Article de recherche
Un cadre d’apprentissage profond de bout en bout intégrant CNN, GAN et débruitage basé sur UNet a été développé pour la reconnaissance automatisée des motifs tissés. L’augmentation et la génération d’images synthétiques ont amélioré la robustesse. La méthode a atteint une précision de 99,1 %, offrant une solution évolutive pour l’inspection textile industrielle.
La qualité et la production des textiles de haute qualité dépendent en grande partie de la reconnaissance précise des motifs de tissage, qui sont traditionnellement identifiés par une inspection visuelle manuelle. Cependant, cette approche est subjective, chronophage et sujette aux erreurs. Bien que les méthodes d’apprentissage automatique offrent une automatisation, elles reposent souvent sur des fonctionnalités faites main sensibles aux variations d’éclairage et d’imagerie, limitant leur robustesse et leur évolutivité. Même les modèles d’apprentissage profond rencontrent des problèmes de généralisation en raison des changements de domaine dans les conditions d’acquisition réelles, et pour relever ces défis, un nouveau cadre d’apprentissage profond combinant un réseau neuronal convolutionnel (CNN) avec des réseaux génératifs adversaires (GAN) pour une classification de tissu de bout en bout est proposé. Cette approche intègre l’augmentation géométrique et photométrique des données avec un débruit d’image basé sur l’UNet, tandis que la composante GAN génère des images synthétiques de haute qualité pour améliorer la diversité de l’entraînement et l’apprentissage des caractéristiques. Des expériences sur un ensemble de données tissés démontrent que cette méthode atteint des performances de pointe, avec une précision équilibrée de 99,1 %, surpassant les modèles de référence en termes de précision, généralisation et robustesse face aux distorsions visuelles. Ce cadre offre une solution évolutive et fiable pour l’inspection textile automatisée, avec des implications significatives pour améliorer l’efficacité et réduire le travail manuel dans la fabrication industrielle de tissus. Ce travail intègre CNN, GAN et des modules de réseau neuronal convolutionnel en U (UNet) en un pipeline d’apprentissage basé sur l’optimisation unique, plutôt que de gérer la réduction du bruit, la création de données et la classification comme des processus distincts. Le mécanisme d’entraînement conjoint crée une boucle de rétroaction entre les réseaux génératifs et discriminatifs, allant plus loin méthodologiquement que les pratiques d’ajustement fin standard.
Le design, la refonte, l’analyse texturale et l’apparence esthétique des matériaux sont tous fortement influencés par le motif, qui est le facteur le plus important dans la production du tissu. Le tissu est une invention humaine historique qui a évolué du tissu artisanal aux tissus numériques modernes produits parmachine 1. Avant d’être traités davantage par des machines de tissage, il faut identifier les motifs tissés en tissu. Aujourd’hui, les méthodes traditionnelles qui reposent sur la perception visuelle, améliorées par des outils tels que les microscopes ou les loupes, restent la base de la détection des motifs en tissu. Habituellement, un spécialiste ayant la formation et l’expérience nécessaires réalise cette évaluation manuelle. Cependant, elle est liée à plusieurs inconvénients, tels qu’un travail excessif, une inefficacité et une consommation de temps, en plus de problèmes psychologiques tels que le stress physique et mental, la léthargie et l’épuisement, qui affectent finalement les résultats d’identification. Par conséquent, pour identifier les motifs de tissu et produire des produits de haute qualité répondant aux besoins des clients, une approche d’examen informatisée estnécessaire 2.
La reconnaissance des motifs tissus a récemment attiré l’attention et a rencontré un grandsuccès 3. De manière générale, il existe deux types de méthodes pour reconnaître les motifs de tissage : les méthodes statistiques basées sur la texture et les méthodes basées sur des modèles. La méthode statistique basée sur la texture utilise des images prétraitées. Une méthode basée sur l’analyse différentielle photométrique a été réalisée en utilisant un filtre de Wiener adaptatif et une égalisation histogramme pour recueillir des informations sur la structure du tissu depuis différentesdirections 4. Par la suite, ils ont divisé les images en sous-images à l’aide d’un modèle de maillage adaptatif pour extraire les traits en niveaux de gris. Bien que le travail se soit limité à des matériaux tissés simples, le modèle était fiable pour récupérer les sites d’entrelacement dans la structure de tissage. Un algorithme de reconnaissance ou de classification est utilisé par la technique cognitive basée sur la base de données ou le modèle pour reconnaître et correspondre les motifs de tissage des matériaux.
Les textures de tissu ont été classées à l’aide de machines à vecteurs de support (SVM) après extraction de caractéristiques via des motifs binaires locaux (LBP) et des matrices de co-occurrence de niveau de gris (GLCM)5. L’utilisation combinée de LBP et GLCM a amélioré la performance de reconnaissance par rapport à chaque descripteur individuellement ; cependant, cette approche reposait entièrement sur des éléments artisanaux et n’était pas évaluée sur les tissus tricotés ou non tissés. Des motifs tissés ont également été identifiés à l’aide de textures de rang bas invariants à la transformée (TILT) et de l’histogramme des gradients orientés (HOG), tandis que les intersections de chaîne et de trame ont été détectées par clustering flou c-means (FCM)6. Cette méthode a montré des limites face à des variations rotatives significatives et a démontré une efficacité réduite dans la détection des structures de tissage double fil. De plus, un réseau de neurones convolutionnel (CNN) amélioré avec une stratégie de visualisation a été proposé pour l’analyse complexe des textures ; cependant, la validation a été réalisée sur un jeu de données limité dans des conditions expérimentalesrestreintes 7.
Les données de texture ont été extraites à l’aide du modèle de couleur CIE-Lab et d’une matrice de cooccurrence, après quoi un réseau de cartes auto-organisées (SOM) a été utilisé pour catégoriser les motifs de tissageen tissu 8. Cependant, la performance et la précision de ces algorithmes étaient influencées par la taille de la base de données. Un textile est un matériau plan composé de fibres textiles. FabricNet, développé en utilisant une architecture CNN d’ensemble basée sur des classes spéciales, faisait partie des premières techniques pour identifier les fibres textiles à partir desimages 9. En utilisant des ensembles de données tissu, des approches d’apprentissage profond pour une reconnaissance précise de fibres ont été mises en œuvre avec les algorithmes Faster R-CNN, SSD, Residual Network (ResNet50) et ResNet101, Faster R-CNN étant identifié comme le plus efficace.
La méthode du réseau de neurones couplé par impulsions (PCNN) a été rapportée surpassant d’autres approches et a souligné la nécessité de recherches supplémentaires sur les bases de données en tissu tricotépar chaîne 10. La reconnaissance textile reste un défi en raison du temps long de l’inspection visuelle manuelle, et des études ont mis en place l’augmentation des données et l’apprentissage par transfert pour la classification et l’extraction de caractéristiques à l’aide de réseaux résiduels (ResNet), la plupart des travaux portant sur la distinction entre tissus à tisser manuel et tissage mécanique. Des méthodes ont également été proposées pour localiser et identifier différents types de mailles, bien que les expériences se soient limitées aux mailles tricotées et àrevêtement 11. De nombreuses techniques antérieures reposaient sur une seule image pour le prototypage de tissu par rétro-ingénierie. De plus, une approche de réduction de dimensionnalité basée sur l’analyse des composants principaux a été introduite pour l’extraction et la classification des caractéristiques dans les tissus de toison défectueux, démontrant que le classificateur K-plus proche voisin a atteint une précision supérieure à celle du classificateur Naive Bayes.
L’identification automatique des tissus à tisser manuel a également été réalisée à l’aide d’un algorithme d’apprentissage métrique profond appliqué à un ensemble de données balisé de 25 166 images provenant de six types de textiles à tisser à la main collectés auprès de tisserands natifs en Assam, dans le nord-estde l’Inde. En apprenant des représentations biaisées permettant une séparation efficace des types de fibres dans un espace de caractéristiques appris, l’approche a atteint une précision de classification de 97,8 % après des tests approfondis et des comparaisons avec des modèles de référence. Des modèles d’apprentissage profond basés sur l’augmentation des données et l’apprentissage par transfert ont également été proposés pour la classification textile tissée à l’aide d’un réseau résiduel (ResNet) afin d’extraire et de classer automatiquement les caractéristiques de textures, les performances étant évaluées grâce à la précision, à la précision équilibrée et au score F1 ; Les résultats expérimentaux indiquent que le modèle reste stable et atteint une précision de pointe même lorsque les caractéristiques physiques du tissuvarient 13.
L’apprentissage profond a été appliqué à la simulation de géométrie textile tridimensionnelle en utilisant des architectures combinant des caractéristiques récurrentes etconvolutionnelles 14. En entraînant des réseaux de neurones profonds (DNN) à l’aide d’une bibliothèque de cas de tissage précalculés générés par simulation numérique basée sur des éléments, la méthode a estimé les architectures textiles 3D et prédit les propriétés de rigidité avec une marge d’erreur inférieure à 10 %, démontrant une efficacité computationnelle améliorée par rapport aux approches de modélisation traditionnelles. De plus, le contexte textile a été analysé grâce à des techniques de reconnaissance de motifs et de traitement d’image mesurant des paramètres tels que les blocs isolés, la succession de sections verticales et horizontales, et la continuité des lignesdiagonales 15. Ces paramètres permettent de classer les motifs de tissage de base en catégories satinées, sergées et simples à l’aide du processus hiérarchique analytique (AHP), une évaluation statistique montrant un fort accord entre les résultats de classification prédit et expérimental.
Une méthode d’optimisation basée sur le calcul du brouillard a été proposée pour l’analyse de conception de tissus, comprenant quatre phases principales : collecte d’images tissu, prétraitement, extraction de caractéristiques et classification16. En utilisant des dispositifs à contour de brouillard pour l’acquisition d’images, le système applique diverses techniques de filtrage lors du prétraitement, après quoi les caractéristiques sont extraites à l’aide d’une matrice de co-occurrence de niveau gris (GLCM) et classées à travers un modèle d’apprentissage profond en ensemble. Les résultats expérimentaux démontrent l’efficacité de cette approche, montrant une précision supérieure par rapport aux algorithmes existants. De plus, un cadre basé sur un réseau de neurones a été développé pour caractériser le drapage parapluie des tissus tissés en établissant des critères de catégorisation objectifs basés sur des propriétés mécaniques au niveaumacro 17. Le cadre intègre ResNet-18 avec un Deep Graph Convolutional Neural Network (DGCNN) pour extraire et classifier les caractéristiques des images de drape et des nuages de points, respectivement. Grâce à l’apprentissage supervisé, les deux réseaux ont été évalués pour déterminer le modèle le plus efficace pour extraire les styles de drape à partir de jeux de données non étiquetés. De plus, une technique de downsampling (SDS) a été introduite pour représenter les nuages de points des rideaux en forme de parapluie, permettant une évaluation objective du drapage du tissu et soutenant des applications en aval, telles que la récupération de tissus basée sur la similarité.
Malgré les avancées en apprentissage profond, l’identification des tissus tissés reste entravée par la dépendance à l’ingénierie des caractéristiques artisanale et l’absence de bases de données standardisées à grande échelle. Les méthodes d’inspection traditionnelles souffrent d’erreurs humaines et d’incohérences, tandis que de nombreux modèles automatisés manquent de l’adaptabilité de domaine nécessaire pour gérer les variations d’éclairage, de rotation et d’angles de caméra. De plus, l’absence de cadres automatisés de bout en bout et de techniques avancées d’augmentation de données limite la généralisation et la scalabilité pratique des systèmes de classification existants. Contrairement aux approches précédentes qui utilisaient UNet, GAN ou CNN de manière indépendante, cette étude propose une stratégie de co-optimisation dans laquelle les résultats sans bruit UNet guident la synthèse basée sur GAN, et les textures générées affinent davantage la classification CNN grâce à un processus de rétroaction itératif, allant au-delà de l’empilement ou du fin-tuning conventionnel des modèles.
En conséquence, un cadre intégré d’apprentissage profond de bout en bout combinant la réduction du bruit basée sur UNet, la synthèse de données basée sur GAN et la classification basée sur CNN est introduit pour la reconnaissance automatisée de motifs tissés, l’amélioration unifiée des données, l’augmentation générative et l’apprentissage des caractéristiques au sein d’un système unique entraînable. Dans ce cadre, les images sans bruit sans bruit servent non seulement d’entrées prétraitées, mais aussi de retour d’information pour la génération de GAN, améliorant la cohérence photométrique et le réalisme des textures, tandis que l’optimisation conjointe entre le débruitage, l’augmentation synthétique et la classification améliore l’apprentissage des représentations et la robustesse des domaines. En utilisant le débruit basé sur l’UNet et des données synthétiques générées par GAN pour augmenter la variabilité des caractéristiques et la généralisation des modèles, et en formant un classificateur CNN sur ces caractéristiques discriminantes, le système vise à remplacer l’inspection manuelle et l’apprentissage automatique conventionnel, améliorant l’efficacité des inspections industrielles, le contrôle qualité et réduisant les erreurs à forte intensité en main-d’œuvre.
L’architecture de bout en bout proposée intègre une classification basée sur CNN, une génération de données synthétiques pilotée par GAN et un débruit UNet pour améliorer la robustesse à l’éclairage et la variabilité des textures, atteignant une précision de classification de 99,1 % tout en réduisant le surapprentissage et en éliminant l’ingénierie manuelle des caractéristiques, améliorant ainsi l’adaptabilité du domaine pour l’inspection textile industrielle.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Cette étude n’a pas impliqué de participants humains ni de sujets animaux. Par conséquent, l’approbation éthique et le consentement éclairé n’étaient pas requis. Le cadre proposé de classification des tissus tissés de bout en bout (Figure 1) se compose de quatre étapes séquentielles : acquisition d’images, prétraitement et augmentation, entraînement du modèle et évaluation. La sortie de chaque étage sert d’entrée au suivant.
Étape 1 : Acquisition de l’image : Des images tissées ont été obtenues à partir du jeu de données et capturées à l’aide d’un appareil photo numérique sous un système d’éclairage contrôlé. Les images étaient acquises à 300 dpi en utilisant une focale fixe de 50 mm.
Étape 2 : Prétraitement et augmentation : Les images ont été redimensionnées et préparées pour l’entraînement. Pour améliorer la généralisation, des augmentations géométriques et photométriques ont été appliquées à l’aide d’un cadre d’apprentissage profond incluant des flips horizontaux et verticaux (p = 0,1), la translation affine (±0,1), l’échelle (0,8–1,2) et la rotation (±45°). Les ajustements photométriques comprenaient des variations de luminosité, de contraste et de saturation (±40 %) et des variations de teinte (±10 %).
Le débruit basé sur l’UNet a été appliqué avant la formation. Le modèle UNet a été implémenté dans la bibliothèque logicielle d’apprentissage profond (cadre Keras Deep learning) et entraîné pendant 30 époques à l’aide de l’optimiseur Adam (taux d’apprentissage = 0,001, taille de lot = 16).
Étape 3 : Entraînement du modèle : Un GAN a été utilisé pour générer des images synthétiques de tissu tissé afin d’améliorer les caractéristiques. Le discriminateur comprenait cinq couches convolutionnelles avec activation LeakyReLU, tandis que le générateur comprenait quatre couches convolutionnelles et quatre couches de déconvolution. Le GAN a été entraîné pendant 100 époques en utilisant la perte d’entropie binaire croisée (taux d’apprentissage = 0,0002, β₁ = 0,5). Le classificateur CNN (backbone ResNet-50) a ensuite été entraîné conjointement dans un cadre itératif GAN–CNN avec une taille de lot de 32, un dropout de 0,2, un taux d’apprentissage de 0,001, et l’optimiseur Adam.
Étape 4 : Évaluation du modèle : La performance du modèle a été évaluée à l’aide de la précision, de la précision, du rappel, du score F1 et d’une précision équilibrée.
1. Description de l’ensemble de données
Un total de 3 540 images de tissus tissés à partir de 880 échantillons de tissu ont été obtenues à partir d’un ensemble de données accessible au public sous des conditions d’éclairagecontrôlées 12. Parmi celles-ci, 2 832 images ont été utilisées pour les tests, tandis que les 708 images restantes ont été augmentées pour générer 11 328 échantillons d’entraînement. Le jeu de données est anonymisé et, par conséquent, ne nécessite pas d’approbation éthique. Des échantillons représentatifs sont présentés à la Figure 2.
Le jeu de données comprend trois classes de tissage : uni, satin et sergé. Les tissus étaient produits en utilisant des fils texturés en polyester (densités linéaires de filaments de 110 dtex ; 1,14 et 3,05 dtex) et des fils texturés en microfilament en polyester (110 dtex ; 0,33, 0,57 et 0,76 dtex) comme trame, et 83 fils polyester dtex (1,14 dtex) comme chaîne. Trois types de tissage — 1/1 simple, 3/2 sergé et 4/1 satin — ont été construits.
Les données utilisées dans cette étude proviennent d’un ensemble de données public qui comprend des images brutes et prétraitées, des métadonnées d’augmentation, et des échantillons généréspar GAN 12. Des augmentations supplémentaires et une synthèse basée sur GAN ont été appliquées pour renforcer davantage la diversité de l’entraînement. du jeu de données. Le jeu de données final contenait 11 328 images d’entraînement et 2832 images de test ; 80 % des données d’entraînement ont été utilisées pour l’entraînement du modèle et 20 % pour la validation. Les paramètres structurels variaient comme suit : densité linéaire du fil (Ne : 6–40), nombre de fils (25–58 extrémités/cm) et densité superficielle du tissu (125–485 gsm). La formation et les tests étaient réalisés sur une unité de traitement graphique utilisant un cadre et un logiciel d’apprentissage profond.
2. Prétraitement efficace proposé avec augmentation
Pour traiter les données d’entraînement limitées et améliorer la généralisation, l’augmentation des données a été appliquée. L’augmentation élargit l’ensemble de données sans modifier l’architecture du modèle, réduit le surapprentissage et améliore la robustesse. Deux types d’augmentation étaient utilisés :
Augmentation géométrique :
Les transformations comprenaient des flips horizontaux et verticaux (p = 0,1), la transformation affine (translate = 0,1, échelle = 0,8–1,2) et la rotation à angle fixe (45°). Ces opérations simulent des variations dans l’orientation de la chaîne et des conditions d’imagerie (Figure 3).
Augmentation photométrique :
Pour augmenter la robustesse à l’éclairage et la variabilité des capteurs, la luminosité, le contraste et la saturation ont été ajustés de ±40 %, et la teinte de ±10 %. Ces modifications préservent la structure géométrique tout en variant les caractéristiques d’éclairage (Figure 4).
3. Réduction du bruit à l’aide de UNet
UNet est une architecture convolutionnelle encodeur-décodeur utilisée pour réduire le bruit des textures structurées de tissus tissés. Parce que les motifs de tissu sont sensibles au bruit des capteurs et de l’illumination, le débruit est effectué avant la classification afin de préserver les détails structurels ; le réseau utilise une fonction d’activation sigmoïde dans la couche de sortie, ainsi que l’architecture de débruit basée sur UNet (Figure 5). Les images détaminées servaient d’entrées affinées à la chaîne GAN–CNN pour la génération et la classification synthétiques. La formulation mathématique du processus de débruixement de l’UNet et de la stratégie d’optimisation GAN (Équations 1–10) sont fournies dans le Fichier Supplémentaire 1. L’interaction entre les modules UNet, GAN et CNN dans le cadre de bout en bout est illustrée à la Figure 6.
4. Génération et formation proposées de modèles de bout en bout utilisant GAN-CNN
Le cadre hybride GAN–CNN a été utilisé pour la reconnaissance des motifs tissés. Comme montré à la Figure 6, un réseau antagoniste génératif (GAN), composé d’un générateur (G) et d’un discriminateur (D), a été utilisé pour synthétiser des images tissées réalistes sous des conditions variables d’éclairage, de bruit et de texture afin d’augmenter la diversité des ensembles de données, tandis que le CNN apprenait des caractéristiques discriminantes à partir d’échantillons réels et générés pour améliorer la précision de la classification.
5. Classification basée sur CNN
Après la synthèse d’images basée sur GAN, des images réelles et générées de tissus tissés étaient utilisées pour entraîner un CNN à l’extraction et à la classification des caractéristiques de textures. Une architecture ResNet-50 pré-entraînée a été adoptée pour classifier trois types de tissage. La couche originale entièrement connectée a été retirée, tandis que les premières couches convolutionnelles ont été conservées comme colonne vertébrale. Au-dessus de cette colonne vertébrale, une couche de pooling moyenne globale, deux couches de normalisation en lot, deux couches entièrement connectées (512 et 256 neurones), des activations ReLU et un dropout ont été ajoutées. Une couche Softmax effectuait la classification finale en trois classes. L’architecture modifiée est illustrée à la Figure 7.
Le modèle a été entraîné à l’aide de l’optimiseur Adam avec une perte d’entropie croisée catégorique pendant 50 époques (taille du lot = 32, taux d’apprentissage = 0,001, abandon = 0,2). L’ajustement des hyperparamètres est réalisé via une recherche en grille (taux d’apprentissage : 0,001–0,0001 ; taille du lot : 16–64 ; abandon : 0,1–0,3). Un arrêt précoce basé sur la perte de validation a été appliqué pour éviter le sur-ajustement, la convergence étant obtenue en environ 2,3 heures par entraînement.
Une stratégie de formation coordonnée de bout en bout a été mise en œuvre pour garantir la cohérence entre les étapes de réduction du bruit, de synthèse des données et de classification. L’UNet a d’abord été pré-entraîné pour 30 époques en utilisant des paires d’images bruyante-propre (Adam, taux d’apprentissage = 0,001, taille du lot = 16, perte MSE). Le module GAN, composé d’un générateur avec quatre couches convolutionnelles et quatre couches de déconvolution et d’un discriminateur avec cinq couches convolutionnelles utilisant des activations LeakyReLU, a été entraîné de manière adversaire pendant 100 époques (perte binaire d’entropie croisée, β₁ = 0,5, taux d’apprentissage = 0,0002). Par la suite, le GAN et le CNN ont été entraînés conjointement dans une boucle itérative pendant 50 époques (taille du lot = 32), les échantillons générés étant utilisés pour mettre à jour le classificateur. L’optimisation CNN utilisait l’optimiseur Adam (taux d’apprentissage = 0,001, abandon = 0,2), favorisant une convergence stable et une généralisation améliorée entre types de tissage.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Indicateurs d’évaluation
La précision est la statistique d’évaluation la plus largement utilisée pour la catégorisation. Cela se définit comme la proportion de prédictions précises parmi toutes les prédictions. L’équation 11 montre que la précision équilibrée est la métrique appropriée d’évaluation de performance à utiliser dans cescirconstances 18. « N » représente le nombre de classes. TP, TN, FP et FN désignent respectivemen...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Bien que le cadre GAN–CNN proposé démontre une forte généralisation, il existe d’autres méthodes alternatives telles que les architectures de vision basées sur des transformateurs, les CNN à attention améliorée ou l’apprentissage auto-supervisé de la représentation qui pourraient répondre à des hypothèses similaires. Celles-ci peuvent offrir des avantages en termes d’interprétabilité des caractéristiques ou d’efficacité computationnelle et devraient être évaluées de manière comparative à...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Les auteurs n’ont aucun conflit d’intérêts.
Les auteurs reconnaissent chaleureusement le soutien apporté par l’École d’art et de design de l’Université de Guangzhou, à Guangzhou, en Chine, qui a facilité l’achèvement de cette recherche.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Canon EOS 90D ; | Canon Inc., Tokyo, Japon | EOS 90D 32,5 MP capteur CMOS | Appareil photo numérique pour l’acquisition d’images textiles |
| Processeur Intel i7 | Intel Corporation, Santa Clara, CA, États-Unis | https://www.intel.com | Unité centrale de traitement (CPU) multi-cœurs pour le traitement computationnel |
| Cadre d’apprentissage profond Keras | Google LLC, Mountain View, CA, États-Unis | https://keras.io | Bibliothèque logicielle d’apprentissage profond pour le développement de réseaux neuronaux |
| Anneau lumineux LED (5500 K) | Système d’éclairage de laboratoire disponible dans le commerce | Non applicable | Source d’éclairage contrôlée pour une acquisition d’image uniforme |
| NVIDIA GeForce GTX1060MQ GPU | NVIDIA Corporation, Santa Clara, CA, États-Unis | https://www.nvidia.com | Unité de traitement graphique (GPU) pour le calcul accéléré de l’apprentissage profond |
| Bibliothèque OpenCV | Communauté Open Source | https://opencv.org | Bibliothèque logicielle de vision par ordinateur pour le traitement d’images |
| Langage de programmation Python | Fondation Python Software, Wilmington, DE, États-Unis | https://www.python.org | Langage de programmation de haut niveau pour la mise en œuvre de l’apprentissage automatique |
| Modèle préentraîné ResNet50 | Microsoft Research / He et al. (2016) | https://keras.io/api/applications/resnet/ | Architecture de réseau neuronal convolutionnel préentraînée pour l’extraction et la classification des caractéristiques |
| Bibliothèque scikit-learn | Communauté Open Source | https://scikit-learn.org | Bibliothèque logicielle d’apprentissage automatique pour l’analyse de données et l’évaluation de modèles |
| Cadre TensorFlow | Google LLC, Mountain View, CA, États-Unis | https://www.tensorflow.org | Cadre d’apprentissage profond pour l’entraînement et le déploiement des réseaux neuronaux |
| Fil de chaîne (polyester, 83 dtex) | Laboratoire de textile interne | Non applicable | Fil textile synthétique utilisé comme matériau de chaîne dans des échantillons de tissus tissés |
| Échantillons de tissus tissés (uni, satiné, sergé) | Laboratoire de textile interne | Fils polyester 110 dtex | Échantillons représentatifs de textiles tissés avec différentes structures de tissage |
Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE
Demander une autorisation