缝纫平整度客观评判模型的研究
面料缝纫外观平整度客观评价新方法
标 及 Ｅｌ ０ ，对 剩下 的 １ ０斜 ９项指 标再 进 行主 因子 分析 ，以
进 一步 剔除 冗余信 息 ，提高 网络 精度 。
对 总共 ８ 个试样 分 别取 ５ 不 同方 向 （。 ３ 。 ４ 。 ５ 个 ０ ０ 、 ５ ６。 ０ ０ 、９ 。）的 数据进 行 主 因子分 析 ，共得 出 ４ ５组 数 据 。 ２
价模 型 。
１ 评价指标 的选择
神 经 网 络 输 入 层 节 点 个 数 取 决 于 评 价 指 标 ，通 过
Ｆ Ｓ 仪器测量并计算 ， ＡＴ 共得到包括项 力学 指标 。 虑 到面料 成 厚 ５ 考
很 多时候是 沿斜 向缝 纫 的 ， 上反 映斜 向性 质 的Ｅ 斜 、 ２ 加 ５ Ｅ０
ＥＢ５
、
龄相指 关 标
成型性
妻
Ｅ ０ ． ｌ０ 、Ｃ １ Ｃ２ Ｅ１ Ｅ２ １ 项指 ｌ０１ Ｅ ０ ２ ．． ．、Ｈ ．、Ｈ 等 ０
根 据各 原始 变量 在主 因子 中的权 重 系数 ， 以得 出各 可
主因子的计算公式。此 ６ 个主因子即为所提取的用于面料
Ｉ者介 侃 ，３ ， ， ， ，６ 缝 纫外观 平 整度 评价 的评价 指 标 ，彼 此 间相 互正 交 ．相 互 简： ，１年 博 讲 上 ２２ Ｉ 刘 女９ 生 士 师 海。０ 作 ７ １。
纺 织 导 报 Ｃ ｉ ｅ ｔ ｅ ｄ ｒ ２ ０ ｏ １ ｈ ａＴ ｘ ｌ Ｌ ａ ｅ ． ０ ７ ２ ｎ ｉ ｅ Ｎ
维普资讯
独立 。
具 有容 错能 力强 、可靠 性高 、 测 速度 快等 优点 。为 了对 预 此 作 出验证 与分 析 ． 本文 采 用前人 在处 理此 类 问题 时常 用
基于深度置信网络的缝纫平整度客观评价模型
西安工程大学学报J o u r n a l o f X i a n P o l y t e c h n i c U n i v e r s i t y第37卷第4期(总182期)2023年8月V o l .37,N o .4(S u m.N o .182)引文格式:胡胜,张佳琪,张溪,等.基于深度置信网络的缝纫平整度客观评价模型[J ].西安工程大学学报,2023,37(4):25-31.HU S h e n g ,Z HA N G J i a q i ,Z HA N G X i ,e t a l .O b j e c t i v e e v a l u a t i o n m o d e l o f s e w i n g f l a t n e s s b a s e d o n d e e p be l i ef n e t w o r k [J ].J o u r n a l o f X i a n P o l y t e c h n i c U n i v e r s i t y,2023,37(4):25-31. 收稿日期:2023-03-07 修回日期:2023-07-01基金项目:国家自然科学基金资助项目(72001166);陕西省自然科学基础研究计划项目(2022J Q -721) 通信作者:胡胜(1988 ),男,副教授,博士,研究方向为复杂工业过程建模与优化㊁质量管理与质量工程㊂E -m a i l :h u s h e n g @x pu .e d u .c n 基于深度置信网络的缝纫平整度客观评价模型胡 胜,张佳琪,张 溪,高冰冰(西安工程大学机电工程学院,陕西西安710048)摘要 针对织物缝纫平整度进行客观自动评估时评价精度不高的问题,提出一种基于特征参数与深度置信网络(d e e p be l i ef n e t w o r k ,D B N )的织物缝纫平整度客观评价模型㊂首先,对织物缝纫样本图像进行图像灰度化处理㊁中值滤波去噪㊁直方图均衡强化等图像预处理,提取织物的纹理特征,获取更高质量㊁利于后续处理的织物特征图像;其次,构建灰度共生矩阵,并在0ʎ㊁45ʎ㊁90ʎ与135ʎ下提取织物图像能量㊁熵㊁对比度㊁相关性4个关键特征参数,在此基础上构建基于D B N 的织物缝纫平整度自动评价模型,并使用缝纫图像对该模型进行训练;最后,通过提取的织物缝纫图像进行验证㊂实验结果显示该模型的评价精度达98.74%,与多元线性回归模型和基于B P 网络模型2种方法相比,提出的评价方法可以有效对缝纫平整度进行客观评价,为织物服装外观质量控制提供理论依据㊂关键词 缝纫平整度;特征参数;深度置信网络;灰度共生矩阵;客观评价开放科学(资源服务)标识码(O S I D )中图分类号:T S 111.9 文献标志码:AD O I :10.13338/j .i s s n .1674-649x .2023.04.004O b j e c t i v e e v a l u a t i o n m o d e l o f s e w i n g fl a t n e s s b a s e d o n d e e p be l i ef n e t w o r k HU S h e ng ,Z HA N G J i a q i ,Z HA N G X i ,G A O B i n g b i n g(S c h o o l o f M e c h a n i c a l a n d E l e c t r i c a l E n g i n e e r i n g ,X i a n P o l y t e c h n i c U n i v e r s i t y,X i a n 710048,C h i n a )A b s t r a c t I n v i e w o f t h e l o w a c c u r a c y o f o b j e c t i v e a u t o m a t i c e v a l u a t i o n o f f a b r i c s e w i n gf l a t n e s s ,a n o b j e c t i v e e v a l u a t i o n m o d e l o f f a b r i c s e w i ng f l a t n e s s b a s e d o n f e a t u r e p a r a m e t e r s a n d d e e p be l i ef Copyright ©博看网. All Rights Reserved.n e t w o r k(D B N)i s p r o p o s e d.F i r s t l y,i m a g e p r e p r o c e s s i n g i n c l u d i n g i m a g e g r a y s c a l e p r o c e s s i n g, m e d i a n f i l t e r d e n o i s i n g,a n d h i s t o g r a m e q u a l i z a t i o n e n h a n c e m e n t w a s p e r f o r m e d o n t h e i m a g e o f t h e f a b r i c s e w i n g s a m p l e t o e x t r a c t t h e t e x t u r e f e a t u r e s o f t h e f a b r i c,s o a s t o o b t a i n a f a b r i c f e a-t u r e i m a g e w i t h h i g h e r q u a l i t y a n d f a c i l i t a t e s u b s e q u e n t p r o c e s s i n g.T h e n t h e g r a y l e v e l c o-o c c u r-r e n c e m a t r i x w a s c o n s t r u c t e d,a n d t h e f o u r k e y f e a t u r e p a r a m e t e r s o f e n e r g y,e n t r o p y,c o n t r a s t a n d c o r r e l a t i o n o f f a b r i c i m a g e w e r e e x t r a c t e d a t0ʎ,45ʎ,90ʎa n d135ʎ.O n t h i s b a s i s,a n a u t o-m a t i c e v a l u a t i o n m o d e l o f f a b r i c s e w i n g f l a t n e s s b a s e d o n D B N w a s c o n s t r u c t e d,a n d t h e m o d e l w a s t r a i n e d u s i n g s e w i n g i m a g e s.L a s t i t w a s v e r i f i e d b y t h e e x t r a c t e d f a b r i c s e w i n g i m a g e s.T h e r e s u l t s s h o w t h a t t h e e v a l u a t i o n a c c u r a c y o f t h e m o d e l r e a c h e s98.74%.C o m p a r e d w i t h t h e t w o m e t h o d s o f m u l t i p l e l i n e a r r e g r e s s i o n m o d e l a n d B P n e t w o r k m o d e l,t h e p r o p o s e d e v a l u a t i o n m e t h o d c a n e f f e c t i v e l y e v a l u a t e t h e f l a t n e s s o f s e w i n g o b j e c t i v e l y a n d p r o v i d e a t h e o r e t i c a l b a s i s f o r t h e q u a l i t y c o n t r o l o f f a b r i c g a r m e n t a p p e a r a n c e.K e y w o r d s s e w i n g f l a t n e s s;c h a r a c t e r i s t i c p a r a m e t e r s;d e e p b e l i e f n e t w o r k;g r a y l e v e l c o-o c c u r-r e n c e m a t r i x;o b j e c t i v e e v a l u a t i o n0引言服装加工过程中,受材料性能差异㊁洗涤温度㊁时间和外力等多重因素影响而产生的缝纫线两侧的褶皱,称为缝纫平整度㊂缝纫平整度作为评价织物质量的关键要素,其评判准确性与否直接影响织物外观质量[1]㊂目前主要通过将试样与标准缝纫平整度图样作对比进行平整度评价㊂但该方法易受到检测环境和个人主观臆断等的影响,导致评价结果不理想㊂借助人工智能和图像处理技术,快速准确地对织物缝纫平整度进行客观评价,可避免主观因素影响,提高评价正确性[2]㊂因此,如何建立基于人工智能的织物缝纫平整度客观评价模型对改进织物外观质量具有重要价值㊂目前,国内外学者围绕织物平整度评价进行了深入研究㊂文献[3]研究发现缝纫线的弹性应变是决定缝纫线产生缝褶倾向的关键因素,织物和缝纫线的拉伸性能的一致性是改善接缝外观和获得光滑接缝的关键参数㊂文献[4]利用织物厚度㊁织物重量㊁织物经密度㊁缝纫线断裂伸长率㊁针迹密度和缝纫种类等6个参数,评价缝纫平整度㊂文献[5]等利用G a b o r变换提取了不同方向㊁不同频率的6个总熵值,并构建二次多元回归模型评价缝纫平整度㊂文献[6]选择线张力㊁压脚压力和针迹长度作为参数,利用基于式样三维形状的分形维数评价缝纫平整度等级㊂文献[7]提出了一种基于灰度共生矩阵㊁小波分析和B P神经网络的织物缝纫平整度的自动评估方法㊂文献[8]通过计算待测图像的派生输入向量和加权训练图像之间的标量积,然后利用傅里叶变换与无监督神经网络卡霍南M a p实现缝纫平整度评价㊂文献[9]针对服装图案识别准确度问题,改进了S S D网络模型,预测精准度提升3.63%㊂文献[10]采用小波独立混合模型和布质纹理等提取缝纫图像特征参数,然后采用模糊分类器评价缝纫平整度㊂文献[11]从样品3D模型的2D图像提取多尺度小波分析㊁光谱分析㊁纹理分析和分形分析等特征向量,并建立了缝纫平整度评价模型㊂文献[12]使用平滑轮廓中提取了5个特征,并创建了一个人工神经网络分类器,实现了平整度等级的自动评估㊂文献[13]构建了依据模型曲率均值的缝纫平整度客观评价模型㊂文献[14]建立一个基于有序逻辑回归模型的接缝皱褶自动评估系统,该系统使用视觉信息和回归技术自动评估缝纫平整度等级㊂文献[15]提出了基于修正的二维经验模态分解的服装缝纫线平整度评估方法,该方法可选择二维I M F和A B E-M D的残差来表示服装的缝纫针迹外观㊂文献[16]利用F a s t e r R-C N N网络检测织物表面目标,该方法的精准度达84.89%㊂上述研究表明,目前针对织物缝纫平整度评价主要集中在基于图像部分特征参数构建缝纫平整度评价模型,缝纫图像褶皱程度表征不够全面,模型的评价精度不高,约为90%[7]㊂鉴于此,本文提出一种融合特征参数与D B N的缝纫平整度客观评价方法,利用灰度共生矩阵提取特征图像参数,构建基于D B N的平整度评价模型,实现织物缝纫平整度自动评价㊂62西安工程大学学报第37卷Copyright©博看网. All Rights Reserved.1 织物缝纫图像特征参数提取进行缝纫平整度评价时,首先采用图像灰度化处理㊁中值滤波去噪㊁直方图均衡强化等方法对织物缝纫图像进行预处理,获取更高质量的织物特征图像㊂然后提取缝纫图像特征,而纹理特征是基于图像灰度按一定的规律在图像物体表面频繁出现形成的图像物体固有属性,描述的是图像灰度像素重复变化㊂本文采用灰度共生矩阵方法提取织物缝纫图像特征参数,其本质是通过统计2个像素点之间的相关性来反映目标图像的纹理特征[17]㊂假设f (x ,y )是一幅灰度级别L 的二维图像,则其灰度共生矩阵表达式[18]为P (i ,j ,d ,θ)={(x ,y ),(x +Δx ,y +Δy )|f (x ,y )=i ,f (x +Δx ,y +Δy )=j }(1)式中:P 为L ˑL 的矩阵;d 为在θ方向上,2个像素点之间的距离,即矩阵的统计步长;Δx 和Δy 为偏移量,满足Δx =d c o s θ,Δy =ds i n θ㊂在此基础上,能量㊁熵㊁对比度和相关性4种纹理特征值可表示为x A S M =ðL -1i =0ðL -1j =0P 2(i ,j ,d ,θ)x E N T =ðL -1i =0ðL -1j =0P (i ,j ,d ,θ)l o g 2P (i ,j ,d ,θ)x C O N =ðL -1i =1ðL -1j =1(i -j )2P (i ,j ,d ,θ)x C O R =ðL -1i =0ðL -1j =0[i j P (i ,j ,d ,θ)-μ1μ2]/(σ21σ22)(2)式中:μ1=ðL -1i =0ðL -1j =0i P (i ,j ,d ,θ),σ1=ðL -1i =0ðL -1j =0(i -μ1)2P (i ,j ,d ,θ),μ2=ðL -1i =0ðL -1j =0jP (i ,j ,d ,θ),σ2=ðL -1i =0ðL -1j =0(j -μ2)2P (i ,j ,d ,θ);L 为共生矩阵的灰度级数,取值为3[19];d 代表灰度共生矩阵的统计步长,取值为2[20]㊂通过式(2)可以实现对缝纫图像的特征提取和有效度量㊂在提取的缝纫图像特征参数中,能量特征参数表征的是缝纫图像灰度分布的杂乱程度㊂图像纹理越无规律越粗糙,能量越大,此时图像灰度分布越随机;反之若图像灰度呈现均衡状态,纹理简单,则能量值较小㊂熵特征参数表示缝纫图像的复杂程度㊂熵值越大,图像越复杂㊁随机,图像各处灰度共生矩阵值越接近;反之熵值越小,则说明图片简单或规律㊂对比度参数刻画的是2个像素点间纹理灰度值和可视化程度的差异大小㊂对比度越大图像纹理凹槽越深刻,视觉效果好;反之对比度越小则说明图像中纹理凹槽浅淡,视觉体验效果模糊㊂相关性参数体现的是缝纫图像局部灰度的相关性,相关性越大说明图像中局部区域的相似程度越高[21]㊂2 织物缝纫平整度评价模型构建2.1 基于D B N 的织物缝纫平整度评价建模织物缝纫图像的特征参数与缝纫平整度等级之间存在着一定的相关关系,因此,可以将基于特征参数的平整度评价问题转化为多维非线性空间分类问题㊂D B N 是使用概率生成输出的学习算法,是一种由多个受限玻尔兹曼机(r e s t r i c t e d B o l t z m a n n m a -c h i n e ,R B M )堆叠而成的深度学习网络[22],在非线性系统建模中表现出优异的拟合能力,能很好地适应多分类问题㊂鉴于此,本文构建基于D B N 的缝纫平整度评价模型[23],如图1所示㊂图1 用于织物缝纫平整度评价的D B N 结构F i g.1 D B N s t r u c t u r e f o r t h e e v a l u a t i o n o f s e w i n g fl a t n e s s 图1中,D B N 的结构由多个相互连接的R B M组成㊂第1个R B M 单元是可见层,后面的是隐藏层,且单个R B M 结构由一层可见层与隐藏层组成㊂两层R B M 之间的神经元是全连接的,然而同层神经元之间没有联系㊂可见层和隐含层之间的能量关系[24]可表示为E (v ,h ;α)=-ðm j =1b j h j -ðni =1a i v i -72第4期 胡胜,等:基于深度置信网络的缝纫平整度客观评价模型Copyright ©博看网. All Rights Reserved.ðn i =1ðmj =1v iw i j hj(3)式中:v i 和h i 为输入神经元和输出神经元的状态;w i j 为神经元间的权值;b i 和a j 分别为可见层和隐含层的偏置;α为每层R B M 连接权重和偏置的组合㊂较低的能量代表D B N 模型达到理想状态,即代表缝纫平整度客观评价模型误差较小㊂可见层和隐含层的联合分布公式可表示为P (h j =1|v )=s i g m (b j +ðiw i jv i )P (v i =1|h )=s i g m (a j +ðiw i j v j )(4)式中:s i g m (t )=1/[1+e x p(-t )]为激活函数㊂因此,构建缝纫平整度客观评价模型就是寻找每层R B M 连接权重和偏置的组合α={w ,a ,b }㊂使用非对数似然函数作为训练过程中的目标函数Q ,可表示为Q =(α,T )=-ðt ɪTl n P (t |α)(5)在无监督训练阶段,使用贪婪算法对R B M 逐层训练,将上一层R B M 训练后的隐藏层作为下一层R B M 的输入,以此实现R B M 的最优㊂在有监督训练阶段,采用B P 算法预测R B M 所提取的深度特征,基于预测误差调整网络参数,确保D B N 预测结构整体最优,获得符合精度要求的缝纫平整度客观评价模型㊂2.2 织物缝纫平整度评价策略根据上节的分析,本文提出的织物缝纫平整度评价策略为:首先需要对缝纫图像进行灰度化处理㊁滤波法降噪和直方图均衡化等预处理,然后利用灰度共生矩阵提取能量㊁熵㊁对比度和相关性等关键特征参数;在此基础上构建基于D B N 的织物缝纫平整度评价模型,并训练该评价模型以符合精度要求,接下来利用测试图像检验模型有效性;最后提取待测图像的相关特征参数,输入客观评价模型求解㊂为了给出待测图像的平整度等级,本文将织物缝纫平整度等级设为S S -5㊁S S -4㊁S S -3㊁S S -2和S S -1级共5个等级,对应客观评分区间分别为:[0,2]㊁(2,4]㊁(4,6]㊁(6,8]和(8,10][25]㊂3 实例分析3.1 织物缝纫样本预处理为验证所提方法的有效性,首先对不同程度褶皱的织物缝纫样本,按照标准对照法进行量化打分,得到样本量化信息如图2所示㊂图2 样本量化信息表F i g .2 I n f o r m a t i o n t a b l e o f s a m pl e q u a n t i f i c a t i o n 图2中,图样下边数字代表该图样的缝纫平整度主观评分,同一行缝纫平整度等级相同,从上至下平整度等级分别为S S -5~S S -1级㊂然后对获取的缝纫图像依次进行灰度化处理㊁滤波去噪㊁直方图均衡化增强预处理,结果如图3所示㊂图3 织物缝纫图像预处理F i g .3 F a b r i c s e w i n g i m a g e p r e p r o c e s s i n g从图3可以看出,经过预处理后的图像缝纫线附近的明亮区域与阴影区域对比明显,缝纫图像褶皱程度更加清晰且易于分辨,图像质量更高,利于后续提取图像的相关特征参数㊂3.2 图样特征参数提取在获取增强图像基础上进行织物缝纫特征参数提取,将图像灰度矩阵所有像素值除以64并向下取整作为新的灰度级数,并依据式(1)分别计算水平方向(0ʎ)㊁垂直方向(90ʎ)㊁对角线方向(45ʎ㊁135ʎ)的4个灰度共生矩阵,并利用式(2)计算能量㊁熵㊁对比度㊁相关性4个特征参数,同时剔除样本3㊁8㊁13㊁15㊁18等偏离正常数据的5个样本㊂对剔除异常样本后的20个样本进行统计分析,同时给出织物缝纫平整度的主观评分结果,如表1所示㊂82西安工程大学学报第37卷Copyright ©博看网. All Rights Reserved.表1特征参数计算结果T a b.1 C a l c u l a t i o n r e s u l t s o f c h a r a c t e r i s t i c p a r a m e t e r s样本编号能量熵对比度相关性主观分值10.09452.65000.564547.85700.3 20.09832.58820.454339.11210.7 30.10352.54320.498140.11911.1 40.08742.71530.307145.84791.3 50.08332.78870.481555.84302.7 60.08512.72940.485956.34473.2 70.08102.78180.339258.33973.3 80.09262.63550.223443.85413.3 90.08252.78860.400758.84174.2 100.08212.76410.322051.09114.3 110.08072.78090.318551.58965.8 120.08322.76420.450252.59246.7 130.07572.86110.453655.08356.9 140.07732.85350.477958.08557.0 150.08232.75250.345648.34137.3 160.07692.82650.331649.08508.5 170.07892.82640.478757.83748.7 180.07852.83490.461760.58688.9 190.07972.77950.301247.08839.0 200.07472.86650.468455.58239.53.3基于D B N的织物缝纫平整度客观评价模型进行缝纫平整度客观评价建模时,随机选取4个不同平整等级的16个样本用于训练缝纫平整度客观评价模型,剩余4个样本用于测试㊂设置D B N 模型的参数:训练步数为100,隐藏层节点数分别取43㊁57㊁39㊁41㊂D B N评价模型训练结束后,使用测试集数据进行D B N的织物缝纫平整度客观评价模型测试评价㊂基于D B N的缝纫平整度客观评价模型对检验样本的输出结果如图4所示㊂图4基于D B N缝纫平整度测试结果F i g.4 S e w i n g f l a t n e s s t e s t r e s u l t sb a s e d o n D B N从图4可以看出,构建的D B N模型平整度客观评分与主观评分基本重合,进一步基于式(6)计算得到D B N模型的评价精度达到98.74%,说明构建的基于D B N的织物缝纫平整度客观评价模型可以有效客观评价织物的缝纫平整度等级㊂Z=1-ð(^y i-y)2/ð(y i-y)2(6)式中:^y i和y i分别为模型输出的客观评分值和主观评分值;y为主观评分平均值,该指标衡量的是平整度评价算法的准确性,其值越大,则评价效果越好㊂3.4评价模型有效性对比为验证D B N缝纫平整度客观评价模型的有效性,采用多元回归模型的缝纫平整度评价模型进行对比实验㊂构建织物平整度评价的多元回归模型时,首先计算主观评分与能量㊁熵㊁对比度㊁相关性4个特征参数的皮尔逊相关系数,分别为-0.816㊁0.789㊁-0.115㊁0.482㊂可以看出,主观评分与能量和熵的相关系数达到-0.816和0.789,且分别呈现出显著负相关和显著正相关关系,故提取能量和熵2个参数对表2中的样本数据进行平整度评价模型拟合㊂拟合效果如图5所示㊂图5基于多元回归的平整度评价模型拟合效果F i g.5 T h e f i t t i n g e f f e c t o f t h e f l a t n e s se v a l u a t i o n m o d e l b a s e d o nm u l t i p l e r e g r e s s i o n从图5可以看出,除少部分样本点没有被拟合成功外,其他大部分样本均在回归曲线上,拟合效果良好,据此输出织物平整度评价的多元回归模型客观评分可表示为y=756.3+507.6ˑx A S M-486.3ˑx E N T-541.2ˑx A S Mˑx E N T+88.3ˑx2E N T(7)式中:y为缝纫平整度客观评分;x A S M为图像能量值;x E N T为图像熵值㊂经过测试,利用式(6)计算得到该多元回归模型的评价精准度约为79.22%㊂92第4期胡胜,等:基于深度置信网络的缝纫平整度客观评价模型Copyright©博看网. All Rights Reserved.进一步采用基于B P神经网络与构建的多元回归模型㊁D B N进行效果对比,模型参数设置及不同算法的缝纫平整度评价结果如表2所示㊂表2不同算法的缝纫平整度评价结果对比T a b.2 C o m p a r i s o n o f s e w i n g f l a t n e s s e v a l u a t i o n r e s u l t s o f d i f f e r e n t a l g o r i t h m s模型变量元数神经元数学习率训练步数平整度评价精度/%多元回归2无无无79.22 B P480.1100090.50 D B N4100.00120098.74从表2可以看出,多元回归建模时因只提取2个主要影响特征参数进行拟合,导致其不能完全表征缝纫图像特征使得评价精度不甚理想㊂相比浅层B P神经网络,构建的深度D B N模型具有较强的特征提取能力,对缝纫平整度评价精度更高㊂说明本文提出的融合特征参数和D B N模型对织物的缝纫平整度具有较好的评价性能㊂4结语针对织物缝纫平整度主观评价精度较低的问题,本文构建了融合特征参数与D B N的织物缝纫平整度评价模型㊂1)利用灰度共生矩阵提取的能量㊁熵㊁对比度和相关性等特征参数能够较好地度量织物缝纫平整程度差异性㊂2)建立的D B N缝纫平整度评价模型,实现了织物缝纫平整度的客观评价㊂后续将在本文研究的基础上,深入分析不同面料㊁缝纫样式㊁缝纫线颜色等场景下的织物缝纫平整度客观评价,提升其评价模型的普适性与准确性㊂参考文献(R e f e r e n c e s)[1]张一帆,龙海如.针织物外观平整度的小波分析与等级评定[J].东华大学学报(自然科学版),2008,34(6): 692-695.Z HA N G Y F,L O N G H R.W a v e l e t a n a l y s i s a n d g r a d ea s s e s s m e n t o f k n i t t e d f ab r ic s m o o t h n e s s[J].J o u r n a l o fD o n g h u a U n i v e r s i t y(N a t u r a l S c i e n c e),2008,34(6):692-695.(i n C h i n e s e)[2]施倩,罗戎蕾.基于生成对抗网络的服装图像生成研究进展[J].现代纺织技术,2023,31(2):36-46.S H I Q,L U O R L.R e s e a r c h p r o g r e s s o f c l o t h i n g i m a g eg e n e r a t i o n b a s e d o n g e n e r a t i o n c o u n t e r m e a s u r e n e t-w o r k[J].A d v a n c e d T e x t i l e T e c h n o l o g y,2023,31(2):36-46.(i n C h i n e s e)[3] K AMA L I R,M E S B A H Y,MO U S A Z A D E G A N F.T h ei m p a c t o f s e w i n g t h r e a d s t e n s i l e b e h a v i o r a n d l a u n d e-r i n g p r o c e s s o n t h e s e a m p u c k e r i n g o f e l a s t i c a n d n o r-m a l f a b r i c s[J].I n t e r n a t i o n a l J o u r n a l o f C l o t h i n g S c i-e n c e a n d T e c h n o l o g y,2020(2):13-24.[4] C H E N D L,C H E N G P P,L I Y G.I n v e s t i g a t i o n o f i n-t e r a c t i o n s b e t w e e n f a b r i c p e r f o r m a n c e,s e w i n g p r o c e s s p a r a m e t e r s a n d s e a m p u c k e r o f s h i r t f a b r i c[J].J o u r n a l o f E n g i n e e r e d F i b e r s a n d F a b r i c s,2021,16(3): 155892502110203.[5]陈丽丽.精纺毛织物缝纫平整度客观评价方法[J].纺织学报,2018,39(3):120-125.C H E N L L.O b j e c t i v e e v a l u a t i o n o f s e a m i n g s m o o t h-n e s s f o r w o r s t e d w o o l g a r m e n t s[J].J o u r n a l o f T e x t i l e R e s e a r c h,2018,39(3):120-125.(i n C h i n e s e) [6] K I M M,S U L I H,K I M S.D e v e l o p m e n t o f a s e w i n gm a c h i n e c o n t r o l l e r f o r s e a m p u c k e r r e d u c t i o n u s i n g o n-l i n e m e a s u r e m e n t f e e d b a c k s y s t e m[J].J o u r n a l o f E n g i-n e e r e d F i b e r s a n d F a b r i c s,2017,12(2): 155892501701200.[7]张宁,潘如如,高卫东.采用图像处理的织物缝纫平整度自动评估[J].纺织学报,2017,38(4):145-150.Z HA N G N,P A N R R,G A O W D.A u t o m a t i c s e a m-p u c k e r i n g e v a l u a t i o n u s i n g i m a g e p r o c e s s i n g[J].J o u r-n a l o f T e x t i l e R e s e a r c h,2017,38(4):145-150.(i n C h i-n e s e)[8] B R A D R,H L,B R A D R.S e a m p u c k e r i n g e v a l u a t i o nm e t h o d f o r s e w i n g p r o c e s s[J].A n n a l s o f t h e U n i v e r s i-t y o f O r a d e a:F a s c i c l e o f T e x t i l e s,L e a t h e r w o r k,2014(1):23-28.[9]楚雅璐,顾梅花,刘杰,等.改进S S D的服装图像识别方法[J].纺织高校基础科学学报,2022,35(4):95-102.C HU Y L,G U M H,L I U J,e t a l.I m p r o v e d S SD c l o t h-i n g i m a g e r e c o g n i t i o n m e t h o d[J].B a s i c S c i e n c e s J o u r-n a l o f T e x t i l e U n i v e r s i t i e s,2022,35(4):95-102.(i nC h i n e s e)[10] T U R N E R C,C HA N H Y,S A R I-S A R R A F H,e ta l.F ab r ic s m o o t h n e s s e v a l u a t i o n u s i n g t h e w a v e l e td o m a i n i n de p e n d e n t m i x t u r e m o d e l a n d a l a n df o r mc l a s s i f i c a t i o n t e c h n i q u e[C]//M a c h i n e V i s i o n A p p l i c a-t i o n s i n I n d u s t r i a l I n s p e c t i o n X I I I.B e l l i n g h a m:I n t e r-n a t i o n a l S o c i e t y f o r O p t i c s a n d P h o t o n i c s,2005:86-98.[11] K O E H L L,M I O U J C,Z E N G X Y.S e l e c t i n g r e l e v a n tf e a t u r e s f r o m f a b r i c i m ag e s f o r a u t o m a t e d q u a l i t yc o n t r o l o f s e a m p u k e r u s i n gd a t a a n a l y s i s a n d h u m a ne x p e r t s g r a d i n g[M]//C o m p u t a t i o n a l T e x t i l e.B e r l i n:03西安工程大学学报第37卷Copyright©博看网. All Rights Reserved.S p r i n g e r B e r l i n H e i d e l b e r g,2007:39-54. [12] P A N R,G A O W,L I W,e t a l.I m a g e a n a l y s i s f o rs e a m-p u c k e r i n g e v a l u a t i o n[J].T e x t i l e R e s e a r c h J o u r-n a l,2017,87(20):1-11.[13]陈丽丽,刘成霞.基于曲率均值的面料缝纫平整度客观评价[J].毛纺科技,2020,48(1):62-65.C H E N L L,L I U C X.O b j e c t i v e e v a l u a t i o n o f f a b r i cs e a m s m o o t h n e s s b a s e d o n a v e r a g e c u r b a t u r e[J].W o o l T e x t i l e J o u r n a l,2020,48(1):62-65.(i n C h i-n e s e)[14] MA R I O L I S I G,D E R MA T A S E S.A u t o m a t i c c l a s s i-f i c a t i o n o f s e a m p u c k e r i m ag e s b a s e d o n o r d i n a l q u a l i-t y g r a d e s[J].P a t t e r n A n a l y s i s a n d A p p l i c a t i o n s,2013,16(3):447-457.[15]J I A N G H X,L I U J H,C HA I Z L,e t a l.O b j e c t i v e a s-s e s s m e n t f o r c h a r a c t e r i s i n g t h e f l a t n e s s o f g a r m e n ts e w i n g s t i t c h e s[J].A u t e x R e s e a r c h J o u r n a l,2013,13(4):110-117.[16]胥光申,徐晋,杨鹏程,等.基于F a s t e r R-C N N的织物表面打印导电线路中微滴目标检测[J].纺织高校基础科学学报,2023,36(1):41-48.X U G S,X U J,Y A N G P C,e t a l.D e t e c t i o n o f d r o p-l e t s i n c i r c u i t j e t p r i n t e d o n f a b r i c s u r f a c e b a s e d o nF a s t e r R-C N N[J].B a s i c S c i e n c e s J o u r n a l o f T e x t i l eU n i v e r s i t i e s,2023,36(1):41-48.(i n C h i n e s e) [17]苑丽红,付丽,杨勇,等.灰度共生矩阵提取纹理特征的实验结果分析[J].计算机应用,2009,29(4):1018-1021.Y U A N L H,F U L,Y A N G Y,e t a l.A n a l y s i s o f t e x-t u r e f e a t u r e e x t r a c t e d b y g r a y l e v e l c o-o c c u r r e n c e m a-t r i x[J].J o u r n a l o f C o m p u t e r A p p l i c a t i o n s,2009,29(4):1018-1021.(i n C h i n e s e)[18] HA R A L I C K R M,S HA NMU G AM K,D I N S T E I N I.T e x t u r a l f e a t u r e s f o r i m a g e c l a s s i f i c a t i o n[J].I E E ET r a n s a c t i o n s o n S y s t e m s,M a n,a n d C y b e r n e t i c s,1973(6):610-621.[19]曹瑜,涂玲,毋立芳.身份认证中灰度共生矩阵和小波分析的活体人脸检测算法[J].信号处理,2014,30(7):830-835.C A O Y,T U L,WU L F.F a c e l i v e n e s s d e t e c t i o n u s i n gg r a y l e v e l c o-o c c u r r e n c e m a t r i x a n d w a v e l e t s a n a l y s i si n i d e n t i t y a u t h e n t i c a t i o n[J].J o u r n a l o f S i g n a l P r o-c e s s i n g,2014,30(7):830-835.(i n C h i n e s e)[20] MA K K,L I W.A n e u r a l n e t w o r k a p p r o a c h t o o b j e c-t i v e e v a l u a t i o n o f s e a m p u c k e r[J].L e c t u r e N o t e s i nE n g i n e e r i n g a n d C o m p u t e r S c i e n c e,2007,2165(1):183.[21]薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1):155-158.B O H,MA F L,J I A O L C.R e s e a r c h o n c o m p u t a t i o no f G L C M o f i m a g e t e x t u r e[J].A c t a E l e c t r o n i c a S i n i-c a,2006,34(1):155-158.(i n C h i n e s e)[22]李大中,李昉,张克延.基于变量选择深度信念神经网络的风速预测[J].华北电力大学学报(自然科学版),2021,48(1):62-68.L I D Z,L I F,Z HA N G K Y.W i n d s p e e d p r e d i c t i o nb a s e d o n D B N w i t h v a r i a b l e s e l ec t i o n[J].J o u r n a l o fN o r t h C h i n a E l e c t r i c P o w e r U n i v e r s i t y(N a t u r a l S c i-e n c e E d i t i o n),2021,48(1):62-68.(i n C h i n e s e)[23] N G U Y E N T T,T U N G P T,T A N N N,e t a l.A s t u d yo f f a c t o r s a f f e c t i n g G P R s i g n a l a m p l i t u d e s i n r e i n-f o r c e d s t r u c t u r e s u s i ng d e e p b e l i e f n e t w o r k s[J].I n-f r a s t r u c t u r e s,2022,7(9):123.[24] H I N T O N G E.A p r a c t i c a l g u i d e t o t r a i n i n g r e s t r i c t e db o l t z m a n n m ac h i n e s[M]//L e c t u r e N o t e s i n C o m p u t-e r S c i e n c e.B e r l i n:S p r i n g e r B e r l i n H e i d e l b e r g,2012:599-619.[25]王萌萌.基于卷积神经网络的织物缝纫平整度客观评价[D].杭州:浙江理工大学,2020.责任编辑:孟超13第4期胡胜,等:基于深度置信网络的缝纫平整度客观评价模型Copyright©博看网. All Rights Reserved.。
基于监督模糊聚类的缝纫平整度客观评价系统
基于监督模糊聚类的缝纫平整度客观评价系统
潘永惠;包芳;王士同
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)9
【摘要】提出了一种基于改进型模糊聚类的缝纫平整度客观评价系统.首先,用FAST仪器测量得到服装面料的各项力学性能指标,并根据主因子分析法提取6个贡献最大的综合指标;其次,通过基于输出空间的SFCM算法对获取的综合指标进行模糊聚类,得到相应的各聚类中心;最后,根据聚类结果确定径向基神经网络的节点中心和宽度.经过大量实验,系统可以根据中厚毛型面料的不同结构及物理性能快速准确地给出该织物成衣后的缝纫性能评价指标.
【总页数】5页(P212-216)
【作者】潘永惠;包芳;王士同
【作者单位】江南大学,信息工程学院,江苏,无锡,214036;江阴职业技术学院,江苏,无锡,214405;江南大学,信息工程学院,江苏,无锡,214036;江阴职业技术学院,江苏,无锡,214405;江南大学,信息工程学院,江苏,无锡,214036
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于图像处理的织物缝纫平整度客观评价 [J], 王佳宁;刘成霞;方苏
2.基于BP网络的缝纫平整度等级客观评价 [J], 蒋真真;李艳梅
3.基于优化RBF神经网络的缝纫平整度客观评价 [J], 吴懋刚;潘永惠;范蕤
4.基于曲率均值的面料缝纫平整度客观评价 [J], 陈丽丽; 刘成霞
5.基于卷积神经网络的织物缝纫平整度客观评价 [J], 王萌萌; 刘成霞
因版权原因，仅展示原文概要，查看原文内容请购买。
基于卷积神经网络的织物缝纫平整度客观评价
DOI:10.19333/j.mfkj.20190904405基于卷积神经网络的织物缝纫平整度客观评价王萌萌1,刘成霞1,2(1.浙江理工大学服装学院,浙江杭州㊀310018;2.浙江理工大学服装数字化技术浙江省工程实验室,浙江杭州㊀310018)㊀㊀摘㊀要:针对大多数评价织物缝纫平整度等级方法对实验条件均有较高的要求,且织物种类及环境等因素对实验结果均有较大影响的现状,提出利用卷积神经网络分析织物缝纫平整度等级的方法,以提高等级分类的准确率和效率㊂设计了一个基于残差卷积神经网络的织物缝纫平整度客观评价模型,该模型以1000个普通织物的缝纫图像作为训练样本输入,得到缝纫平整度的分类结果,所选织物包含10种常见服装面料品类(塔夫绸㊁塔斯隆㊁雪纺㊁顺纡绉㊁尼丝纺㊁麂皮绒㊁天丝斜纹㊁真丝缎面㊁平布㊁交织绸)㊂研究结果表明:经200个测试集样本的验证,该模型的评价准确率达96%,与智能化评价以及建立预测模型方法相比,利用卷积神经网络分析织物缝纫平整度等级的方法,具有较好的准确率,且具备获取样本图像流程简单㊁效率高的优势㊂关键词:织物缝纫图像;平整度等级;卷积神经网络;客观评价中图分类号:TS101.9㊀㊀㊀㊀文献标志码:AObjective evaluation of fabric sewing flatness based on convolutionalneural networkWANG Mengmeng1,LIU Chengxia1,2(1.School of Fashion Design&Engineering,Zhejiang Sci-Tech University,Hangzhou,Zhejiang310018,China;2.Zhejiang Province Engineering Laboratory of Clothing Digital Technology,Zhejiang Sci-Tech University,Hangzhou,Zhejiang310018,China)Abstract:At present,the requirements on the experimental conditions are high for most methods when evaluating the flat level of fabric sewing,and the factors such as the type of fabric and the environment have a higher impact on the experimental results.In view of this situation,a method for analyzing the level of fabric sewing flatness was proposed in this paper by using a convolutional neural network to improve the accuracy and efficiency of classification.An objective evaluation model of fabric sewing flatness based on residual convolutional neural network was designed.The sewing images of1000 ordinary fabrics were taken as input for training samples for the model,and the classification results of sewing flatness can be obtained.The selected fabric contains10kind of common clothing fabrics (Taffeta,Taslon,Chiffon,Downy Crepe,Nylon,Suede,Tencel Twill,Silk Satin,Plain Cloth and Interwoven Silk).The research results showed that,after verified by200test set samples,the evaluation accuracy of the model was96%.Compared with the intelligent evaluation and the prediction model method,the convolutional neural network method has higher leveling accuracy,simpler and higher accuracy on sample images obtaining.Keywords:fabric sewing image;flatness grade;convolutional neural network;objective evaluation收稿日期:2019-10-08基金项目:浙江省自然科学基金项目(LY20E050017)第一作者:王萌萌,硕士生,主要研究方向为纺织品检测技术㊂通信作者:刘成霞,教授,博士,主要研究方向为纺织品检测技术,E-mail:glorior_liu@㊂㊀㊀织物缝纫平整度是纺织品外观的重要量度标准[1],现有研究多采用标样对照㊁直接测量等方法对织物缝纫平整度等级进行评定㊂近年来,由于标样对照法易受观察者自身主观因素及环境条件的影响,测量误差较大,相关学者开始采用智能化评价㊁建立预测模型等方法对缝纫平整度进行研究㊂在智能化评价方面,YoungjooNa等[2]使用图像处理技术研究缝纫平整度等级,Kang等[3]使用几何分析法客观评价了织物缝纫平整度,经过与主观评价的相关分析后发现该方法的准确率较高;李艳梅[4]运用小波分析及图像处理技术建立了多元回归模型和概率神经网络模型;蒋真真[5]利用BP神经网络建立了客观评价缝纫平整度的模型㊂研究者们主要先用图像处理技术提取织物缝纫平整度特征值,再利用人工智能技术评价织物缝纫平整度等级,但上述方法中织物种类㊁色彩会在一定程度上影响织物缝纫平整度等级评价的准确率㊂在建立预测模型方面, Tasaki等[6]日本学者致力于建立一个二元回归方程来评价缝纫平整度等级;刘侃[7]运用数学方法建立了织物缝纫皱缩预测模型;范蕤[8]用模糊神经网络建立了缝纫平整度的预测模型㊂上述模型的预测准确率虽达到了一定程度,但适用的织物种类范围较少㊂综上,目前评价织物缝纫平整度方法的准确率易受测量方式㊁拍摄光线及角度㊁织物颜色㊁种类乃至组织结构的影响,且样本图片的获取比较耗时,不易推广,达不到广泛适用的效果[9]㊂因此,本文以织物缝纫平整度作为研究对象,试图找到获取样本简便㊁快速实现缝纫平整度等级分类的方法,且该方法能降低样本种类及其他因素对分类准确率的影响㊂1㊀织物缝纫图像数据集采集与预处理1.1㊀图像采集由于卷积神经网络模型的训练需以大量数据为基础,因此本文制作了一个包含10种常用服装织物共1200个样本的缝纫平整度数据集[10]㊂织物规格参数如表1所示,将每种织物裁剪成10cmˑ10cm的缝条,整烫后由同一车工统一在同一时间段沿经向缝布条,使每块布条线迹相同且清晰可见㊂然后人工控制5种抽褶量(沿缝纫线迹抽褶)0㊁0.5㊁1.0㊁1.5㊁2.0cm以制作样本缝条㊂同种织物不同抽褶量及产生的效果见图1,可以看出抽褶量越大,织物表面越不平整㊂表1㊀织物规格参数试样编号试样名称织物成分织物组织密度/(根㊃(10cm)-1)经向纬向面密度/(g㊃m-2)厚度/mm1#塔夫绸涤纶平纹400290600.15 2#塔斯隆锦纶平纹4302001580.20 3#雪纺涤纶平纹130130850.08 4#顺纡绉桑蚕丝平纹610300550.10 5#尼丝纺锦纶平纹405340370.14 6#麂皮绒涤纶缎纹3503501300.22 7#天丝斜纹天丝斜纹120761650.19 8#真丝缎面桑蚕丝缎纹1280530700.17 9#平布麻纤维平纹2101701890.21 10#交织绸涤纶缎纹3203201640.18图1㊀同织物不同抽褶量及产生的效果㊀㊀接下来使用佳能数码相机按照控制变量的方法,分别变化光照条件(强光㊁中强光㊁弱光)㊁拍摄角度(水平和倾斜45ʎ)中的一个参数,对样本图像进行采集㊂其中,光照强度由LED灯来控制,将样本置于暗室的水平桌面上,固定LED灯,使其光线与被摄物体呈90ʎ㊂调节LED灯的开关,强光为三档,光照强度为50mcd(毫坎德拉);中强光为二档,光照强度为30mcd;弱光为一档,光照强度为10mcd㊂再将佳能数码相机固定于待测样本正上方,采集水平角度的样本图像,然后将相机顺时针旋转45ʎ固定,采集45ʎ的样本图像㊂每种织物同一抽褶量分别裁剪出4个10cmˑ10cm的缝条,变化光照条件及拍摄角度后,可获取24个样本图像,10种面料共240个样本图像,5种抽褶量一共1200个样本㊂然后随机截取样本图像的上半部分㊁中间部分或下半部分,替换原图像,保持同一抽褶量样本的总数不变,增加样本多样性㊂以往研究多需要专门的织物图像采集设备,且针对某一类织物展开研究,与之相比,本文在采集样本图像时使用的是普通相机,没有限制织物种类及拍摄条件,随机选取了不同的织物,在3种不同光照条件(强光㊁中强光㊁弱光)下,拍摄了水平㊁倾斜45ʎ的图像,且选取了不同位置(上半部分㊁中间部分㊁下半部分)的图像㊂这样采集的织物缝纫样本更加丰富,同时分类难度也有所增加㊂1.2㊀标签制作训练卷积神经网络模型不仅要以大量样本数据为基础,还需要对训练样本进行分类标签㊂因此先用主观评价法对1000个训练样本进行分类,根据GB/T13771 2014‘家庭洗涤后接缝平整度“标样规定:SS-5为第5级,SS-4为第4级,SS-3为第3级,SS-2为第2级,SS-1为第1级,等级越高,织物表面越平整㊂请10位专业人士对照GB/T 13771 2014单针迹接缝评级对比样照,对每个样本图片打分,0~20分为SS-5,21~40分为SS-4,41~ 60分为SS-3,61~80分为SS-2,81~100分为SS-1㊂对有争议的样本重新打分,直到得出比较合理的等级为止㊂2㊀卷积神经网络模型的设计2.1㊀卷积神经网络卷积神经网络早期用在识别图像㊁文本㊁音视频等方面,其识别步骤是先利用训练样本建立模型,然后再对测试样本进行分类㊂本文中的训练样本为确定好平整度等级(即带标签)的织物缝纫试样,测试样本为待确认平整度等级的织物缝纫样本,需使用训练完成后的卷积神经网络模型来对其进行等级评定㊂卷积神经网络模型学习识别织物缝纫平整度等级的过程即为训练过程,它主要通过前向传播来提取样本图片特征,再经过反向传播更新权重㊂输出值由激活函数计算得到,激活函数见式(1)㊂x l=f(W l x l+b l)(1)式中:x为特征图;f为激活函数;l为层数;W为权值;b为偏置值㊂前向传播中上一层的特征图通过一个可学习的卷积核进行卷积,再由激活函数来获取新的特征图㊂激活函数见式(2)㊂x l j=f(ðiɪM jX l-1i㊃k l ij+b l j)(2)式中:b l j为偏置值;l为当前层;l-1为当前层的前一层,X l j为当前层的第j个特征图;k l ij为当前层第i个特征图与前一层第j个特征图对应的卷积核㊂在下采样层中,样本图片的倾斜和旋转产生的位置变化可忽略不计,其优点是对算法的性能和鲁棒性有较大提高的同时,对特征图的维数也有一定的降低,还可以减少过度拟合出现的概率㊂下采样层计算方式见式(3)㊂x l j=f(βl j down(x l-1j)+b l j)(3)式中:down()为下采样函数;β和b为输出特征的偏置值㊂反向传播可不断更新权值达到降低分类误差的目的,通常采用交叉熵损失函数运算误差损失㊂2.2㊀残差卷积神经网络模型设计目前,在图像分类中最出色的卷积神经网络模型是ResNet模型[11]㊂ResNet模型成功地训练了152层超深卷积神经网络,分类效果显著,且适用性非常广泛㊂残差结构如图2所示,可以看出,残差卷积神经网络的基本残差结构特点是在高层和低层之间增加了一条短连接,输入x,通过F(x)进行一系列的乘和加操作之后输出F(x)+x㊂假设最优的拟合输出为H(x)=F(x)+x,则最优的F(x)就是H(x)和与x的残差,拟合残差可提高网络效果㊂由图2可以看出,残差结构的实现只是增加了1个短连接,并没有多出额外的权重,且高层和低层之间的特征融合也只是简单的加运算,所以具有残差结构的网络在提高分类精度的同时,并没有给网络带来过多的负担㊂不断地叠加残差结构就可获得1个较深的ResNet模型,最新的研究表明残差结构的卷积神经网络可以叠加至1001层[12]㊂故残差卷积神经网络有三大特征:一是既实现了训练极深网络的目的,又能避免由于神经网络加深而导致的梯度丢失和梯度爆炸等现象;二是通过短连接形成残差结构操作简单,且模型易于训练;三是ResNet模型适用性很强,易与其他网络相结合㊂因此在对织物缝纫平整度图像进行分类时,残差结构的卷积神经网络比其他结构更有优势㊂基于ResNet模型的三大特性,结合缝纫平整度等级评价的研究现状,本文设计了基于残差卷积神图2㊀残差结构经网络的织物缝纫平整度客观评价模型如图3所示,可以看出,该模型以残差结构为基本结构,输入为织物缝纫样本图像,经过5个残差模块的叠加,完成织物图像的特征提取,输出为织物缝纫平整度的5个等级㊂图3㊀基于残差卷积神经网络的织物缝纫平整度客观评价模型与图2不同的是,在本模型采用的残差结构中,短连接跨越了3层网络层,分别是由2层1ˑ1的卷积层和1层3ˑ3的卷积层组成㊂其中1ˑ1的卷积层主要用于特征图的降维和升维,目的是减少模型的计算量,增加模型的运行效率,而3ˑ3的卷积层主要用于提取平整度图像的特征㊂此外,虚线表示短连接,该连接将低层的特征直接和高层特征相融合,不仅能有效避免梯度弥散㊁爆炸,还能增加网络结构的复杂程度,提高模型的鲁棒性㊂全连接层的作用是将平整度特征映射为一个行向量,最终通过Softmax函数输出平整度的5个等级概率,Softmax函数的计算见式(4)㊂C i=e iðj e j(4)式中:i为类别;j为类别的个数;C i为每个等级类别的概率㊂通过交叉熵损失函数反向传播误差,更新权重,交叉熵损失函数如下:L=-ðj y i log(C i)(5)式中:y i为每个类别的标签㊂此外,激活函数为relu 函数[13]:f(x)=max(0,x)3㊀实验部分3.1㊀预处理将1200个实验样本按照5ʒ1分成1000个训练样本与200个测试样本㊂训练时,为进一步满足卷积神经网络模型训练时的大数据需求,通过对每张图像加入随机噪声㊁随机旋转,以及颜色抖动等方式对训练集进行扩充㊂本模型的训练环境为:GPU NVIDIA tesla k8024G,CPU E52680V4,Cuda9.0, Cudnn7.1,Tensorflow1.11㊂其中Tensorflow为谷歌出品的卷积神经网络框架,搭载GPU NVIDIA Tesla k80来进行加速训练,Cuda与Cudnn为调用GPU加速的工具㊂训练的图像批次(每次输入的训练样本个数)大小为16个,学习率为0.01%㊂3.2㊀实验结果将训练好的模型在包含200个样本的测试集上进行结果运行与验证,得到的Accr精度见图4,其中横坐标是Nepoch迭代次数,纵坐标是模型对测试集进行分类的准确率㊂可以看出,随着交叉熵损失函数不断进行误差的反向传播及网络权重更新,织物缝纫平整度等级分类的准确率也不断提高㊂图中的曲线有些微震荡,是由于网络在训练时不断地更新权重,会短时间陷入局部最优的情况,但随着训练次数的增加,训练精度整体呈增长趋势,最终稳定在96%左右㊂图4㊀Accr精度图3.3㊀与其他分类方法的结果比较将卷积神经网络与模糊识别模型[14]㊁BP神经网络以及粗糙集-BP神经网络[15]这3种分类方法进行比较,在样本数量是其他方法10倍的情况下,卷积神经网络的精度比其他方法至少高出了3.25%㊂因此本文设计的卷积神经网络模型可快速地对常用服装织物的缝纫平整度进行等级分类,且分类结果客观准确㊂此外,利用卷积神经网络客观评价织物缝纫平整度的方法还具有如下优势:样本种类没有限制且适用范围广㊁样本图像采集时对拍摄条件和实验环境等要求低㊂4㊀结㊀论本文选取10种常见服装织物,将其定量抽褶㊁制作成具有不同平整度外观的1200个缝纫样本,将其中1000个作为训练样本,200个作为测试样本,对构建的残差卷积神经网络模型进行训练和测试,经过研究得到以下结论:①该卷积神经网络模型可以有效地对缝纫平整度等级进行分类,分类精度比其他方法高出约3%㊂②卷积神经网络模型的适用范围广,其缝纫平整度等级分类结果不易受织物种类㊁组织结构㊁花色等影响㊂③设计的卷积神经网络模型样本图像采集流程简单,对拍摄条件㊁实验环境等要求低㊂本文只采集了10种织物作为研究对象,市场上织物种类繁多,要提高卷积神经网络模型对织物缝纫样本分类的普适性,还需要进一步完善和优化该模型㊂因此,如何优化网络结构㊁提高织物样本的分类精度等都是值得进一步研究的问题㊂参考文献:[1]㊀蒋真真,李艳梅.服装缝纫平整度等级评定的研究现状及趋势[J].轻工科技,2011(9):153-154. [2]㊀YOUNG Joo N.Assessing wrinkling using image analysisreplicate standards[J].Textile Research Journal,1995,65(3):149-157.[3]㊀KANG T.Objective evaluation of fabric wrinkles andseam pucker using fractal geometry[J].Textile ResearchJournal,2000,70(6):469-475.[4]㊀李艳梅,张渭源.小波分析在织物缝纫平整度客观评价中的应用[J].纺织学报,2009,30(10):115-119.[5]㊀蒋真真,李艳梅.基于BP网络的缝纫平整度等级客观评价[J].上海工程技术大学学报,2014,28(1):87-91.[6]㊀TASAKI K.Seam pucker prediction form fabricproperties and its preventive method[J].Journal of theTextile Machinery Society of Japan,1998,51(1):46-53.[7]㊀刘侃.基于面料力学性能的服装缝纫平整度等级客观评价系统的建立[D].上海:东华大学,2005. [8]㊀范蕤.基于模糊神经网络的面料缝纫平整度客观评价研究[D].苏州:苏州大学,2008.[9]㊀ZHOU H,SONG K,ZHANG X,et al.WAILS:Watershed algorithm with image-level supervision forweakly supervised semantic segmentation[J].IEEEAccess,2019(7):42745-42756.[10]㊀倪红.基于基本规格参数的织物缝纫平整度的研究[J].毛纺科技,2008,36(12):45-48. [11]㊀HE K,ZHANG X,REN S,et al.Deep residuallearning for image recognition[C]//IEEE Conferenceon Computer Vision&Pattern Recognition.WashingtonDC:IEEE Computer Society,2016.[12]㊀HE K,ZHANG X,REN S,et al.Identity mappings indeep residual networks[C]//European Conference onComputer Vision.Amsterdam,The Netherlands:SpringerInternational Publishing,2016.[13]㊀KRIZHEVSKY A,SUTSKEVER I,HINTON G.ImageNet classification with deep convolutional neuralnetworks[J].Advances in Neural InformationProcessing Systems,2012,25(2):1097-1105. [14]㊀李艳梅,张渭源.基于模糊识别模型的缝纫外观质量评价[J].丝绸,2008,45(7):50-52. [15]㊀陈慧敏.基于点模型的服装面料平整度等级客观评级研究[D].上海:东华大学,2007.。
基于图像处理的缝纫平整度等级评定的研究现状及趋势
基于图像处理的缝纫平整度等级评定的研究现状及趋势周详胡守忠蒋真真（上海工程技术大学，上海201620）摘要：本文对国内外缝纫平整度等级评定较为集中的研究方法：图像处理法、标样对照法、激光扫描法、建立预测系统做了详细的描述，并结合这些研究方法的优缺点，探讨了新的方法，为服装企业和相关检验部门提供更快捷更准确的服装缝纫平整度等级客观评价方法。
关键字：缝纫；平整度等级；标样对照法；图像处理法；激光扫描法；预测系统中图分类号：TS941 文献标识码：AResearch Status and Tendency of Garment SewingFlatness RatingJIANG Zhen-zhen, LI Yan-mei(Shanghai University of Engineering Science, Shanghai 201620, China)Abstract:In this paper, current relatively concentrated study methods on the evaluation of sewing flatness rating are described in detail, including prototype contrast method, image processing method, laser scanning method and establishing prediction system. Combining the advantages and disadvantages of these research methods,the new method is discussed finally,providing with more quickly and more accurate objectively evaluation method for apparel enterprises and related inspection department in evaluating sewing flatness rating.Key words:sewing; flatness rating; prototype contrast; image processing; laser scanning; prediction system随着世界范围内的质量标准体系和规范测试方法的逐步推广和应用，服装洗后的外观平整度也作为商品出口的一个重要检验指标，而服装缝纫平整度是影响服装外观质量的重要因素。
基于基本规格参数的织物缝纫平整度的研究
表 １ 织 物 试 样 基 本 参 数
的不 断涌现 ， 场对 服 装 生 产 企 业 快 速反 应 能 力 的 市 要 求越 来越 高 ， 使 人 们 重 新 考 虑这 ～ 课 题 的研 究 迫 方 法和 效率 。为 了应对 这 一 问题 ， 文 研 究 尝 试 以 本 服装 面料 的基 本 规 格 参 数 及 织 物 丝 绺 角度 作 为 变 量 ， 讨这些 变 量对 服装缝 纫平 整 度 的影 响 ， 以此 探 并 建立 Ｂ Ｐ神 经 网络 模 型 ， 测 织 物 的各 向 缝 纫 平 整 预 度 ， 而为 服 装 生 产 工 艺 参 数 的制 定 提 供 科 学 、 从 合 理、 高效 的参 考 。
４ ・ ６ － — —
・—— —
石 访甜 技
表 ２ 缝 纫 平 整 度测 试 结 果
丝 绺 角 度，。 （）
试 样 编 号
Ｏ １ Ｏ ２ Ｏ ３ ０ ４ ０ ５ ０ ６ ０ ７ ０ ８ ０
级
分 的表 达式 ：
主成 分 １＝ １０００ １＋００００ ２＋ ００ ００ ３＋ ．０ ０＝ ．０ ０ ．０ ０
本 文主要 考察 毛精 纺织 物 的基 本参 数及 织物 丝 绺角 度对 缝纫 性能 的影 响 。样 品的缝 制 由服装 厂 的
２ 影 响 缝 纫 平 整 度 的主 要 因素
２ １ 主 成 分 分 析 ．
主 成分 分析 法是 把多 个指标 问题转 化为 少数几
收 稿 日期 ：０ ８— ７—１ ２０ ０ ８
２０ 年 第 １ ０８ ２期
石 访 甜技
・－－—
—
４ ５ －— － － —
基于图像处理的织物缝纫平整度客观评价
基于图像处理的织物缝纫平整度客观评价王佳宁;刘成霞;方苏【摘要】织物的缝纫平整度是决定服装外观的重要因素,但肉眼评价存在一定的主观性,且常用的AATCC Test Method 88B-2006标准样照仅分5个等级,限制了评价的精度.利用图像处理技术探讨了客观评价织物缝纫平整度的方法.试验对5种常见织物采用不同的抽褶量进行车缝,以产生不同的平整度外观,进行平整度主观评价后,再借助MATLAB图像处理技术,提取缝纫图像的多个统计参数与小波特征,对客观参数与主观评价结果进行相关分析,得到与主观评价结果相关性较好的客观参数.研究结果表明:小波分解5层时的水平细节系数标准差,即SH5与主观评价具有良好的一致性,可以作为取代主观评价的客观指标.%Fabric sewing smoothness is an important factor deciding the appearance of clothing.But there are subjective factors in the eye evaluation and there are only five evaluating grades in the most commonly used AATCC Test Method 88B-2006 standard sample, which limits the evaluating precision greatly.The method of objectively evaluating the flatness of fabric sewing is discussed by using image processing technology.Five kinds of common fabrics were weighed with different pleats to produce different flatness appearance.After the subjective evaluation of flatness, the statistical parameters and wavelet characteristics of the sewing images were extracted by MATLAB image processing technique.The objective parameters are compared with the subjective evaluation results, and the objective parameters that are good correlation with the subjective evaluation results are obtained.The results showed that there was a good agreement between subjective evaluationand horizontal detailed coefficient standard deviations of wavelet analysis decomposed at 5 level, SH5 called in short.SH5 can be used as objective indicator to replace subjective evaluation.【期刊名称】《国际纺织导报》【年(卷),期】2017(045)004【总页数】5页(P48-52)【关键词】缝纫平整度;图像处理;小波分析;客观评价;相关系数【作者】王佳宁;刘成霞;方苏【作者单位】浙江理工大学服装学院(中国);浙江理工大学服装学院(中国);浙江理工大学服装学院(中国)【正文语种】中文“衣食住行”衣为首，服装是人类生活的必需品。
基于BP网络的缝纫平整度等级客观评价
Ｊ Ｉ ＡＮＧ Ｚｈ ｅ ｎ ｚ ｈ ｅ ｎ，ＬＩ Ｙａ ｎ ｍｅ ｉ
（ Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｆａ ｓ ｈ ｉ ｏ ｎ，Ｓ ｈ ａ ｎ ｇ ｈａ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ，Ｓ ｈ ａ ｎ ｇ ｈ ａ ｉ ２ ０ １ ６ ２ ０，Ｃｈ ｉ ｎ ａ ）
ｂ ａ ｓ ｅ ｄ ｏ ｎ ＢＰ ｎ ｅ ｔ ｗｏ ｒ ｋ ｗａ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ． Ｔｈｒ ｏｕ ｇ ｈ ｔ ｈｅ ａ ｃ ｔ ｕ ａ ｌ ｓ ｅ ｗｉ ｎｇ ｓ ａ ｍｐｌ ｅ ｔ ｅ ｓ ｔ ， ｔ ｈｅ ｃ ｏｒ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｔ ｏ ｆ ｔ ｈｅ ａ ｃ ｔ ｕ ａ ｌ ｏ ｕ ｔ ｐｕ ｔ ａ ｎ ｄ ｔ ｈｅ ｅ ｘ ｐｅ ｃ ｔ ｅ ｄ ｏ ｕｔ ｐ ｕｔ ｏ ｆ ｔ ｈｅ ｍｏｄ ｅ ｌ ｗａ ｓ ０ ． ９ ３． Ｉ ｔ ｓ ｈ ｏｗｓ ｔ ｈａ ｔ ｔ ｈ ｅ ｍｏｄ ｅ ｌ ｈａ ｓ ａ ｇ ｏ ｏｄ ｐｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏｎ ａ ｂｉ ｌ ｉ ｔ ｙ ａ ｎｄ ｃ ａ ｎ ｂｅ ｕ ｓ ｅ ｄ ｆ ｏ ｒ ｆ ｏｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ｓ ｅ ａ ｍ ｐｕ ｃ ｋｅ ｒ ｇ ｒ ａ ｄｅ ｏ ｆ ｔ ｈｅ ａ ｃ ｔ ｕ ａ ｌ ｓ ｅ ｗｉ ｎ ｇ ｓ ａ ｍｐ ｌ ｅ ｓ ．
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｅ ｑ ｕ ａ ｌ ｉ ｔ ｙ ａ ｎｄ ｐｒ ｉ ｃ ｅ ｓ ｏ ｆ ｔ ｈｅ ｃ ｌ ｏ ｔ ｈ ｉ ｎｇ ａ ｒ ｅ ｄｉ ｒ ｅ ｃ ｔ ｌ ｙ ａ ｆ ｆ ｅ ｃ ｔ ｅ ｄ ｂｙ ｓ ｅ ｗｉ ｎ ｇ ｑｕ ａ ｌ ｉ ｔ ｙ ．Ｔｈｅ ｉ ｍａ ｇｅ ｇｒ ａ ｙ ｄ ｉ ｓ ｔ ｒ ｉ ｂｕ ｔ ｉ ｏ ｎ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｏ ｆ ｓ ｅ ａ ｍ ｐｕ ｃ ｋｅ ｒ ｓ ｔ ａ ｎｄａ ｒ ｄ ｓ ａ ｍｐｌ ｅ ｗａ ｓ ａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ａ ｎ ｄ ｔ ｈ ｅ Ｆｏｕ ｒ ｉ ｅ ｒ ｔ ｒ ａ ｎｓ ｆ ｏｒ ｍ ｗａ ｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要：借助于图像处理技术，提取缝纫平整度照片的图像灰度标准差、图像熵、小波变换系数标准差、小波信息熵等特征参数，建立了缝纫平整度的客观评判的概率神经网络模型。
经过训练和检验，得出该模型的预测值与期望值之间的相关系数在0.99以上，说明网络模型有效，且精度高，可以用于预测未知缝纫样本的缝纫平整度等级。
关键词：缝纫平整度；客观评判；图像处理；小波分析；概率神经网络中图分类号：TS941.634；TP391 文献标志码：A 文章编号：1001-7003(2011)04-0028-04缝纫平整度客观评判模型的研究李艳梅1，仇晓坤2，蒋真真1(1.上海工程技术大学 服装学院，上海 201620；2.复旦大学 上海视觉艺术学院，上海 201620)Research on objective evaluating model of seam puckerLI Yan-mei 1, QIU Xiao-kun 2, JIANG Zhen-zhen 1(1. Fashion College, Shanghai University of Engineering Science, Shanghai 201620, China; 2. Shanghai Institute of Vision Art, Fudan University,Shanghai 201620, China)Abstract: In this paper, the standard deviation of image grey, Image entropy, standard deviation of wavelet coefficient and wavelet entropy about the photograph of seam pucker are extracted based on the image process technology. Then probabilistic neural network (PNN) model of evaluation of seam pucker is established. After training and testing, the correlation coefficient between prediction value and the expected value is above 0.99, which indicates that the network model has high precision and can be used to predict seam pucker of unknown samples.Key Words: Seam pucker; Objective evaluation; Image process; Wavelet analysis; Probabilistic neural network收稿日期：2010-11-22；修回日期：2010-12-07基金项目：上海市教委科技创新基金项目(10YZ170)作者简介：李艳梅(1974－ )，副教授，主要从事纺织品性能分析与设计，数字化服装技术的教学研究。
缝纫平整度直接影响到服装的外观、档次和价格，目前商业上普遍采用的缝纫平整度的评价方法是按照AATCC 88B标准进行主观评价。
该方法的特点是直接、简单，投入少、易掌握，但评价过程中需要多名专业人员的参与，易受评委个人因素的影响，结果稳定性差，导致其准确性和权威性受到质疑。
此外，主观评定的环境要求十分苛刻，实际生产中难于普及。
因此，近年来在缝纫质量的综合评价和客观评价方面的研究逐渐增多。
早在1989年，日本的乾滋涉谷等就通过超声波计测装置来测量织物的缝纫皱缩，这种装置能准确测出轻微的缝纫皱缩，但这种方法容易受到织物密度大小及毛羽等织物表面性能的影响[1]；90年代末期，Park.C.K [2]提出了应用三维影像分析技术和人工智能技术，采用5个形状参数来评估线缝起皱的定量方法；2000年，Kang.T.J等[3]用分形几何法对面料折皱和线缝起皱进行了客观评定；香港理工大学的Fan.J等[4]从1990年起就采用图像处理方法对服装表面接缝处折裥图像展开研究；2002年，东华大学的刘侃[5]提出用模糊聚类方法评价服装加工性能，探索了服装缝纫加工质量的客观综合评价方法；2004年，东华大学的张静[6]继续研究了缝迹外观质量的模糊综合评判方法。
因此，从目前的研究趋势来看，随着计算机技术的发展，借助于图像处理和数学分析方法对缝纫质量作客观评价和综合评价的研究不断增多，但是由于织物与服装柔软多变，各种研究成果均存在一定的局限性。
本研究将图像处理和小波分析方法引入缝纫平整度的客观评价中，利用小波变换在时频分析中具有的放大局部突变信号的特性，提取缝纫不平整褶皱的中高频信号，增加缝纫平整度特征提取的准确度，在此基础上建立概率神经网络模型，为缝纫平整度的客观评判提供一种新的方法。
研究与技术1 缝纫平整度客观评判系统的组成缝纫平整度客观评判是基于图像表面的灰度分布特征和对图像作小波分析的基础上完成的，主要由4个部分组成，分别为图像录入与预处理、小波分析、特征参数提取、建立客观评判模型。
其中合理地提取特征参数是制约客观评判模型精度和效率的关键因素。
2 缝纫平整度客观评判指标的提取以AATCC 88B标准样照为研究对象，AATCC 88B分别针对单线缝缝纫和双线缝缝纫提供了缝纫平整度等级的标准样照，将线缝平整度分为5个等级，其中等级“ss-1”为最差，等级“ss-5”为无皱缩线缝。
本研究中，在标准光照条件下，针对AATCC 88B的单线缝和双线缝标准样照，对各个缝纫平整度等级照片中随机选择的32个位置拍摄照片录入计算机，经过预处理后，分别得到单线缝和双线缝2个系列的标样照片的160幅图像，作为后续分析的样本。
2.1 基于图像灰度变化的特征参数2.1.1 图像的灰度标准差假设x ij为图像F中(i，j)位置处的像素的灰度值，为图像中所有像素的灰度平均值，图像的大小为M×Nimstd得到双、单线缝与缝纫平整度等级间的最大相关系数分别为0.971和0.930。
2.1.2 图像信息熵图像的熵是一种特征的统计形式，它从图像所包含信息变化的角度描述图像的性质，反映了图像中平均信息量的多少，其值越大，说明细节信息越丰富。
灰度图像熵的计算如下：令p i表示图像中灰度值为i的像素所占的比例，即图像一维直方图的灰度级分布信息，则定义灰度图像的一维灰度熵为：H＝－p i ln p i (2)分别计算双、单线缝缝纫标样图像的图像熵，分析其与缝纫平整度等级的相关关系，最大相关系数分别为0.976和0.935。
2.2 基于图像小波分析的特征参数缝纫图像可以被看作是一个由低频信号(图像的主体)、高频信号(噪声和边缘)及中高频信号(缝纫不平整造成的褶皱)迭加的复杂信号，小波分析的时频局域化特性特别适合提取这类信号的特征信息。
小波变换后的细节系数使得二维图像的主要信息以一组一维特征量来表征，从而可以更加直观、有效、方便地对图像进行信号提取和检测[7]。
2.2.1 小波标准差分别对双、单线缝的缝纫平整度标样图像作5尺度haar小波分解，分别提取第5分析尺度和第4分析尺度的水平细节系数标准差S5h、S4h，垂直细节系数标准差S5v、S4v和对角细节系数标准差S5d、S4d，并分析其与缝纫平整度之间的相关关系。
由此得到的小波标准差与缝纫平整度等级间的相关系数见表1。
选取相关系数在0.9以上的特征参数作为建模参数，即S5h、S5d、S4h。
表1 小波标准差与缝纫平整度等级的相关系数Tab.1Correlation coeffi cient between wavelet standarddeviation and seam pucker grades2.2.2 小波能量小波标准差对信号特性的清晰描述程度依赖于小波分析的尺度，而小波能量可以从能量分布的角度综合各尺度的信号特征。
定义单一尺度下的小波能量为该尺度下小波系数的平方和[8]，由此推论，总能量可以定义为：E tot＝‖s‖2＝∑∑|C j(k)|2＝∑E j (3)j k j对于二维的图像信号，若其大小为M×N，经过小波分解后，设其第j分析尺度的水平、垂直和对角方向上的小波系数分别为H j，V j，D j，则其小波能量可以定义为：将3个方向的细节系数的小波能量相加，即获得小波分解后的细节系数的总能量。
分析双、单线缝图像的小波能量与缝纫平整度等级的相关关系，得到相关系数分别为0.977和0.959。
3 缝纫平整度评价的概率神经网络模型概率神经网络是非线性的模式分类技术，既有统计分类的功能，又不受多元正态分布等条件的限制，需调节的参数很少，特别适用于模式分类问题。
与BP算法网络性能相比，具有结构简单，训练时间短，且不易收敛到局部最优的优点，并且在学习样本有限的场合具有很高的稳定性。
PNN网络通常由4层组成[9]，如图1所示。
其中第一层、最后一层分别为输入层和输出层，中间两层为隐层。
第二层为模式单元层，它与输入层之间通过连接权值相连接。
第三层为累加层，它具有线性求和的功能，接受各隐层节点的计算结果，并对属于同一类别的输出求和，这一层的神经元数目与欲分的模式数目相同。
图1 PNN神经网络组成Fig.1Composition of probabilistic neural network3.2 特征参数的归一化处理由于所选特征参数数据的量纲和量级不一致，需要进行归一化处理，将它们刻度在统一的数值量纲和量级范围内。
如前所述，本研究所获得的特征参数与缝纫平整度等级之间均为具有线性或者近似线性关系，所以采用线性归一化公式进行处理。
式(5)中：h i为经过归一化计算后的特征参；x i为原始特征参数值；x max为特征参数的最大值；x min为特征参数的最小值。
3.3 缝纫平整度等级评判的PNN网络算法的实现3.3.1 构建PNN网络模型将缝纫平整度图像的优选特征参数作为神经网络的输入，以缝纫等级作为输出层信息的参数，建立相应的概率神经网络拓扑结构，并在Matlab软件中编程实现。
3.3.2 训练网络分别随机抽取单、双线缝缝纫平整度图像中的110组样本数据作为训练样本数据，其余的50组数据作为网络的检验数据。
以缝纫等级作为期望输出矢量，训练缝纫平整度评判的PNN网络模型。
网络训练完成后，将各层神经元间的连接权值代回网络中，对训练样本进行回归模拟，训练样本的期望输出与PNN网络的仿真输出均完全重合。