تم تطوير إطار عمل تعلم عميق شامل يدمج CNNs وGANs وإزالة الضوضاء القائمة على UNet للتعرف الآلي على أنماط الأقمشة المنسوجة. حسن التعزيز وتوليد الصور الصناعية المتانة. حققت الطريقة دقة بلغت 99.1٪، مما وفر حلا قابلا للتوسع لفحص الأقمشة الصناعية.
مقالة بحثية
تم تطوير إطار عمل تعلم عميق شامل يدمج CNNs وGANs وإزالة الضوضاء القائمة على UNet للتعرف الآلي على أنماط الأقمشة المنسوجة. حسن التعزيز وتوليد الصور الصناعية المتانة. حققت الطريقة دقة بلغت 99.1٪، مما وفر حلا قابلا للتوسع لفحص الأقمشة الصناعية.
تعتمد جودة وإنتاج الأقمشة عالية الجودة إلى حد كبير على التعرف الدقيق على أنماط النسيج، والتي يتم تحديدها تقليديا من خلال الفحص البصري اليدوي. ومع ذلك، فإن هذا النهج ذاتي، ويستغرق وقتا طويلا، وعرضة للأخطاء. بينما توفر طرق التعلم الآلي أتمتة، غالبا ما تعتمد على ميزات يدوية حساسة لتغيرات الإضاءة والتصوير، مما يحد من متانتها وقابليتها للتوسع. حتى نماذج التعلم العميق تواجه مشاكل تعميم بسبب تحولات المجالات في ظروف الاكتساب الواقعية، ولمعالجة هذه التحديات، يقترح إطار عمل جديد للتعلم العميق يجمع بين شبكة عصبية الالتفافية (CNN) وشبكات الخصم التوليدية (GANs) لتصنيف النسيج من الطرف إلى النهاية. يدمج هذا النهج تعزيز البيانات الهندسية والفوتومترية مع إزالة إزالة الصور المعتمدة على UNet، بينما ينتج مكون GAN صورا اصطناعية عالية الجودة لتعزيز تنوع التدريب وتعلم الميزات. تظهر التجارب على مجموعة بيانات القماش المنسوج أن هذه الطريقة تحقق أداء متطورا، بدقة متوازنة تبلغ 99.1٪، متفوقا على النماذج الأساسية في الدقة والتعميم والمتانة أمام التشوهات البصرية. يقدم هذا الإطار حلا قابلا للتوسع وموثوقا لفحص النسيج الآلي، مع تداعيات كبيرة لتحسين الكفاءة وتقليل العمالة اليدوية في تصنيع الأقمشة الصناعية. يدمج هذا العمل وحدات CNN وGAN ووحدات الشبكة العصبية الالفافية على شكل U (UNet) في خط أنابيب تعلم قائم على التحسين بدلا من التعامل مع إزالة المعلومات، وإنشاء البيانات، والتصنيف كعمليات منفصلة. تخلق آلية التدريب المشترك حلقة تغذية راجعة بين الشبكتين التوليدية والتمييزية، مما يتجاوز ممارسات الضبط الدقيق القياسية من الناحية المنهجية.
التصميم، وإعادة التصميم، وتحليل النسيج، والمظهر الجمالي للمواد كلها تتأثر بشكل كبير بالنمط، وهو العامل الأهم في إنتاج الأقمشة. القماش هو اختراع بشري تاريخي تطور من الأقمشة اليدوية إلى الأقمشة الرقمية الحديثة المنتجة آليا1. قبل أن تتم معالجة المزيد من الآلات النسيجية، يجب تحديد أنماط الأقمشة المنسوجة. في الوقت الحاضر، تظل الطرق التقليدية التي تعتمد على الإدراك البصري، والمعززة بأدوات مثل المجاهر أو العدسات المكبرة، الركيزة الأساسية لاكتشاف أنماط الأقمشة. عادة ما يقوم أخصائي ذو التدريب والخبرة اللازمة بهذا التقييم اليدوي. ومع ذلك، يرتبط ذلك بعدد من السلبيات، مثل الإفراط في العمل، وعدم الكفاءة، واستهلاك الوقت، بالإضافة إلى المشاكل النفسية مثل الضغط الجسدي والنفسي، والكسل، والإرهاق التي تؤثر في النهاية على نتائج التعريف. لذلك، من أجل تحديد أنماط الأقمشة وإنتاج منتجات عالية الجودة تلبي احتياجات العملاء، من الضروري اتباع نهج فحص محوسب2.
التعرف على أنماط الأقمشة حظي مؤخرا باهتمام وحقق نجاحا كبيرا3. بشكل عام، هناك نوعان من الطرق للتعرف على أنماط النسج: الطرق الإحصائية القائمة على النسيج والطرق القائمة على النماذج. تستخدم الطريقة الإحصائية المعتمدة على الخامات صورا معالجة مسبقا. تم إجراء طريقة تعتمد على التحليل التفاضلي الضوئي باستخدام مرشح وينر التكيفي ومعادلة المدرج لجمع معلومات عن بنية النسيج من اتجاهات مختلفة4. بعد ذلك، قسموا الصور إلى صور فرعية باستخدام نموذج شبك تكيفي لاستخراج ميزات التدرج الرمادي. على الرغم من أن العمل اقتصر على مواد منسوجة بسيطة، إلا أن النموذج كان موثوقا في استرجاع مواقع التشابك في هيكل النسج. تستخدم تقنية معرفية قائمة على قاعدة البيانات أو النماذج خوارزمية التعرف أو التصنيف على أنماط النسيج للمواد ومطابقتها.
تم تصنيف خامات النسيج باستخدام آلات متجه الدعم (SVM) بعد استخراج الميزات من خلال أنماط ثنائية محلية (LBP) ومصفوفات التواجد المشترك على المستوى الرمادي (GLCM)5. حسن الاستخدام المشترك ل LBP وGLCM أداء التعرف مقارنة بأي من الواصف بشكل فردي؛ ومع ذلك، اعتمد النهج بالكامل على الميزات اليدوية ولم يتم تقييمه على الأقمشة المحبوكة أو غير المنسوجة. تم تحديد أنماط النسيج المنسوج أيضا باستخدام نسيج منخفض الترتيب الثابت للتحويل (TILT) ومخطط التدرجات الموجهة (HOG)، بينما تم اكتشاف تقاطعات السدى واللحمة باستخدام تجميع ضبابي c-means (FCM)6. أظهرت هذه الطريقة قيودا تحت تغيرات دورانية كبيرة وأظهرت فعالية أقل في اكتشاف هياكل النسج المزدوج. بالإضافة إلى ذلك، تم اقتراح شبكة عصبية الالتفافية محسنة (CNN) مع استراتيجية تصور لتحليل القوام المعقد؛ ومع ذلك، تم إجراء التحقق من صحة البيانات على مجموعة بيانات محدودة تحت ظروف تجريبية مقيدة7.
تم استخراج بيانات النسيج باستخدام نموذج الألوان CIE-Lab ومصفوفة التواجد المتزامن، وبعدها تم استخدام شبكة خرائط ذاتية التنظيم (SOM) لتصنيف أنماط نسيج القماش8. ومع ذلك، تأثرت جودة ودقة هذه الخوارزميات بحجم قاعدة البيانات. النسيج هو مادة مستوية تتكون من ألياف النسيج. تم تطوير FabricNet باستخدام بنية CNN الجماعية المعتمدة على فئة، وكانت من أوائل التقنيات لتحديد ألياف النسيج من الصور9. باستخدام مجموعات بيانات الأقمشة، تم تنفيذ أساليب التعلم العميق للتعرف الدقيق على الألياف باستخدام خوارزميات FASTER R-CNN وSSD وشبكة الباقين (ResNet50) وResNet101، مع تحديد R-CNN الأسرع كالأكثر فعالية.
تم الإبلاغ عن أن طريقة الشبكة العصبية المرتبطة بالنبضات (PCNN) تتفوق على الأساليب الأخرى وأبرزت الحاجة إلى مزيد من البحث في قواعد بيانات الأقمشة المحاككةبالالتواء 10. لا يزال التعرف على النسيج تحديا بسبب الطبيعة المستهلكة للوقت للفحص البصري اليدوي، وقد نفذت الدراسات تعزيز البيانات وتعلم النقل للتصنيف واستخراج الميزات باستخدام الشبكات المتبقية (ResNet)، مع تركيز معظم العمل على التمييز بين أقمشة النول اليدوي وأقمشة النول الكهربائي. كما تم اقتراح طرق لتحديد وتحديد أنواع الغرز المختلفة، رغم أن التجارب اقتصرت على غرز الحياكة والبيرل11. اعتمدت العديد من التقنيات السابقة على صورة واحدة في النمذجة الأولية للأقمشة من خلال الهندسة العكسية. بالإضافة إلى ذلك، تم تقديم نهج تقليل الأبعاد القائم على تحليل المكونات الرئيسية لاستخراج وتصنيف الميزات في أقمشة الصوف المعيبة، مما يثبت أن مصنف الجار الأقرب K حقق دقة أعلى من مصنف بايز الناف.
كما تم تحقيق التعرف التلقائي على أقمشة النول اليدوي باستخدام خوارزمية تعلم متري عميق تم تطبيقها على مجموعة بيانات موسومة تضم 25,166 صورة من ستة أنواع من الأقمشة اليدوية جمعت من النساجين المحليين في آسام، شمال شرق الهند12. من خلال تعلم تمثيلات الميزات المتحيزة التي تمكن من فصل أنواع الألياف بكفاءة ضمن فضاء الميزات المتعلمة، حقق النهج دقة تصنيف بنسبة 97.8٪ بعد اختبارات ومقارنة مكثفة مع نماذج الأساس. كما تم اقتراح نماذج تعلم عميق تعتمد على تعزيز البيانات وتعلم النقل لتصنيف المنسوجات باستخدام شبكة متبقية (ResNet) لاستخراج وتصنيف ميزات النسيج تلقائيا، مع تقييم الأداء باستخدام الدقة والدقة المتوازنة ودرجة F1؛ تشير النتائج التجريبية إلى أن النموذج يبقى مستقرا ويحقق دقة متقدمة حتى عندما تختلف الخصائص الفيزيائية للنسيج13.
تم تطبيق التعلم العميق بشكل أكبر لمحاكاة هندسة النسيج ثلاثية الأبعاد باستخدام هياكل تجمع بين الخصائص المتكررة والالفافية14. من خلال تدريب الشبكات العصبية العميقة (DNNs) باستخدام مكتبة من حالات النسيج المحسوبة مسبقا التي تولد عبر محاكاة تعتمد على العناصر الرقمية، قدرت الطريقة بنى نسيج ثلاثية الأبعاد وتنبؤ بخصائص الصلابة مع هامش خطأ أقل من 10٪، مما أظهر كفاءة حسابية محسنة مقارنة بأساليب النمذجة التقليدية. بالإضافة إلى ذلك، تم تحليل نسيج النسيج من خلال تقنيات التعرف على الأنماط ومعالجة الصور التي تقيس معلمات مثل الكتل المعزولة، وتتابع المقاطع الرأسية والأفقية، واستمرارية الخطالقطري 15. تمكن هذه المعايير من تصنيف أنماط النسج الأساسية إلى فئات الساتان، والتويل، والبسيط باستخدام عملية التسلسل الهرمي التحليلي (AHP)، مع التقييم الإحصائي الذي يظهر توافقا قويا بين نتائج التصنيف المتوقعة والتجريبية.
تم اقتراح طريقة تحسين تعتمد على الحوسبة الضبابية لتحليل تصميم الأقمشة، وتتكون من أربع مراحل رئيسية: جمع صور القماش، المعالجة المسبقة، استخراج الميزات، والتصنيف16. باستخدام أجهزة حافة الضباب لالتقاط الصور، يطبق النظام تقنيات تصفية مختلفة أثناء المعالجة المسبقة، وبعد ذلك يتم استخراج الميزات باستخدام مصفوفة التزامن على المستوى الرمادي (GLCM) وتصنيفها عبر نموذج التعلم العميق الجماعي. تظهر النتائج التجريبية فعالية هذا النهج، حيث تظهر دقة متفوقة مقارنة بالخوارزميات القائمة. بالإضافة إلى ذلك، تم تطوير إطار عمل قائم على الشبكات العصبية لتوصيف الغطاء المظلي للأقمشة المنسوجة من خلال وضع معايير تصنيف موضوعية بناء على الخصائص الميكانيكية على المستوى الكلي.17. يدمج الإطار ResNet-18 مع شبكة عصبية الالتفافية للرسم البياني العميق (DGCNN) لاستخراج وتصنيف الميزات من صور الدريب والسحب النقطية على التوالي. من خلال التعلم المراقب، تم تقييم كلا الشبكتين لتحديد النموذج الأكثر فعالية لاستخراج أنماط الستائر من مجموعات بيانات غير معنونة. علاوة على ذلك، تم تقديم تقنية الرسم والتناقص (SDS) لتمثيل سحب النقاط للستائر على شكل مظلة، مما يتيح تقييما موضوعيا للستائر القماش ودعم التطبيقات التالية، مثل استرجاع الأقمشة القائم على التشابه.
على الرغم من التقدم في التعلم العميق، لا يزال التعرف على الأقمشة المنسوجة يعاني من الاعتماد على هندسة الميزات اليدوية ونقص قواعد البيانات الموحدة وواسعة النطاق. تعاني طرق الفحص التقليدية من أخطاء بشرية وعدم اتساق، بينما تفتقر العديد من النماذج الآلية إلى التكيف الذاتي المطلوب للتعامل مع التغيرات في الإضاءة والدوران وزوايا الكاميرا. بالإضافة إلى ذلك، فإن غياب الأطر الآلية الشاملة وتقنيات تعزيز البيانات المتقدمة يحد من تعميم وقابلية التوسع العملية لأنظمة التصنيف الحالية. على عكس الأساليب السابقة التي تستخدم UNet أو GAN أو CNN بشكل مستقل، تقترح هذه الدراسة استراتيجية تحسين مشترك حيث توجه المخرجات المزيفة من UNet التوليف القائم على GAN، وتحسن القوام المولدة تصنيف CNN من خلال عملية تغذية راجعة تكرارية، تتجاوز تكديس النماذج التقليدي أو الضبط الدقيق.
وبناء عليه، تم تقديم إطار عمل متكامل للتعلم العميق من البداية إلى النهاية يجمع بين إزالة التحليل القائم على UNet، وتوليف البيانات المعتمد على GAN، والتصنيف المعتمد على CNN للتعرف الآلي على أنماط النسيج المنسوج، وتعزيز البيانات الموحد، والتعزيز التوليدي، وتعلم الميزات ضمن نظام واحد قابل للتدريب. في هذا الإطار، تعمل الصور الخالية من الأصوات من UNet ليس فقط كمدخلات معالجة مسبقة بل أيضا كتغذية راجعة لتوليد GAN، مما يحسن الاتساق الفوتومتري وواقعية النسيج، بينما يعزز التحسين المشترك عبر إزالة التمثيل، والتعزيز الاصطناعي، والتصنيف تعلم التمثيل ومتانة المجال. من خلال استخدام بيانات إزالة الضوضاء والمولدة بواسطة GAN المعتمدة على UNet لزيادة تباين الميزات وتعميم النماذج، وتدريب مصنف CNN على هذه الميزات التمييزية، يهدف النظام إلى استبدال الفحص اليدوي والتعلم الآلي التقليدي، مما يحسن كفاءة الفحص الصناعي، ومراقبة الجودة، وتقليل الأخطاء التي تتطلب جهدا كبيرا.
تدمج البنية المقترحة من الطرف إلى الطرف التصنيف المعتمد على CNN، وتوليد البيانات الاصطناعية المدفوعة ب GAN، وإزالة الضوضاء من UNet لتعزيز متانة الإضاءة وتباين القوام، محققة دقة تصنيف تبلغ 99.1٪ مع تقليل الإفراط في التركيب وإلغاء هندسة الميزات اليدوية، مما يحسن من التكيف في مجال فحص النسيج الصناعي.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
لم تشمل هذه الدراسة مشاركين بشريين أو مواضيع حيوانية. لذلك، لم تكن الموافقة الأخلاقية والموافقة المستنيرة مطلوبة. يتكون إطار تصنيف الأقمشة المنسوجة المقترحة من طرف إلى طرف (الشكل 1) من أربع مراحل متسلسلة: اكتساب الصور، المعالجة المسبقة والتعزيز، تدريب النماذج، والتقييم. يعمل مخرج كل مرحلة كمدخل للمرحلة التالية.
المرحلة الأولى: الحصول على الصورة: تم الحصول على صور من قماش منسوج من مجموعة البيانات والتقطها باستخدام كاميرا رقمية تحت إعداد إضاءة محكم. تم التقاط الصور بدقة 300 dpi باستخدام بعد بؤري ثابت 50 مم.
المرحلة 2: المعالجة المسبقة والتعزيز: تم تغيير حجم الصور وتجهيزها للتدريب. لتعزيز التعميم، تم تطبيق تعزيزات هندسية وفوتومترية باستخدام إطار تعلم عميق شمل الانقلابات الأفقية والعمودية (p = 0.1)، الترجمة الأفينية (±0.1)، التحجيم (0.8–1.2)، والدوران (±45°). شملت التعديلات الضوئية تغيرات السطوع والتباين والتشبع (±40٪) وتغير اللون (±10٪).
تم تطبيق إزالة الضوضاء القائمة على UNet قبل بدء التدريب. تم تنفيذ نموذج UNet في مكتبة برامج التعلم العميق (إطار عمل التعلم العميق Keras) وتم تدريبه لمدة 30 حقبة باستخدام محسن آدم (معدل التعلم = 0.001، حجم الدفعة = 16).
المرحلة 3: تدريب النماذج: تم استخدام GAN لإنشاء صور صناعية للأقمشة المنسوجة لتعزيز الملامح. تكون المميز من خمس طبقات الالتفافية مع تفعيل LeakyReLU، بينما تضمن المولد أربع طبقات التفافية وأربع طبقات فك الالتفاف. تم تدريب GAN لمدة 100 عصر باستخدام فقدان الإنتروبيا المتقاطع الثنائي (معدل التعلم = 0.0002، β₁ = 0.5). تم تدريب مصنف CNN (العمود الفقري ResNet-50) بشكل مشترك على إطار عمل تكراري من نوع GAN–CNN بحجم دفعة 32، وانخفاض 0.2، ومعدل تعلم 0.001، ومحسن آدم.
المرحلة 4: تقييم النماذج: تم تقييم أداء النموذج باستخدام الدقة، والدقة، والاستدعاء، ودرجة F1، والدقة المتوازنة.
1. وصف مجموعة البيانات
تم الحصول على ما مجموعه 3,540 صورة من الأقمشة المنسوجة من 880 عينة من مجموعة بيانات متاحة للجمهور تحت ظروف إضاءة محكمة12. من بين هذه الصور، تم استخدام 2,832 صورة للاختبار، بينما تم تعزيز الصور ال 708 المتبقية لتوليد 11,328 عينة تدريبية. مجموعة البيانات مجهولة الهوية وبالتالي لا تتطلب موافقة أخلاقية. تظهر العينات الممثلة في الشكل 2.
تتكون مجموعة البيانات من ثلاث فئات نسيج: البسيط، والساتان، والتويل. تم إنتاج الأقمشة باستخدام خيوط بوليستر ذات ملمس (110 dtex؛ 1.14 و3.05 dtex filament الخطية) وخيوط البوليستر ذات الملمس الدقيق (110 dtex؛ 0.33، 0.57، و0.76 dtex) كلحمة، و83 خيوط بوليستر dtex (1.14 dtex) كخيوط سدية. تم بناء ثلاثة أنواع من النسج—1/1 العادي، 3/2 تويل، و4/1 ساتان.
تم الحصول على البيانات المستخدمة في هذه الدراسة من مجموعة بيانات متاحة للجمهور تشمل الصور الخام والمعالجة مسبقا، وبيانات وصفية التعزيز، وعينات مولدة بواسطةGAN 12. تم تطبيق تعزيز إضافي وتركيب قائم على GAN لتعزيز تنوع التدريب. من مجموعة البيانات. احتوت مجموعة البيانات النهائية على 11,328 صورة تدريبية و2832 صورة اختبار؛ تم استخدام 80٪ من بيانات التدريب لتدريب النماذج و20٪ للتحقق. تراوحت المعايير الهيكلية كما يلي: كثافة الخيوط الخطية (Ne: 6–40)، عدد الخيوط (25–58 طرف/سم)، وكثافة مساحة القماش (125–485 جم). تم إجراء التدريب والاختبار على وحدة معالجة رسومية باستخدام إطار عمل تعلم عميق وبرمجيات.
2. المعالجة المسبقة الفعالة المقترحة مع التعزيز
لمعالجة محدودية بيانات التدريب وتحسين التعميم، تم تطبيق تعزيز البيانات. التعزيز يوسع مجموعة البيانات دون تعديل بنية النموذج، ويقلل من الإفراط في التوافق، ويعزز المتانة. تم استخدام نوعين من التعزيزات:
التعزيز الهندسي:
شملت التحولات الانقلابات الأفقية والعمودية (p = 0.1)، والتحويل الأفيني (الترجمة = 0.1، المقياس = 0.8–1.2)، والدوران بزاوية ثابتة (45°). تحاكي هذه العمليات التغيرات في اتجاه السدى واللحمة وظروف التصوير (الشكل 3).
تعزيز فوتومتري:
لزيادة متانة الإضاءة وتغير المستشعرات، تم تعديل السطوع والتباين والتشبع بنسبة ±40٪، واللون بنسبة ±10٪. تحافظ هذه التعديلات على البنية الهندسية مع تغيير خصائص الإضاءة (الشكل 4).
3. إزالة الضوضاء باستخدام UNet
UNet هي بنية التفافية بين المشفر-مفكك تستخدم لإزالة الضوضاء من نسيج الأقمشة المنسوجة الهيكلية. نظرا لأن أنماط الأقمشة حساسة لضوضاء المستشعرات والإضاءة، يتم إزالة الضوضاء قبل التصنيف للحفاظ على التفاصيل الهيكلية؛ تستخدم الشبكة دالة تفعيل سيجمويد في طبقة الإخراج، وبنية إزالة الضوضاء المبنية على UNet (الشكل 5). كانت الصور الخالية من الأصوات بمثابة مدخلات محسنة لخط أنابيب GAN–CNN لتوليد وتصنيف التركيبات. تم توفير الصياغة الرياضية لعملية إزالة الضوضاء في UNet واستراتيجية تحسين GAN (المعادلات 1–10) في الملف التكميلي 1. يتم توضيح التفاعل بين وحدات UNet وGAN وCNN ضمن إطار العمل من الطرف إلى الطرف في الشكل 6.
4. النموذج المقترح لتوليد وتدريب النموذج من البداية إلى النهاية باستخدام GAN-CNN
تم استخدام إطار العمل الهجين بين GAN–CNN للتعرف على أنماط الأقمشة المنسوجة. كما هو موضح في الشكل 6، تم استخدام شبكة عدائية توليدية (GAN)، تتكون من مولد (G) ومميز (D)، لتخليق صور نسيج منسوجة واقعية تحت ظروف إضاءة وضوضاء وملمس متغيرة لزيادة تنوع مجموعات البيانات، بينما تعلمت CNN ميزات تمييزية من العينات الحقيقية والمولدة لتحسين دقة التصنيف.
5. التصنيف القائم على CNN
بعد توليف الصور المعتمد على GAN، تم استخدام صور القماش المنسوجة الحقيقية والمولدة لتدريب CNN على استخراج وتصنيف ميزات الخامة. تم اعتماد بنية ResNet-50 المدربة مسبقا لتصنيف ثلاثة أنواع من النسيج. تمت إزالة الطبقة الأصلية المتصلة بالكامل، بينما تم الاحتفاظ بالطبقات الالتفافية المبكرة كعمود فقري. فوق هذه العمود الفقري، تمت إضافة طبقة تجميع متوسطة عالمية، وطبقتان تطبيع دفعيتان، وطبقتان متصلتان بالكامل (512 و256 عصبية)، وتفعيلات ReLU، وقطع النشاط. قامت طبقة سوفتماكس بإجراء التصنيف النهائي المكون من ثلاث فئات. الهيكل المعدل موضح في الشكل 7.
تم تدريب النموذج باستخدام محسن آدم مع فقدان إنتروبيا متقاطع تصنيفي لمدة 50 حقبة (حجم الدفعة = 32، معدل التعلم = 0.001، الانقطاع = 0.2). يتم ضبط المعلمات الفائقة عبر البحث الشبكي (معدل التعلم: 0.001–0.0001؛ حجم الدفعة: 16–64؛ الانقطاع: 0.1–0.3). تم تطبيق التوقف المبكر بناء على فقدان التحقق لمنع الإفراط في التركيب، مع تحقيق التقارب في حوالي 2.3 ساعة لكل تدريب.
تم استخدام استراتيجية تدريب منسقة من البداية إلى النهاية لضمان الاتساق عبر مراحل إزالة المعلومات، وتوليف البيانات، والتصنيف. تم تدريب UNet مسبقا لأول مرة لمدة 30 حقبة باستخدام أزواج صور صاخبة ونظيفة (آدم، معدل التعلم = 0.001، حجم الدفعة = 16، فقدان MSE). تتكون وحدة GAN، التي تتكون من مولد بأربعة طبقات التفافية وأربع طبقات فك الالتفاف ومميز بخمس طبقات التفافية باستخدام تفعيل LeakyReLU، وقد تم تدريبها بشكل عدائي لمدة 100 حقبة (فقدان ثنائي في الإنتروبيا المتقاطعة، β₁ = 0.5، معدل التعلم = 0.0002). لاحقا، تم تدريب GAN وCNN بشكل مشترك في حلقة تكرارية لمدة 50 حقبة (حجم الدفعة = 32)، مع استخدام العينات المولدة لتحديث المصنف. استخدم تحسين CNN محسن آدم (معدل التعلم = 0.001، الانسحاب = 0.2)، مما عزز التقارب المستقر وتحسين التعميم عبر أنواع النسج.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
مقاييس التقييم
الدقة هي أكثر إحصائيات التقييم استخداما للتصنيف. يعرف هذا بأنه نسبة التنبؤات الدقيقة بين جميع التوقعات. تظهر المعادلة 11 أن الدقة المتوازنة هي المقياس المناسب لتقييم الأداء في هذه الظروف18. "N" ترمز إلى عدد الفئات. تشير TP، TN، FP، وFN إلى أعداد الإيجابيات الحقيقية، والسلبية الحقيقية، والإيجابيات الكاذبة، والسلبية الكاذبة على التوالي في هذه الدراسة مع N=3. كانت الدقة المتوازنة المحققة 99.1٪
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
بينما يظهر إطار GAN–CNN المقترح تعميما قويا، هناك طرق بديلة أخرى مثل بنى الرؤية القائمة على المحولات، أو شبكات CNN المعززة بالانتباه، أو التعلم التمثيلي الذاتي الإشراف التي يمكن أن تعالج فرضيات مماثلة. قد تقدم هذه مزايا في قابلية تفسير الميزات أو الكفاءة الحسابية ويجب تقييمها بالمقارنة في المستقبل17,19.
يمكن عزو تحسين دقة التعرف والتصنيف إلى ثلاثة عوامل رئيسية. أولا، يبقى النموذج مستقرا عند أخذ التغيرا...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
لا يوجد تضارب مصالح لدى المؤلفين.
يشكر المؤلفون بكل امتنان الدعم الذي قدمته كلية الفنون والتصميم بجامعة قوانغتشو، قوانغتشو، الصين، الذي سهل إتمام هذا البحث.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| كانون EOS 90D | شركة كانون، طوكيو، اليابان | مستشعر CMOS EOS 90D بدقة 32.5 ميجابكسل | كاميرا التصوير الرقمي لالتقاط صور القماش |
| معالج Intel i7 | شركة إنتل، سانتا كلارا، كاليفورنيا، الولايات المتحدة الأمريكية | https://www.intel.com | وحدة معالجة مركزية متعددة النوى (CPU) للمعالجة الحاسوبية |
| إطار عمل التعلم العميق من كيراس | شركة جوجل ذات المسؤولية المحدودة، ماونتن فيو، كاليفورنيا، الولايات المتحدة الأمريكية | https://keras.io | مكتبة برامج التعلم العميق لتطوير الشبكات العصبية |
| ضوء حلقة LED (5500 كيلوبايت) | نظام إضاءة مختبر متوفر تجاريا | غير قابل للتطبيق | مصدر إضاءة متحكم فيه لالتقاط صورة موحدة |
| وحدة معالجة الرسوميات GTX1060MQ NVIDIA GeForce | شركة NVIDIA، سانتا كلارا، كاليفورنيا، الولايات المتحدة الأمريكية | https://www.nvidia.com | وحدة معالجة الرسومات (GPU) للحوسبة المتسارعة في التعلم العميق |
| مكتبة OpenCV | مجتمع المصدر المفتوح | https://opencv.org | مكتبة برامج رؤية الحاسوب لمعالجة الصور |
| لغة البرمجة بايثون | مؤسسة بايثون للبرمجيات، ويلمنجتون، ديلاوير، الولايات المتحدة الأمريكية | https://www.python.org | لغة برمجة عالية المستوى لتنفيذ التعلم الآلي |
| نموذج ResNet50 المدرب مسبقا | مايكروسوفت للأبحاث / هي وآخرون (2016) | https://keras.io/api/applications/resnet/ | بنية الشبكة العصبية الالفافية المدربة مسبقا لاستخراج وتصنيف الميزات |
| مكتبة scikit-learn | مجتمع المصدر المفتوح | https://scikit-learn.org | مكتبة برمجيات التعلم الآلي لتحليل البيانات وتقييم النماذج |
| إطار عمل TensorFlow | شركة جوجل ذات المسؤولية المحدودة، ماونتن فيو، كاليفورنيا، الولايات المتحدة الأمريكية | https://www.tensorflow.org | إطار عمل التعلم العميق لتدريب ونشر الشبكات العصبية |
| خيط السدى (بوليستر، 83 dtex) | مختبر النسيج الداخلي | غير قابل للتطبيق | خيوط النسيج الصناعي المستخدمة كمادة للسدى في عينات الأقمشة المنسوجة |
| عينات الأقمشة المنسوجة (بسيط، ساتان، توايل) | مختبر النسيج الداخلي | خيوط البوليستر 110 dtex | عينات منسوجة تمثيلية بهياكل نسيج مختلفة |
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن