لی و همکاران LBP و GLCM را برای استخراج ویژگی پارچه نخی زنانه پیشنهاد کرد و بعداً از SVM به عنوان طبقه‌بندی کننده برای طبقه‌بندی انواع پارچه‌های بافته استفاده کرد.
روش پیشنهادی آنها دقت 87.77 درصد را گزارش کرد. کو و همکاران از مدل رنگی CIE-Lab و ماتریس همزمانی برای استخراج ویژگی‌ها استفاده کرد و سپس از یک شبکه SOM برای طبقه‌بندی استفاده کرد.
بالاترین دقت طبقه بندی به دست آمده 92.63 درصد بود. شیائو و همکاران روشی مبتنی بر TILT و HOG برای شناسایی ویژگی‌های بافت پارچه آنغوره پیشنهاد کرد و بعداً از خوشه‌بندی FCM برای طبقه‌بندی استفاده شد.
روش آنها به دقت 94.57 درصد دست یافت. مشکل این رویکردها این بود که مجموعه داده‌ها فقط به تعداد کمی از تصاویر محدود می‌شدند.
نویسندگان همچنین در نظر گرفتن نور ناهموار در طول گرفتن تصویر، و همچنین خواص فیزیکی مانند ضخامت نخ، تغییرات قطر، و تغییرات چرخشی پارچه را کنار گذاشتند.
مدل پیشنهادی CNN مبتنی بر ResNet-50 از سایر روش ها بهتر عمل کرد.
به نظر ما، مدل یادگیری عمیق پیشنهادی به دقت بهتری برای تشخیص و طبقه‌بندی تصاویر پارچه‌های بافته شده دست یافت.
طبقه‌بندی پارچه جین ترک بر اساس بافت یک کار چالش برانگیز است زیرا در دسترس بودن مجموعه داده‌ها محدود است، و بنابراین برای قوی‌تر کردن آن، تغییرات در رنگ پارچه، قطر نخ، جهت‌گیری و نور ناهموار هنگام انجام گرفتن تصویر در نظر گرفته می‌شود.
از این رو، مجموعه داده ها را دقیق تر و نماینده تر می کند. یک شبکه عصبی که دارای عمق است، مانند مدل ResNet، قادر به مدیریت این تغییرات و یادگیری ویژگی های توصیفی سطح بالا است.
از این رو، مدل نشان می‌دهد که متنوع است و به راحتی می‌تواند پیچیدگی موجود در تصاویر پارچه شمعی بافته را با عملکرد بهتر از سایر رویکردها کنترل کند.
علاوه بر این، تکنیک‌های تقویت داده‌ها، تنوع داده‌های موجود را افزایش داده و در نتیجه عملکرد کلی مدل را بهبود می‌بخشد.
- منابع:
- تبلیغات:
دیدگاه شما با موفقیت ثبت شد.