基于圖像處理的紡織品耐摩擦色牢度評(píng)級(jí)

安亦錦，薛文良，丁 亦，張順連

(1.東華大學(xué) 紡織面料技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，上海 201620；2.東華大學(xué) 紡織學(xué)院，上海 201620；3.廣州檢驗(yàn)檢測(cè)認(rèn)證集團(tuán)有限公司，廣東 廣州 511447)

色牢度是紡織品生產(chǎn)質(zhì)量控制和成品檢驗(yàn)中極為重要的指標(biāo)，是指紡織品的顏色在加工、穿著、使用和洗滌等過(guò)程中所能承受外界作用力的大小[1-4]。在評(píng)定原樣和試樣的色差時(shí)基本沿用目測(cè)法[5]，即檢驗(yàn)人員利用人眼對(duì)模擬實(shí)驗(yàn)后的紡織品進(jìn)行灰度差別轉(zhuǎn)換，再與標(biāo)準(zhǔn)灰色樣卡[6-7]對(duì)照，判斷色差等級(jí)。該過(guò)程存在極大的主觀因素，易受外界環(huán)境以及主觀因素的影響[8]，需要一種能代替人眼判斷、提高效率和準(zhǔn)確度并降低工作量的評(píng)級(jí)方式。

目前解決方式是采用儀器測(cè)定法來(lái)實(shí)現(xiàn)色牢度自動(dòng)評(píng)級(jí)，所用的測(cè)色儀器主要基于光譜分析測(cè)色[9-10]；但儀器法的測(cè)色方法和色差計(jì)算等理論研究在應(yīng)用方面還不成熟，國(guó)外進(jìn)口設(shè)備昂貴且在國(guó)內(nèi)實(shí)際應(yīng)用中存在顏色標(biāo)準(zhǔn)不一致性等問(wèn)題，使得儀器法評(píng)級(jí)不能作為最終色牢度判斷的依據(jù)[11-13]，且測(cè)試時(shí)間較長(zhǎng)，探測(cè)頭取樣面積固定、單一，有必要探索和研究一種更智能便捷的紡織品色牢度輔助評(píng)級(jí)方法。實(shí)質(zhì)上，色牢度評(píng)級(jí)是對(duì)圖像進(jìn)行識(shí)別的過(guò)程，而深度學(xué)習(xí)可自主、準(zhǔn)確地實(shí)現(xiàn)這一過(guò)程，因此，本文嘗試以紡織品耐摩擦色牢度評(píng)級(jí)為例，利用圖像處理技術(shù)對(duì)采集圖像進(jìn)行增強(qiáng)和分割，規(guī)避目前儀器方法存在的顏色空間不足、取樣面積單一等問(wèn)題，且處理準(zhǔn)確快速；利用深度學(xué)習(xí)對(duì)訓(xùn)練樣本進(jìn)行客觀高效的圖像識(shí)別，實(shí)現(xiàn)過(guò)程智能化，取代傳統(tǒng)的人眼評(píng)級(jí)方法，降低檢驗(yàn)人員工作和心理壓力，提高效率，得出一種基于圖像處理和深度學(xué)習(xí)的色牢度評(píng)級(jí)新方法，提高準(zhǔn)確性、監(jiān)管性，實(shí)現(xiàn)紡織品色牢度評(píng)級(jí)的便捷化。

1 采 樣

1.1 采樣對(duì)象

色牢度的好壞用色牢度等級(jí)來(lái)評(píng)定，除耐光色牢度和耐氣候色牢度等級(jí)分為8級(jí)外，其余的色牢度等級(jí)均分為5級(jí)，并在相鄰2級(jí)之間設(shè)有半級(jí)[3]。傳統(tǒng)的紡織品色牢度色差等級(jí)評(píng)定是根據(jù)試樣的變色和貼襯織物的沾色分別評(píng)定的[14]。沾色評(píng)級(jí)在同樣尺寸的原色貼襯上進(jìn)行，拍照過(guò)程較易實(shí)現(xiàn)，采樣評(píng)級(jí)受制約較少，采樣評(píng)級(jí)相對(duì)較容易，而且神經(jīng)網(wǎng)絡(luò)的內(nèi)部邏輯相似，因此首先對(duì)摩擦沾色試樣進(jìn)行色牢度評(píng)級(jí)的探索。

紡織品耐摩擦色牢度是紡織品染色牢度的重要檢測(cè)內(nèi)容，是檢測(cè)紡織品抵抗顏色磨損的能力及對(duì)其他材料的沾色情況，通常用沾色評(píng)級(jí)反映紡織品耐摩擦色牢度。目前，國(guó)內(nèi)采用GB/T 3920—2008《紡織品 色牢度試驗(yàn) 耐摩擦色牢度》，通過(guò)評(píng)定標(biāo)準(zhǔn)棉布與被測(cè)樣品摩擦后的被沾色情況，比對(duì)標(biāo)準(zhǔn)灰卡，根據(jù)5級(jí)9等的評(píng)級(jí)劃分，以此判定測(cè)試樣品的耐摩擦色牢度等級(jí)。

1.2 采樣方法與儀器

預(yù)實(shí)驗(yàn)發(fā)現(xiàn)，毛織物中的絨類(lèi)織物(有其他織物也可能存在該類(lèi)問(wèn)題)與摩擦頭的摩擦阻力相對(duì)更大，使得摩擦頭邊緣與絨類(lèi)織物間瞬時(shí)壓強(qiáng)變大，導(dǎo)致染色顆粒更多的沾染在標(biāo)準(zhǔn)摩擦布邊緣，該種情況下，評(píng)級(jí)時(shí)不對(duì)其邊緣沾色情況進(jìn)行考慮。然而邊緣顏色的存在會(huì)對(duì)目光評(píng)級(jí)產(chǎn)生混淆；而對(duì)于目前采用的儀器方法，邊緣較深的顏色極難在采樣過(guò)程中避免，易造成測(cè)色不準(zhǔn)或采樣偏差，以至于最后紡織品評(píng)級(jí)過(guò)低。

織物花色有特殊紋路或者紋樣色彩本身深淺不一致，或者織物本身在染色過(guò)程及后處理過(guò)程中造成染料在織物上固著度的不一致，均導(dǎo)致摩擦后標(biāo)準(zhǔn)摩擦布上沾色不勻，該種情況下要按照沾色最深處進(jìn)行評(píng)級(jí)。然而，較有經(jīng)驗(yàn)的評(píng)級(jí)工作人員雖然能夠按照最深處的沾色進(jìn)行評(píng)級(jí)，但仍然存在一定混淆；對(duì)于目前采用的儀器方法，極易在采樣過(guò)程中漏采深色沾色部分導(dǎo)致評(píng)級(jí)過(guò)高。

基于紡織品色牢度評(píng)級(jí)場(chǎng)景目前存在的上述問(wèn)題，本研究將利用圖像處理技術(shù)提取評(píng)級(jí)特征并對(duì)圖片進(jìn)行篩選，并進(jìn)行整塊標(biāo)準(zhǔn)摩擦布的拍照采集以保證采樣完整，規(guī)避目前儀器方法采樣單一的問(wèn)題。由于顏色的提取和色彩空間轉(zhuǎn)換本身的缺陷，以及紡織品本身對(duì)目光評(píng)級(jí)和目前的儀器方法造成影響的特點(diǎn)，進(jìn)行圖片拍攝采樣和圖像處理后作為系統(tǒng)輸入，來(lái)獲取顏色信息，結(jié)合后續(xù)的神經(jīng)網(wǎng)絡(luò)對(duì)圖像的準(zhǔn)確提取特征和分類(lèi)完成更為準(zhǔn)確高效的紡織品色牢度評(píng)級(jí)的創(chuàng)新研究。

本文研究所用的訓(xùn)練樣本實(shí)驗(yàn)圖像是對(duì)已評(píng)級(jí)后的樣品采集的圖像，規(guī)避對(duì)色牢度評(píng)級(jí)的灰卡比對(duì)過(guò)程。

選用NIKON D750相機(jī)進(jìn)行圖像采集可滿足圖像對(duì)清晰度等條件的要求，設(shè)置F4光圈、焦距為35 mm，圖像選擇最高分辨率4 016像素×6 016像素。使用實(shí)驗(yàn)室已有的固定光源箱，光源按照檢測(cè)要求使用D65標(biāo)準(zhǔn)光源，對(duì)已進(jìn)行人眼評(píng)級(jí)的沾色試驗(yàn)樣本進(jìn)行拍照采集，照片的分辨率達(dá)到300 dpi。

1.3 采樣結(jié)果

共獲取5級(jí)9等每個(gè)等級(jí)250張圖像，共計(jì)2 250張圖片。

2 圖像處理

2.1 圖像預(yù)處理

因?yàn)檠芯渴腔谛颖玖浚易畈畹燃?jí)的色牢度評(píng)級(jí)樣本較少出現(xiàn)。為提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率和準(zhǔn)確性，根據(jù)試樣采集圖片分辨率、特征提取范圍清晰度等對(duì)采集樣本先進(jìn)行預(yù)篩選和處理。由于目光評(píng)定受主觀影響較大，在半個(gè)級(jí)別的誤差允許范圍內(nèi)仍然存在相差1個(gè)級(jí)別或1.5個(gè)級(jí)別的樣本會(huì)被評(píng)為同一個(gè)等級(jí)的情況，因此與多位專(zhuān)家為每個(gè)級(jí)別討論選定上下評(píng)級(jí)邊界樣本，用以進(jìn)行比對(duì)和篩選，其中發(fā)現(xiàn)評(píng)定級(jí)別的2～3級(jí)與3級(jí)的邊界模糊性最大。

深度學(xué)習(xí)模型所能提供的信息來(lái)源于訓(xùn)練數(shù)據(jù)中的信息和模型的形成中專(zhuān)家提供的先驗(yàn)信息。基于小樣本量的深度學(xué)習(xí)，模型從原始數(shù)據(jù)中所能獲取的信息少，需要更多的先驗(yàn)信息[15-17]，因此本研究利用圖像處理技術(shù)對(duì)采集后所得的數(shù)據(jù)集進(jìn)行了擴(kuò)展。常用的處理方式，如添加噪聲、顏色變換會(huì)對(duì)后期深度學(xué)習(xí)的特征提取造成不必要干擾，降低準(zhǔn)確率；改變圖像亮度等對(duì)圖像成色會(huì)造成一定誤差，降低準(zhǔn)確率和效率；縮放等不利于圖像分割定位，都不適用于該場(chǎng)景，因此選擇隨機(jī)旋轉(zhuǎn)變換對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)展，共獲取5級(jí)9等每個(gè)等級(jí)350張圖像，共計(jì)3 150張圖片。

2.2 圖像分割

將圖像劃分為若干互不相交的區(qū)域，區(qū)域是所需條件意義下具有相同屬性的像素連通的集合。圖像分割一般有3種方法，根據(jù)本文研究采集的圖像特征，采用最小外接矩形算法提取圖像需深度學(xué)習(xí)的識(shí)別區(qū)域。

2.2.1 Canny算法邊緣檢測(cè)

邊緣檢測(cè)是對(duì)邊緣像素的定位過(guò)程，是圖像分割的基礎(chǔ)。Canny邊緣檢測(cè)算子由Canny在1986年開(kāi)發(fā)[18-19]，是目前邊緣檢測(cè)最常用的算法，不易受圖像噪聲干擾，效果理想。在本文研究中該算法模塊具體包括以下3部分。

1)先用高斯濾波對(duì)圖像進(jìn)行去噪。高斯函數(shù)是一個(gè)類(lèi)似正態(tài)分布的中間大兩邊小的函數(shù)。設(shè)像素點(diǎn)位置為(m,n)，其二值圖的灰度值為f(m,n)。經(jīng)過(guò)高斯濾波后的灰度值將變?yōu)?/p>

2)計(jì)算圖像的梯度。基于其定位圖像灰度強(qiáng)度變化最強(qiáng)像素點(diǎn)的原理，計(jì)算圖像的梯度。通過(guò)點(diǎn)乘一個(gè)sobel算子或其他算子得到不同方向的梯度值gx(m,n)，gy(m,n)，綜合梯度G(m,n)通過(guò)下式計(jì)算梯度值和梯度方向：

3)確定真實(shí)邊界。根據(jù)梯度抑制非極大值，設(shè)置閾值確定邊界。高斯濾波可能放大邊緣，需要使用規(guī)則來(lái)過(guò)濾非邊緣點(diǎn)，在梯度方向上的梯度值最大的像素點(diǎn)屬于邊緣。設(shè)置maxVal和minVal共2個(gè)閥值：大于maxVal的像素點(diǎn)都被保留為邊緣像素點(diǎn)；低于minVal的都是非邊緣像素點(diǎn)；中間的像素點(diǎn)與確定為邊緣的像素點(diǎn)鄰接則定為邊緣像素點(diǎn)。

2.2.2 最小外接矩形分割

利用Canny算子進(jìn)行邊緣檢測(cè)后確定特征區(qū)域，利用最小外接矩形算法對(duì)其進(jìn)行提取、分割。計(jì)算得到完全包含所需特征區(qū)域的所有的點(diǎn)、線，且四邊均與特征區(qū)域相切的外接矩形，比較其中面積最小的，即最小外接矩形(MER[5-7]，只有1個(gè)，從較精確范圍上框定特征區(qū)域)，并采用等間隔旋轉(zhuǎn)的迭代方法計(jì)算比較最小外接矩形，在規(guī)定范圍內(nèi)以設(shè)定角度值進(jìn)行計(jì)算、旋轉(zhuǎn)和擬合邊界[20]，得到面積最小的外接矩形，以此作為后期深度學(xué)習(xí)的樣本。

2.2.3 算法實(shí)現(xiàn)

在Windows Server2012R2服務(wù)器上搭建環(huán)境，安裝程序，利用Pycharm調(diào)用OpenCV等文件包進(jìn)行摩擦沾色區(qū)域的提取。

1)邊緣提取。輸入并讀取圖片，圖片讀取內(nèi)容如圖1所示。進(jìn)行邊緣檢測(cè)。由于邊緣像素點(diǎn)的信號(hào)變化極大，即灰度值或色彩值急劇變化[21]，在梯度方向和反梯度方向各找n個(gè)像素點(diǎn)，利用邊界尋找函數(shù)對(duì)圖像進(jìn)行二值圖像的輪廓尋找，對(duì)梯度變化最大的像素點(diǎn)進(jìn)行記錄，對(duì)結(jié)果進(jìn)行閾值二值化的雙閾值檢測(cè)，最后抑制非極大值并進(jìn)行特征區(qū)域邊緣連接。

圖1 圖像的讀取

2)框定外接矩形面積最大的輪廓。確定特征區(qū)域邊緣后，調(diào)用應(yīng)用程序編程接口(API)求取特征區(qū)域輪廓的最小外接矩形，各區(qū)域最小外接矩形求取結(jié)果如圖2框定區(qū)域所示。計(jì)算各最小外接矩形面積，根據(jù)采樣圖像特征調(diào)用函數(shù)選擇所需的面積最大的最小外接矩形，確定特征區(qū)域進(jìn)行提取。

圖2 求取結(jié)果圖

3)對(duì)圖像進(jìn)行透視變換。確定所需的面積最大的最小外接矩形，即確定特征區(qū)域后，輸出像素，用函數(shù)構(gòu)建透視變換的矩陣，對(duì)圖像進(jìn)行非尺寸和形狀的透視變換，變換結(jié)果如圖3所示。

圖3 填充圖像的透視

4)裁剪目標(biāo)區(qū)域。透視變換后對(duì)采集圖樣進(jìn)行裁剪，保留提取的特征區(qū)域，刪減干擾特征點(diǎn)，去掉布面紋理和三維特征導(dǎo)致的平面呈現(xiàn)效果對(duì)深度學(xué)習(xí)的干擾，最大限度保留色彩特征以進(jìn)行后期訓(xùn)練，完成圖像分割，如圖4所示。

圖4 圖像分割結(jié)果

3 數(shù)據(jù)庫(kù)建設(shè)與深度學(xué)習(xí)

3.1 數(shù)據(jù)庫(kù)搭建

將處理后圖像進(jìn)行打標(biāo)整理，搭建數(shù)據(jù)庫(kù)，便于后期深度學(xué)習(xí)的識(shí)別與分類(lèi)，并初步分為學(xué)習(xí)樣本、實(shí)驗(yàn)樣本、檢驗(yàn)樣本3部分，其中，檢驗(yàn)樣本為神經(jīng)網(wǎng)絡(luò)測(cè)試樣本。數(shù)據(jù)庫(kù)內(nèi)部分為兩級(jí)，首先根據(jù)實(shí)驗(yàn)樣品檢測(cè)項(xiàng)目的不同，進(jìn)行一級(jí)分類(lèi)，然后根據(jù)色牢度目光評(píng)級(jí)的9個(gè)等級(jí)進(jìn)行二級(jí)分類(lèi)，建立神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)數(shù)據(jù)庫(kù)。

3.2 深度學(xué)習(xí)

通過(guò)預(yù)實(shí)驗(yàn)和拍照采集之后發(fā)現(xiàn)，經(jīng)過(guò)圖片對(duì)比，無(wú)法人工找到圖片中沾色區(qū)域顏色深淺、色點(diǎn)數(shù)量、微觀結(jié)構(gòu)與評(píng)級(jí)之間的聯(lián)系，導(dǎo)致無(wú)法人工提取圖像特征，而采用深度模型進(jìn)行學(xué)習(xí)，是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法[36]，可以通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)自行產(chǎn)生可應(yīng)用于圖像識(shí)別的特征。深度學(xué)習(xí)中常用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)，其采用原始圖像作為輸入，具有局部感知和參數(shù)共享2個(gè)特點(diǎn)[22-23]，可有效、全面而高效地從大量樣本中學(xué)習(xí)到相應(yīng)的特征。

3.2.1 超級(jí)深卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)

由于涉及到的識(shí)別分類(lèi)種類(lèi)多且樣本較一般分類(lèi)所使用的300～500張的體量要多，因此針對(duì)實(shí)際情況，首先實(shí)驗(yàn)了超級(jí)深的卷積神經(jīng)網(wǎng)絡(luò)，設(shè)置的準(zhǔn)確性受到網(wǎng)絡(luò)深度的影響顯著，在一般的認(rèn)知基礎(chǔ)之上將神經(jīng)網(wǎng)絡(luò)的深度加深到16～19個(gè)權(quán)重層級(jí)，從而實(shí)現(xiàn)對(duì)現(xiàn)有技術(shù)的顯著改進(jìn)，為適應(yīng)本研究色牢度評(píng)級(jí)的場(chǎng)景，研究從相對(duì)容易進(jìn)行辨別分類(lèi)的單纖貼襯沾色評(píng)級(jí)進(jìn)行嘗試。由于紡織品單纖貼襯沾色色牢度評(píng)級(jí)數(shù)據(jù)庫(kù)有3 150張圖片，9個(gè)分類(lèi)，使用超級(jí)深的卷積神經(jīng)網(wǎng)絡(luò)可利用較小的卷積核解決較多數(shù)據(jù)量和類(lèi)別所導(dǎo)致的參數(shù)提升與運(yùn)算效率下降，并盡可能提升其分類(lèi)結(jié)果，有利于其準(zhǔn)確分類(lèi)[24]。

由于首先從單纖貼襯開(kāi)始研究，因此將所有單纖貼襯處理后的圖像導(dǎo)入數(shù)據(jù)庫(kù)中，按照70%學(xué)習(xí)樣本、15%校正樣本和15%測(cè)試樣本的比例進(jìn)行圖像分類(lèi)，搭建數(shù)據(jù)庫(kù)，以滿足神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)與檢測(cè)。在本文研究中，基于對(duì)超級(jí)深的卷積神經(jīng)網(wǎng)絡(luò)的適用性[25]的推測(cè)，采用19層級(jí)的網(wǎng)絡(luò)架構(gòu)，分為輸入層、卷積疊加池化層、全連接層疊加輸出層。池化層套疊5個(gè)最大池化層并嵌鏈在部分卷積層之后，在此之后嵌接3個(gè)全連接層，拓寬卷積層的寬度和深度進(jìn)行模型配置，其中輸入層為數(shù)據(jù)庫(kù)所錄入的圖像，輸出層為評(píng)級(jí)結(jié)果；將卷積核縮小，根據(jù)服務(wù)器運(yùn)算能力和所構(gòu)建的數(shù)據(jù)庫(kù)規(guī)模改進(jìn)設(shè)計(jì)為3×3卷積核；步長(zhǎng)固定為1，padding設(shè)置為1。

測(cè)試發(fā)現(xiàn)，超級(jí)深的卷積準(zhǔn)確率僅有37%。為改進(jìn)準(zhǔn)確率結(jié)果，分析可能導(dǎo)致的原因包括：1)數(shù)據(jù)庫(kù)量較小，只是每種分類(lèi)的訓(xùn)練量不足；2)全部單纖沾色圖像全部錄入數(shù)據(jù)庫(kù)，未先進(jìn)行等級(jí)的分類(lèi)，可能導(dǎo)致計(jì)算機(jī)各等級(jí)之間分界混亂，且專(zhuān)家評(píng)級(jí)存在適應(yīng)性和主觀性誤差，影響機(jī)器學(xué)習(xí)；3)參數(shù)設(shè)置需要不斷調(diào)整磨合；4)模型選擇失誤。

針對(duì)可能的原因進(jìn)行修正：1)對(duì)數(shù)據(jù)庫(kù)進(jìn)行擴(kuò)充，將3 150張圖片擴(kuò)充至4 950張，每個(gè)類(lèi)別有550張并進(jìn)行明確標(biāo)簽；2)對(duì)數(shù)據(jù)庫(kù)中采集圖像進(jìn)行級(jí)別評(píng)定的確認(rèn)，確保每張圖像所代表的級(jí)別等級(jí)準(zhǔn)確，同時(shí)去掉分級(jí)混淆、分級(jí)錯(cuò)誤、分級(jí)邊界不清的圖像，保留4 500張圖片，每級(jí)別分類(lèi)有500張；3)調(diào)整卷積核的大小為2×2，步長(zhǎng)大小設(shè)置為1，池化層消減為4個(gè)最大池化層，再次進(jìn)行運(yùn)行。在對(duì)數(shù)據(jù)進(jìn)行調(diào)整和明確之后，提升其準(zhǔn)確率為48%。

通過(guò)對(duì)其進(jìn)行多角度、多梯度的參數(shù)調(diào)整，最終穩(wěn)定其準(zhǔn)確率為51%，該值無(wú)法再次提升且不能達(dá)到評(píng)級(jí)需求。分析其根本原因在于該神經(jīng)網(wǎng)絡(luò)層級(jí)過(guò)深，紡織品單纖貼襯沾色場(chǎng)景中獲取的圖像背景與前景區(qū)分明顯，過(guò)深的神經(jīng)網(wǎng)絡(luò)可能導(dǎo)致學(xué)習(xí)過(guò)程中對(duì)其紋理特征或其他不相關(guān)內(nèi)容進(jìn)行了關(guān)注訓(xùn)練，導(dǎo)致特征提取混亂，反而降低了學(xué)習(xí)的準(zhǔn)確率，即模型不合適。

3.2.2 創(chuàng)新算法設(shè)計(jì)

1)空間金字塔池化(SPP)圖像輸入處理。利用SPP對(duì)圖像進(jìn)行卷積操作。將任意尺度圖像的卷積的特征轉(zhuǎn)化為相同維度輸入到全連接層，方便卷積神經(jīng)網(wǎng)絡(luò)處理任意尺度圖像而不受數(shù)據(jù)庫(kù)內(nèi)容尺寸影響，避免cropping和warping帶來(lái)的信息丟失。由于本文研究所采集到的圖片尺寸多樣，顏色區(qū)域所在位置不定，經(jīng)過(guò)圖像處理后所得結(jié)果的圖片尺寸不盡相同，因此利用SPP在輸入卷積神經(jīng)網(wǎng)絡(luò)前對(duì)圖像進(jìn)行統(tǒng)一卷積，使得嵌套后的神經(jīng)網(wǎng)絡(luò)能夠處理任意尺寸的采集圖片，避免顏色信息的丟失，大大提升準(zhǔn)確率。

2)卷積神經(jīng)網(wǎng)絡(luò)(CNN)特征提取。利用CNN針對(duì)所解決問(wèn)題進(jìn)行神經(jīng)網(wǎng)絡(luò)的架構(gòu)設(shè)計(jì)。

3)支持向量機(jī)(SVM)調(diào)用。在機(jī)器學(xué)習(xí)中。使用分類(lèi)和回歸分析來(lái)分析數(shù)據(jù)，求解SVM[26]，進(jìn)行帶約束的優(yōu)化問(wèn)題。求解對(duì)偶問(wèn)題的解逼近SVM的最優(yōu)解，使梯度為零獲得極小值，完成目標(biāo)并得到優(yōu)化約束下的二次函數(shù)，從而進(jìn)行分類(lèi)。

4)深度殘差網(wǎng)絡(luò)(ResNext)調(diào)用。為提高模型準(zhǔn)確率，解決辦法基本都是拓寬或深化網(wǎng)絡(luò)，但是同時(shí)會(huì)造成超參數(shù)數(shù)量(通道數(shù)、核的大小等)的增加，導(dǎo)致整個(gè)網(wǎng)絡(luò)架構(gòu)的難度升高，計(jì)算內(nèi)容也會(huì)增多導(dǎo)致同樣硬件情況下計(jì)算效率下降[27]。因此在ResNet基礎(chǔ)上將ResNet與Inception網(wǎng)絡(luò)(又名GoogleNet)相結(jié)合，即通過(guò)將輸入分配到多條分支(相同拓?fù)浣Y(jié)構(gòu))后，分組卷積，在每條分支內(nèi)進(jìn)行轉(zhuǎn)換，最后再將其融合，從而得到ResNeXt 結(jié)構(gòu)，使得網(wǎng)絡(luò)可在不增加參數(shù)的復(fù)雜度的同時(shí)提高準(zhǔn)確率，減少超參數(shù)數(shù)量。

3.2.3 算法實(shí)現(xiàn)

本文研究針對(duì)所解決問(wèn)題進(jìn)行相應(yīng)神經(jīng)網(wǎng)絡(luò)的架構(gòu)調(diào)整設(shè)計(jì)。要保證過(guò)多分類(lèi)和特征識(shí)別不造成繁雜的參數(shù)計(jì)算量和過(guò)度擬合，最終使用Res NeXt 101_32×32 d深度殘差網(wǎng)絡(luò)，適應(yīng)所解決的數(shù)據(jù)多分類(lèi)類(lèi)型的問(wèn)題，同時(shí)減少多參的復(fù)雜度并提高準(zhǔn)確度。在Ubantu 20.04(配置Nvidia RTX 3090 GPU)環(huán)境下利用Pytorch進(jìn)行算法編寫(xiě)、架構(gòu)和模型調(diào)用、修改。

4 實(shí)驗(yàn)驗(yàn)證與結(jié)果

將數(shù)據(jù)庫(kù)導(dǎo)入算法，設(shè)置、選擇不同模型和參數(shù)進(jìn)行學(xué)習(xí)、測(cè)試，并進(jìn)行比較。通過(guò)不斷調(diào)整參數(shù)設(shè)置和明確數(shù)據(jù)庫(kù)分類(lèi)，目前小樣本情況下所得到最穩(wěn)定高效的訓(xùn)練集的損失率為1.00×10-6、準(zhǔn)確率為1；測(cè)試集的損失率為0.16%、準(zhǔn)確率為87.5%，如圖5所示，在小樣本量、多分類(lèi)的制約條件下準(zhǔn)確率較高。

圖5 測(cè)試集結(jié)果圖

重新隨機(jī)抽取未評(píng)定等級(jí)的100個(gè)實(shí)驗(yàn)樣本進(jìn)行拍照采集，并將其輸入系統(tǒng)算法，記錄從拍照采集、輸入到最終輸出結(jié)果的時(shí)間；同時(shí)分別請(qǐng)3名從事檢驗(yàn)檢測(cè)多年、經(jīng)驗(yàn)豐富的專(zhuān)家無(wú)干擾、獨(dú)立地在標(biāo)準(zhǔn)光源箱內(nèi)(日常工作評(píng)級(jí)一般在各自工位進(jìn)行)對(duì)100個(gè)實(shí)驗(yàn)樣本進(jìn)行目光評(píng)級(jí)，記錄其評(píng)級(jí)數(shù)和整個(gè)評(píng)級(jí)時(shí)間，并在半級(jí)允差范圍內(nèi)對(duì)結(jié)果取平均值，異常樣本單獨(dú)進(jìn)行討論評(píng)定(未出現(xiàn)異常樣本)，得到100個(gè)樣本的最終評(píng)級(jí)數(shù)。

將本文研究的計(jì)算機(jī)深度學(xué)習(xí)的評(píng)級(jí)結(jié)果與專(zhuān)家目光評(píng)級(jí)結(jié)果進(jìn)行比較，在半級(jí)允差的范圍內(nèi)，深度學(xué)習(xí)的評(píng)級(jí)結(jié)果與專(zhuān)家目光評(píng)級(jí)結(jié)果相似度達(dá)98%，即準(zhǔn)確率達(dá)98%，其中誤差樣本如圖6所示。樣本A57專(zhuān)家評(píng)定2級(jí)，系統(tǒng)評(píng)定1級(jí)；樣本A91專(zhuān)家評(píng)定2～3級(jí)，系統(tǒng)評(píng)定1～2級(jí)。詢(xún)問(wèn)專(zhuān)家和分析樣本后發(fā)現(xiàn)：由于樣本A56顏色較深，給專(zhuān)家造成了視覺(jué)暫留，以至于所看到的樣本A57較實(shí)際顏色更深；樣本A91由于專(zhuān)家進(jìn)行目光評(píng)級(jí)時(shí)已較為疲憊，且受到評(píng)級(jí)時(shí)樣品在光源箱內(nèi)擺放角度對(duì)光線、呈色等造成的影響，導(dǎo)致所給級(jí)別偏高。

圖6 誤差樣本圖

5 結(jié)束語(yǔ)

本文根據(jù)紡織品色牢度樣本特點(diǎn)，應(yīng)用圖像處理技術(shù)和深度學(xué)習(xí)方法，編寫(xiě)并改進(jìn)了相應(yīng)算法，結(jié)果表明其準(zhǔn)確率高、評(píng)級(jí)速度快，避開(kāi)測(cè)色過(guò)程中由于機(jī)器的差異帶來(lái)的系統(tǒng)誤差，利用現(xiàn)有儀器，減少對(duì)采樣操作中的額外要求，實(shí)現(xiàn)了對(duì)圖像特征進(jìn)行提取識(shí)別和對(duì)目光評(píng)級(jí)過(guò)程的模擬，操作簡(jiǎn)單，高效準(zhǔn)確。本文研究方法可代替檢驗(yàn)人員進(jìn)行等級(jí)評(píng)定，減少主觀影響，提高監(jiān)管性且避免人工重復(fù)工作。