為陶瓷產品的數字化設計與數字化制造奠定基礎。

依據陶瓷平面圖像進行產品分類的主要難點是表面特征相互交錯，不能簡單通過它是否存在某一特征來判斷其類型。對于陶瓷這種相互交錯的特征采用深度學習算法，自主學習提取圖片特征，進而根據產品器型進行準確分類，為下一步三維建模提供支撐。

1圖片采集和處理

1.1 圖片采集

擁有完整并且豐富的圖像數據是基于深度學習的圖像識別算法的一個重要部分[1]。為了使卷積神經網絡的準確率更高，需要收集的陶瓷器型圖片訓練樣本，應該盡量多樣化。為此，通過爬蟲技術對搜狗圖片進行爬取，在搜狗的搜索引擎中輸入關鍵字“陶瓷杯子”“陶瓷盤子”“陶瓷花瓶”和“陶瓷壺”，獲取大量陶瓷器型圖片，再經過篩選，剔除分類錯誤和格式錯誤的圖片，形成訓練樣本。

1.2圖片處理

為了使模型能應用更多的場景和增加分類的準確率，將之前收集好的圖片進行一定的預處理[2]。首先進行亮度的調整和旋轉等操作，處理出有效樣本10823張，再將全部圖片進行歸一化處理，讓每張圖片的大小均為150*150像素，以使其滿足卷積神經網絡的訓練需要。最后將所有圖片打上標簽再隨機排序并且將80%作為數據的訓練集，剩下的20%作為數據的測試集。并將訓練準確率最好的一個模型保存。

2 keras模型

keras模型具有簡單的API、使用簡單和更好的擴展性，從而吸引了更多的初學者進行深度學習[3]。本文使用Sequential的卷積網絡結構如表1所示，將輸入大小為150*150*3的圖片經過四次的卷積和四次的池化轉化為7*7*128，再由三個全連接層輸出4個結果分別對應“茶杯”“瓷盤”“花瓶”和“茶壺”。從而卷積網絡通過一層一層地映射和大量數據的輸入，使得輸入和輸出關系不需要具體的數學公式來表達，只需要通過設定好的模式和編輯好的卷積網絡訓練。并且CNN是一種輸出權值越來越大的倒三角形態，這樣就可以很好地避免在神經網絡中反向傳播時梯度過快。

卷積核內容如下：

3結果分析

將圖片經過上述的操作和處理后，再對圖片進行隨機分成兩份，兩者比例大約為80%和20%，用80%的圖片數據作為訓練集使用能為模型提供更多的信息以便模型能更加準確，而用剩下的20%作為測試集更能直接反映出準確率的高低。本文選擇步長為128，經過40次的迭代訓練。

最終得出損失值val_loss： 0.4515 和準確率 val_accuracy： 0.9509，但因第35次迭代時準確率最高，所以選擇準確率最高的進行模型保存（損失值val_loss： 0.4287 和準確率 val_accuracy： 0.9524）。

4調用模型預測實例

本實例為了增加干擾信號，選擇采用一張盤子上印有杯子的圖片進行預測。預測結果如圖4所示，預測約91%為“瓷盤”，表示預測結果良好且準確。

5結論

隨著陶瓷行業的發展，實現數字化制造是必由之路。通過對平面圖像的識別進行三維快速建模，將極大提升陶瓷產品設計效率，推進陶瓷產業的數字化設計和數字化制造，進而促進整個陶瓷產業的發展。

參考文獻：

[1]戴冰燕，鄭志碩.基于遷移學習的可回收垃圾識別分類研究[J].中國科技信息，2021（5）：86-88.

[2]付安安. 基于深度學習的食用水果圖像識別應用研究[D].南昌：南昌大學，2020.

[3]王恒濤.基于TensorFlow、Keras與OpenCV的圖像識別集成系統[J].電子測試，2020（24）：53-54，124.

【通聯編輯：李雅琪】