گرفتن تصویر از تصاویر بافت پارچه آنغوره بافته شده با استفاده از یک دوربین دیجیتال احاطه شده توسط یک منبع نور برای کنترل شرایط نورپردازی انجام شد.
دوربین دیجیتال Nikon D5600 متصل به یک لنز میکرو نیکور با فاصله کانونی 45 میلی متر بود. استفاده شده.
مقدار سرعت ISO با f-stop f/2.8 روی 100 تنظیم شد. نمونه های پارچه بافته شده از انبارها و کارخانه های نساجی مختلف جمع آوری شد.
ما 3540 عکس از مکان های مختلف از 880 قطعه پارچه نخی زنانه گرفتیم.
از این 3540 تصویر، ما 2832 تصویر را برای مجموعه داده های آزمایشی خود نگه داشتیم، در حالی که 708 تصویر باقی مانده از طریق تکنیک های مختلف افزایش داده ها برای تولید 11328 نمونه آموزشی استفاده شد.
چند نمونه تصویر در هر کلاس در شکل 4 نشان داده شده است. این تصاویر به سه دسته ساده، ساتن و پارچه های پارچه بافی تقسیم می شوند.
تصاویر پارچه شمعی بافته شده برای تشکیل یک مجموعه داده جمع آوری شد. مجموعه داده نیاز به تبدیل مناسب، تغییر اندازه و پیش پردازش تصاویر داشت.
تعداد تصاویر از نظر اندازه کوچک‌تر بود، بنابراین از تکنیک‌های تقویت مختلف برای افزایش مجموعه داده استفاده کردیم، که به مدل کمک کرد تعمیم خوبی داشته باشد و تشخیص بهتری را انجام دهد.
الگوریتم یادگیری که داده های ورودی X را دریافت می کند و پیش بینی خروجی Y را مدل می گویند. برای مدل خود، از معماری شبکه باقیمانده (ResNet-50) استفاده کردیم.
در طول آموزش، الگوریتم بهینه سازی پارامترها (وزن به روز رسانی و سوگیری ها) را انجام داد که برای شناسایی مدل استفاده شد.
عملکرد مدل ما با استفاده از معیارهای ارزیابی مختلف مانند دقت، دقت متعادل، دقت، یادآوری و F1 ارزیابی شد. ما یک رویکرد مبتنی بر خط لوله برای مدل یادگیری عمیق خود پیشنهاد کردیم.
خط لوله شامل چند مرحله بود. مرحله اول تصاویر پارچه جین ترک را دریافت کرد که با طبقه بندی مدل به پایان رسید.
خروجی هر مرحله در خط لوله به عنوان ورودی مرحله بعدی عمل می کند.
- منابع:
- تبلیغات:
