关键词:
无损检测
纤维识别
卷积运算
注意力机制
摘要:
随着生活品质的提升,消费者越来越注重纺织品的舒适性和功能性,如亲肤性、防晒性和吸湿排汗性。这些特性与纤维种类密切相关。因此,准确识别纺织品中的纤维类别对于消费者选购心仪的产品具有重要意义。目前,常用的纤维鉴别技术如溶解度法、显微镜观察法和图像识别法等,虽然在特定条件下具有较高的准确性,但仍存在诸多局限,例如破坏样品、鉴定环境要求高、检测时间长、易受人为因素影响以及难以实现大规模快速识别等。这导致市场上存在大量实际成分与标签标注不符的纺织品,损害消费者权益并扰乱市场秩序。因此,急需一种快速、准确、非破坏性的纤维鉴别方法。
深度学习技术的持续进步为纺织纤维识别领域带来了革命性的突破。基于便携式放大镜和高清摄像机拍摄的纺织品表面图像的无损纤维识别方法,已经展现出巨大的发展潜力和实际应用价值。然而,现有的基于图像的无损纤维识别研究大多依赖于人工设计的模型或传统卷积神经网络(CNN),这些方法在特征提取和泛化能力上均存在局限。为克服这些问题,本论文首先收集了大量的纺织品表面图像数据,为后续纤维识别算法的研究提供丰富的训练样本。接着,针对CNN中池化运算丢失特征信息的问题,本论文进行了一系列的模型改进,以减少信息丢失并提高纤维识别的准确度。本论文的主要工作概括如下:
(1)创建了一个纺织纤维图像数据集。鉴于目前缺乏公开的纺织纤维图像数据集,本论文利用便携式光学放大镜与智能手机等设备的摄像系统,通过WIFI连接拍摄了50倍、200倍和300倍放大的纤维图像,总计超过7万幅。针对各设备拍摄的图像分辨率不同问题,在纺织专家的监督下手动裁剪出保留最大语义信息的统一规格图像。这为后续的纤维识别研究提供了丰富的样本资源。经过大量实验证明,在当前条件下,200倍放大率的纤维图像最适用于纤维识别任务。
(2)提出了一种基于多头交叉注意力运算的纤维分类方法。首先,通过CNN从纺织品表面图像中提取纤维特征。接着,将提取的纤维特征与标签进行多头交叉注意力运算,使每个标签能自动定位并汇集相应的纤维特征。然后,汇集的纤维特征经过线性映射得到每种纤维类型存在的概率。最后,通过一个简化版的非对称损失函数进行监督,进一步提升模型区分纤维特征的能力。实验证明,本文提出的方法与目前最优秀的无损纤维检测方法CU-Net相比,其m AP准确率提高了9%。
(3)提出了一种基于窗口注意力机制的纤维特征提取模型。首先,将织物表面纤维图像或特征图划分为若干固定大小的小窗口,并在每个小窗口内执行自注意力运算提取纤维特征。其次,通过往右下方移动窗口的方式,重新将纤维图像或特征图划分为多个小窗口,并在这些新窗口内再次执行自注意力运算提取纤维特征,从而实现不同窗口间纤维特征信息的交互。最后,借助多头交叉注意力运算进行纤维分类。实验结果表明,这种设计在提高纤维分类准确性方面具有显著效果。
(4)提出了一种融合卷积运算和注意力机制的纤维检测方法Fiber CVT。首先,运用步长小于卷积核尺寸的卷积运算,从输入的纺织纤维图像或特征图中提取重叠的纤维特征。其次,采用深度可分离卷积为多头自注意力运算提供向量矩阵,从而更有效地捕捉局部特征的上下文信息并降低语义模糊性。最后,应用多头交叉注意力机制对纤维进行分类。实验结果显示,在200倍放大的纤维图像数据集上,Fiber CVT的性能卓越,不仅远超现有的纤维识别方法,亦优于本文提出的其它方案。