פותחה מסגרת למידה עמוקה מקצה לקצה המשלבת CNNs, GANs והפחתת רעש מבוססת UNet, לזיהוי אוטומטי של דפוסי בד ארוגים. הרחבה ויצירת תמונה סינתטית שיפרו את החוזקות. השיטה השיגה דיוק של 99.1%, וסיפקה פתרון ניתן להרחבה לבדיקת טקסטיל תעשייתי.
מאמר מחקר
פותחה מסגרת למידה עמוקה מקצה לקצה המשלבת CNNs, GANs והפחתת רעש מבוססת UNet, לזיהוי אוטומטי של דפוסי בד ארוגים. הרחבה ויצירת תמונה סינתטית שיפרו את החוזקות. השיטה השיגה דיוק של 99.1%, וסיפקה פתרון ניתן להרחבה לבדיקת טקסטיל תעשייתי.
האיכות והייצור של טקסטילים איכותיים תלויים במידה רבה בזיהוי מדויק של דפוסי אריגה, אשר מזוהים באופן מסורתי באמצעות בדיקה ויזואלית ידנית. עם זאת, גישה זו סובייקטיבית, גוזלת זמן ונוטה לטעויות. בעוד ששיטות למידת מכונה מציעות אוטומציה, הן לעיתים קרובות מסתמכות על תכונות בעבודת יד הרגישות לשינויים בתאורה ובדימות, מה שמגביל את החוסן והיכולת להרחבתן. אפילו מודלים של למידה עמוקה מתמודדים עם בעיות הכללה עקב שינויים בתחום בתנאי רכישה בעולם האמיתי, וכדי להתמודד עם אתגרים אלו מוצעת מסגרת למידה עמוקה חדשנית שמשלבת רשת עצבית קונבולוציונית (CNN) עם רשתות עוינות גנרטיביות (GANs) לסיווג מרקם מקצה לקצה. הגישה משלבת הרחבת נתונים גיאומטריים ופוטומטריים עם דנואיזציה מבוססת UNet, בעוד רכיב GAN מייצר תמונות סינתטיות באיכות גבוהה לשיפור הגיוון באימון ולמידת תכונות. ניסויים על מאגר נתונים של בד ארוג מראים ששיטה זו משיגה ביצועים מתקדמים, עם דיוק מאוזן של 99.1%, ועולים על מודלים בסיסיים בדיוק, הכללה ועמידות לעיוותים ויזואליים. מסגרת זו מציעה פתרון ניתן להרחבה ואמין לבדיקת טקסטיל אוטומטית, עם השלכות משמעותיות לשיפור היעילות ולהפחתת העבודה הידנית בייצור בדים תעשייתי. עבודה זו משלבת מודולים של CNN, GAN ו-U-shaped Neural Neural Network (UNet) לצינור למידה מבוסס אופטימיזציה יחיד, במקום לטפל בדינואיזציה, יצירת נתונים וסיווג כתהליכים נפרדים. מנגנון ההכשרה המשותף יוצר לולאת משוב בין הרשת הגנרטיבית לרשת ההבחנה, והולך צעד נוסף מתודולוגית מעבר לפרקטיקות כיוונון עדין סטנדרטיות.
עיצוב, עיצוב מחדש, ניתוח טקסטורה ומראה אסתטי של חומרים כולם מושפעים מאוד מדפוס, שהוא הגורם החשוב ביותר בייצור הבד. בד הוא המצאה אנושית היסטורית שהתפתחה מבד בעבודת יד לבדים דיגיטליים מודרניים המיוצרים במכונה1. לפני עיבוד נוסף על ידי מכונות אריגה, יש לזהות דפוסי בד ארוגים. כיום, שיטות מסורתיות המתבססות על תפיסה חזותית, המועצמת באמצעות כלים כמו מיקרוסקופים או זכוכית מגדלת, נשארות עמוד התווך בזיהוי דפוסי בד. בדרך כלל, מומחה עם ההכשרה והניסיון הנדרשים מבצע את ההערכה הידנית הזו. עם זאת, הוא קשור למספר חסרונות, כגון עבודה מופרזת, חוסר יעילות ובזריעת זמן, בנוסף לבעיות פסיכולוגיות כמו לחץ פיזי ומנטלי, עייפות ועייפות שמשפיעות בסופו של דבר על תוצאות הזיהוי. לכן, כדי לזהות דפוסי בד ולייצר מוצרים איכותיים העונים על צרכי הלקוח, יש צורך בגישה ממוחשבתלבדיקה 2.
זיהוי דפוסי בד זכה לאחרונה לתשומת לב והגיע להצלחה רבה3. באופן כללי, קיימים שני סוגי שיטות לזיהוי דפוסי אריגה: שיטות סטטיסטיות מבוססות טקסטורה ושיטות מבוססות מודל. השיטה הסטטיסטית מבוססת הטקסטורה משתמשת בתמונות מעובדות מראש. שיטה המבוססת על ניתוח דיפרנציאלי פוטומטרי בוצעה באמצעות מסנן וינר אדפטיבי ואקוליזציה היסטוגרמית לאיסוף מידע על מבנה הבד מכיוונים שונים4. לאחר מכן, חילקו את התמונות לתת-תמונות באמצעות מודל רשת אדפטיבי לחילוץ תכונות גווני אפור. למרות שהעבודה הייתה מוגבלת לחומרים ארוגים פשוטים, המודל היה אמין לאיסוף אתרי שזירה במבנה האריגה. אלגוריתם זיהוי או סיווג משמש את טכניקת הקוגניציה מבוססת מסד נתונים/מודלים כדי לזהות ולהתאים את דפוסי האריגה של החומרים.
טקסטורות הבד סווגו באמצעות מכונות וקטור תמיכה (SVM) לאחר חילוץ תכונות באמצעות תבניות בינאריות מקומיות (LBP) ומטריצות קו-הופעות ברמה אפורה (GLCM)5. השימוש המשולב ב-LBP וב-GLCM שיפר את ביצועי הזיהוי בהשוואה לשני התיאורים בנפרד; עם זאת, הגישה התבססה לחלוטין על תכונות בעבודת יד ולא הוערכה על בדים סרוגים או לא ארוגים. דפוסי בד ארוגים זוהו גם באמצעות טקסטורות דרגה נמוכה (TILT) והיסטוגרמה של גרדיאנטים מכוונים (HOG), בעוד שחיתוכי ארימה וערב זוהו באמצעות אשכולות c-mean מטושטשים (FCM)6. שיטה זו הראתה מגבלות תחת שינויים סיבוביים משמעותיים והראתה ירידה ביעילות בזיהוי מבני אריגה כפולה. בנוסף, הוצע רשת עצבית קונבולוציונית (CNN) משופרת עם אסטרטגיית ויזואליזציה לניתוח טקסטורה מורכב; עם זאת, האימות בוצע על מאגר נתונים מוגבל בתנאי ניסוימוגבלים 7.
נתוני טקסטורה הופקו באמצעות מודל הצבע CIE-Lab ומטריצת הופעות משותפות, ולאחר מכן נעשה שימוש ברשת מפת ארגון עצמי (SOM) לסיווג תבניות אריגת בד8. עם זאת, הביצועים והדיוק של האלגוריתמים הללו הושפעו מגודל מסד הנתונים. טקסטיל הוא חומר מישורי המורכב מסיבי טקסטיל. FabricNet, שפותחה באמצעות ארכיטקטורת CNN מבוססת מחלקות מיוחדת, הייתה בין הטכניקות הראשונות לזיהוי סיבי טקסטיל מתמונות9. באמצעות מאגרי Fabric, שיטות למידה עמוקה לזיהוי סיבים מדויק יושמו עם האלגוריתמים Faster R-CNN, SSD, Residual Network (ResNet50) ו-ResNet101, כאשר Faster R-CNN זוהה כיעיל ביותר.
שיטת רשת העצבים המקושרת בפולסים (PCNN) דווחה כיעילה יותר בגישות אחרות והדגישה את הצורך במחקר נוסף על מסדי נתונים של בדים סרוגים בצורת וורפ10. זיהוי טקסטיל נותר מאתגר בשל האופי הארוך של בדיקה ויזואלית ידנית, ומחקרים יישמו הרחבת נתונים ולמידת העברה לסיווג וחילוץ תכונות באמצעות רשתות שאריות (ResNet), כאשר רוב העבודה מתמקדת בהבחנה בין בד נול ידני לבד פאוורלומ. הוצעו גם שיטות לאיתור וזיהוי סוגי תפרים שונים, אם כי הניסויים הוגבלו לתפרים סרוגים ופרלים11. טכניקות מוקדמות רבות הסתמכו על תמונה אחת ליצירת אב-טיפוס של בד באמצעות הנדסה הפוכה. בנוסף, הוצגה גישה מבוססת ניתוח רכיבים עיקריים להפחתת ממדיות לצורך חילוץ וסיווג תכונות בבדי פליז פגומים, שמראה כי מסווג השכן הקרוב ביותר ב-K השיג דיוק גבוה יותר ממסווג Naive Bayes.
זיהוי אוטומטי של בדים ידניים הושג גם באמצעות אלגוריתם למידה מטרית עמוקה שהוחל על מערך נתונים מתויג של 25,166 תמונות משישה סוגי טקסטיל ידני שנאספו מאריגים מקומיים באסאם,צפון-מזרח הודו. על ידי למידת ייצוגים מוטים של תכונות שמאפשרים הפרדה יעילה של סוגי סיבים במרחב תכונות שנלמדו, השיגה הגישה דיוק סיווג של 97.8% לאחר בדיקות והשוואות נרחבות עם מודלים בסיסיים. מודלים של למידה עמוקה המבוססים על הגדלת נתונים ולמידת העברה הוצעו גם לסיווג טקסטיל ארוג באמצעות רשת שארית (ResNet) לחילוץ וסיווג אוטומטי של תכונות טקסטורה, כאשר הביצועים מוערכים באמצעות דיוק, דיוק מאוזן וציון F1; תוצאות ניסיוניות מצביעות על כך שהמודל נשאר יציב ומשיג דיוק מתקדם גם כאשר מאפייני הבד משתנים13.
למידה עמוקה יושמה עוד לסימולציה של גאומטריה תלת-ממדית של טקסטיל באמצעות ארכיטקטורות המשלבות תכונות חוזרות וקונבולוציונליות14. על ידי אימון רשתות עצביות עמוקות (DNNs) באמצעות ספריית מקרי אריגה מחושבים מראש שנוצרו באמצעות סימולציה מבוססת אלמנטים דיגיטליים, השיטה העריכה ארכיטקטורות טקסטיל תלת-ממדיות וחזתה תכונות קשיחות עם שולי שגיאה של פחות מ-10%, מה שהדגים שיפור ביעילות החישובית בהשוואה לשיטות מודל מסורתיות. בנוסף, קונטקסטורה של הבד נותחה באמצעות טכניקות זיהוי דפוסים ועיבוד תמונה שמודדות פרמטרים כגון בלוקים מבודדים, רצף אנכי ואופקי של חתך, ורציפות קו אלכסוני15. פרמטרים אלו מאפשרים סיווג של דפוסי אריגה בסיסיים לקטגוריות סאטן, טוויל ופשוטים באמצעות תהליך ההיררכיה האנליטית (AHP), כאשר הערכה סטטיסטית מראה הסכמה חזקה בין תוצאות הסיווג החזוי לניסוי.
שיטת אופטימיזציה מבוססת חישוב ערפל הוצעה לניתוח עיצוב בדים, הכוללת ארבעה שלבים עיקריים: איסוף תמונות הבד, עיבוד מוקדם, חילוץ תכונות וסיווג16. באמצעות מכשירי קצה ערפל לרכישת תמונה, המערכת מיישמת טכניקות סינון שונות במהלך העיבוד המוקדם, ולאחר מכן התכונות מחולצות באמצעות מטריצת הופעה משותפת ברמה אפורה (GLCM) ומסווגות באמצעות מודל למידה עמוקה קבוצתית. תוצאות ניסוי מדגימות את יעילות הגישה הזו, ומראות דיוק גבוה יותר בהשוואה לאלגוריתמים קיימים. בנוסף, פותחה מסגרת מבוססת רשת עצבית לאפיון המשטח של בדים ארוגים על ידי קביעת קריטריוני סיווג אובייקטיביים המבוססים על תכונות מכניות ברמת מאקרו17. המסגרת משלבת את ResNet-18 עם רשת עצבית קונבולוציונית גרפית עמוקה (DGCNN) כדי להפיק ולסווג תכונות מתמונות דראפ וענני נקודה, בהתאמה. באמצעות למידה מפוקחת, שתי הרשתות הוערכו כדי לקבוע את המודל היעיל ביותר לחילוץ סגנונות דראפ ממאגרי נתונים לא מסומנים. בנוסף, הוצגה טכניקת סקיצה-דגימה קטנה (SDS) לייצוג ענני הנקודות של וילונות בצורת מטריה, מה שאפשר הערכה אובייקטיבית של וילונות בד ותומכת ביישומים במורד הזרם, כגון שליפת בד מבוססת דמיון.
למרות ההתקדמות בלמידה עמוקה, זיהוי בד ארוג נותר מוגבל בשל הסתמכות על הנדסת תכונות בעבודת יד ומהיעדר מסדי נתונים סטנדרטיים בקנה מידה גדול. שיטות בדיקה מסורתיות סובלות מטעויות אנוש וחוסר עקביות, בעוד שרבים מהמודלים האוטומטיים חסרים את ההתאמה התחום הנדרשת להתמודדות עם שינויים בתאורה, סיבוב וזוויות מצלמה. בנוסף, היעדר מסגרות אוטומטיות מקצה לקצה וטכניקות מתקדמות להרחבת נתונים מגביל את ההכללה והיכולת המעשית להרחבה של מערכות סיווג קיימות. בניגוד לגישות קודמות שהשתמשו ב-UNet, GAN או CNN באופן עצמאי, מחקר זה מציע אסטרטגיית אופטימיזציה משותפת שבה פלטים מנוהלים ב-UNet מנחים סינתזה מבוססת GAN, והמרקמים שנוצרים משפרים עוד יותר את סיווג ה-CNN באמצעות תהליך משוב איטרטיבי, הרחב מעבר לערימת מודלים מסורתית או כיוונון עדין.
בהתאם לכך, הוכנסה מסגרת למידה עמוקה משולבת מקצה לקצה המשלבת דנואיזציה מבוססת UNet, סינתזת נתונים מבוססת GAN וסיווג מבוסס CNN לזיהוי אוטומטי של דפוסי בד ארוג, שיפור נתונים מאחד, הרחבה גנרטיבית ולמידת תכונות בתוך מערכת אחת הניתנת להדרכה. במסגרת זו, תמונות מעובדות על ידי UNet אינן רק כקלטים מעובדים מראש אלא גם כמשוב ליצירת GAN, המשפרות עקביות פוטומטרית וריאליזם טקסטורות, בעוד אופטימיזציה משותפת בין דנואיזציה, הגדלה סינתטית וסיווג משפרת את למידת הייצוג ואת עמידות התחום. באמצעות שימוש בנתונים סינתטיים מבוססי UNet שנוצרו על ידי UNet, כדי להגדיל את שונות התכונות והכללת המודלים, והכשרת מסווג CNN על תכונות מבחינה אלו, המערכת שואפת להחליף את הבדיקה הידנית ולמידת מכונה קונבנציונלית, לשפר את יעילות הבדיקה התעשייתית, בקרת האיכות ולהפחית שגיאות עתירות עבודה.
הארכיטקטורה המוצעת מקצה לקצה משלבת סיווג מבוסס CNN, יצירת נתונים סינתטיים מונעי GAN והפחתת רעש של UNet כדי לשפר את עמידות התאורה והשונות במרקם, תוך השגת דיוק סיווג של 99.1% תוך הפחתת התאמת יתר וביטול הנדסת תכונות ידניות, ובכך משפרת את ההתאמה התחום לבדיקת טקסטיל תעשייתי.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מחקר זה לא כלל משתתפים אנושיים או נבדקים של בעלי חיים. לכן, לא נדרשו אישור אתי והסכמה מדעת. מסגרת הסיווג המוצעת של בד ארוג מקצה לקצה (איור 1) מורכבת מארבעה שלבים עוקבים: רכישת תמונה, עיבוד מוקדם והרחבה, אימון מודלים והערכה. הפלט של כל שלב משמש כקלט לשלב הבא.
שלב 1: רכישת תמונה: תמונות בד ארוג התקבלו מהנתונים וצולמו באמצעות מצלמה דיגיטלית תחת מערכת תאורה מבוקרת. התמונות צולמו ב-300 dpi באמצעות אורך מוקד קבוע של 50 מ"מ.
שלב 2: עיבוד מוקדם והרחבה: התמונות הוגדלו מחדש והוכנו לאימון. כדי לשפר את ההכללה, יושמו שדרוגים גאומטריים ופוטומטריים באמצעות מסגרת למידה עמוקה שכללה היפוכים אופקיים ואנכיים (p = 0.1), תרגום אפיני (±0.1), קנה מידה (0.8–1.2) וסיבוב (±45°). התאמות פוטומטריות כללו וריאציות בהירות, ניגודיות ורוויה (±40%) ושונות בגוון (±10%).
הפחתת רעש מבוססת UNet יושמה לפני ההכשרה. מודל UNet יושם בספריית תוכנות הלמידה העמוקה (מסגרת Keras Deep Learning) ואומן ל-30 תקופות באמצעות אופטימייזר אדם (קצב למידה = 0.001, גודל אצווה = 16).
שלב 3: אימון דוגמנים: GAN שימש ליצירת תמונות סינתטיות של בד ארוג להדגשת התכונות. הדיסקרימינטור כלל חמש שכבות קונבולוציונליות עם הפעלת LeakyReLU, בעוד שהגנרטור כלל ארבע שכבות קונבולוציונליות וארבע שכבות דה-קונבולוציה. ה-GAN אומן ל-100 תקופות באמצעות אובדן אנטרופיה חוצה בינארית (קצב למידה = 0.0002, β₁ = 0.5). מסווג ה-CNN (עמוד השדרה של ResNet-50) עבר הכשרה משותפת במסגרת GAN–CNN איטרטיבית עם גודל אצווה של 32, ירידה של 0.2, קצב למידה של 0.001, ואופטימייזר אדם.
שלב 4: הערכת מודלים: ביצועי המודל הוערכו באמצעות דיוק, דיוק, שחזור, ציון F1 ודיוק מאוזן.
1. תיאור מערך הנתונים
בסך הכול התקבלו 3,540 תמונות בד ארוג מתוך 880 דגימות בד מתוך מאגר נתונים זמין לציבור תחת תנאי תאורה מבוקרת12. מתוכן, 2,832 תמונות שימשו לבדיקה, בעוד 708 התמונות הנותרות הורחבו ליצירת 11,328 דגימות אימון. מערך הנתונים אנונימיזציה ולכן אינו דורש אישור אתי. דגימות מייצגות מוצגות באיור 2.
מערך הנתונים כולל שלוש מחלקות אריגה: פשוט, סאטן וטוויל. הבדים יוצרו באמצעות חוטי פוליאסטר עם טקסטורה (110 dtex; צפיפויות ליניארית של 1.14 ו-3.05 dtex filament) וחוטי פוליאסטר עם מרקם מיקרופילמנט (110 dtex; 0.33, 0.57 ו-0.76 dtex) כחוטים, ו-83 חוטי dtex פוליאסטר (1.14 dtex) כחוטי ארימה. נבנו שלושה סוגי אריגה—1/1 פשוט, 3/2 טוויל, ו-4/1 סאטן.
הנתונים ששימשו במחקר זה התקבלו ממאגר נתונים זמין לציבור הכולל תמונות גולמיות ומעובדות מראש, מטא-דאטה של שדרוג ודגימות שנוצרו על ידיGAN 12. הוגדרו וסינתזה מבוססת GAN נוספת יושמו כדי לשפר עוד יותר את הגיוון בהכשרה. של מערך הנתונים. מאגר הנתונים הסופי כלל 11,328 אימון ו-2832 תמונות בדיקה; 80% מנתוני ההדרכה שימשו לאימון מודלים ו-20% לאימות. הפרמטרים המבניים נעו כך: צפיפות ליניארית של חוט (Ne: 6–40), מספר חוטים (25–58 קצוות לס"מ), וצפיפות שטח הבד (125–485 גרם למטר). ההכשרה והבדיקות בוצעו על יחידת עיבוד גרפי באמצעות מסגרת למידה עמוקה ותוכנה.
2. הצעת קדם-עיבוד יעיל עם שדרוג
כדי להתמודד עם נתוני אימון מוגבלים ולשפר הכללה, יושמה הרחבת נתונים. הרחבה מרחיבה את מאגר הנתונים מבלי לשנות את ארכיטקטורת המודלים, מפחיתה התאמת יתר ומגבירה את החוזקות. נעשה שימוש בשני סוגי שדרוגים:
הרחבה גאומטרית:
הטרנספורמציות כללו היפוכים אופקיים ואנכיים (p = 0.1), טרנספורמציה אפינית (translate = 0.1, קנה מידה = 0.8–1.2), וסיבוב בזווית קבועה (45°). פעולות אלו מדמות שינויים בכיוון הוורפ-וורט ובתנאי הדמיה (איור 3).
הגברה פוטומטרית:
כדי להגדיל את עמידות התאורה והשונות בחיישנים, הבהירות, הניגודיות והרוויה הותאמו ב-±40%, והגוון ב-±10%. שינויים אלו שומרים על מבנה גאומטרי תוך שינוי מאפייני התאורה (איור 4).
3. הפחתת רעשים באמצעות UNet
UNet היא ארכיטקטורה קונבולוציונית של מקודד-מפענח המשמשת ליצירת טקסטורות בד ארוגות מבניות דה-רעש. מכיוון שדפוסי בד רגישים לרעש חיישנים ותאורה, מתבצעת הסרת רעש לפני הסיווג לשימור פרטים מבניים; הרשת משתמשת בפונקציית הפעלה סיגמואיד בשכבת הפלט, ובארכיטקטורת ההסרת רעש מבוססת UNet (איור 5). התמונות המנוקות שימשו כקלטים משוכללים לצינור GAN–CNN לייצור וסיווג סינתטי. הניסוח המתמטי של תהליך UNet denoizing ואסטרטגיית האופטימיזציה של GAN (משוואות 1–10) מסופקים בקובץ המשלים 1. האינטראקציה בין מודולי UNet, GAN ו-CNN במסגרת הקצה לקצה מוצגת באיור 6.
4. יצירת מודלים מקצה לקצה והכשרה מוצעת באמצעות GAN-CNN
המסגרת ההיברידית GAN–CNN שימשה לזיהוי דפוסי בד ארוג. כפי שמוצג באיור 6, רשת עוינת גנרטיבית (GAN), המורכבת מגנרטור (G) ומבחין (D), שימשה לסינתזת תמונות בד ארוגות ריאליסטיות בתנאי תאורה, רעש ומרקם משתנים כדי להגדיל את מגוון מערכי הנתונים, בעוד שה-CNN למדה תכונות מובחנות הן מדגימות אמיתיות והן מדגימות נוצרות לשיפור דיוק הסיווג.
5. סיווג מבוסס CNN
לאחר סינתזת תמונה מבוססת GAN, השתמשו בתמונות בד ארוג אמיתיות ונוצרות לאימון CNN לחילוץ וסיווג תכונות טקסטורה. ארכיטקטורת ResNet-50 מאומנת מראש אומצה לסיווג שלושה סוגי אריגה. השכבה המקורית המחוברת במלואה הוסרה, בעוד שהשכבות הקונבולוציוניות המוקדמות נשמרו כעמוד השדרה. מעל עמוד השדרה הזה, נוספו שכבת איגוד ממוצעת גלובלית, שתי שכבות נורמליזציה באצווה, שתי שכבות מחוברות לחלוטין (512 ו-256 נוירונים), הפעלות ReLU וניתוק. שכבת Softmax ביצעה את הסיווג הסופי של שלוש מחלקות. הארכיטקטורה המותאמת מוצגת באיור 7.
המודל אומן באמצעות אופטימייזר אדם עם אובדן אנטרופיה צולבת קטגורית במשך 50 תקופות (גודל אצווה = 32, קצב למידה = 0.001, נפילות = 0.2). כיוון היפרפרמטרים מתבצע באמצעות חיפוש רשת (קצב למידה: 0.001–0.0001; גודל אצווה: 16–64; הפסקה: 0.1–0.3). הפסקה מוקדמת על בסיס אובדן אימות יושמה למניעת התאמת יתר, כאשר ההתכנסות הושגה בכ-2.3 שעות לכל אימון.
שימשה אסטרטגיית הכשרה מתואמת מקצה לקצה כדי להבטיח עקביות בין שלבי ההסרה, סינתזת הנתונים והסיווג. ה-UNet הוכשרה מראש ל-30 תקופות באמצעות זוגות תמונה רועשים–נקיים (אדם, קצב למידה = 0.001, גודל אצווה = 16, אובדן MSE). מודול ה-GAN, הכולל גנרטור עם ארבע שכבות קונבולוציה וארבע שכבות דה-קונבולוציה ומבדיל עם חמש שכבות קונבולוציונליות באמצעות הפעלות LeakyReLU, אומן באופן עוין ל-100 תקופות (אובדן בינארי של אנטרופיה צולבת, β₁ = 0.5, קצב למידה = 0.0002). בהמשך, ה-GAN וה-CNN עברו הכשרה משותפת בלולאה איטרטיבית ל-50 אפוקים (גודל אצווה = 32), כאשר דגימות שנוצרו שימשו לעדכון המסווג. אופטימיזציה של CNN השתמשה באופטימיזציה של אדם (קצב למידה = 0.001, נפילת עבודה = 0.2), מה שקדם התכנסות יציבה והכללה משופרת בין סוגי אריגה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
מדדי הערכה
דיוק הוא הסטטיסטיקה הנפוצה ביותר בהערכה לסיווג. זה מוגדר כיחס התחזיות המדויקות בין כל התחזיות. משוואה 11 מראה שדיוק מאוזן הוא המדד המתאים להערכת ביצועים במצבים אלו. "N" מייצג את מספר המחלקות. TP, TN, FP ו-FN מציינים את מספר החיוביים האמיתיים, השליליים האמיתיים, החיוביים השגויים והשליליים השגויים, בהתאמה, במחקר זה עם N=3. הדיוק המאוזן שהושג היה 99.1%
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
בעוד שהמסגרת המוצעת של GAN–CNN מדגימה הכללה חזקה, קיימות שיטות חלופיות נוספות כגון ארכיטקטורות ראייה מבוססות טרנספורמר, CNNים משופרים בקשב, או למידת ייצוג בפיקוח עצמי שיכולות להתמודד עם השערות דומות. אלו עשויים להציע יתרונות בפרשנות תכונות או ביעילות חישובית, ויש להעריך אותם יחסית בעתיד17,19.
שיפור דיוק הזיהוי והסיווג מיוחס לשלושה גורמים מרכזיים. ראשית, המודל נשאר יציב כאשר מתחשבים בשינויים בתכונות פיז...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
למחברים אין ניגודי עניינים.
המחברים מודים בהכרת תודה על התמיכה שניתנה על ידי בית הספר לאמנות ועיצוב באוניברסיטת גואנגג'ואו, גואנגג'ואו, סין, שסייעה להשלמת מחקר זה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| קנון EOS 90D | קנון בע"מ, טוקיו, יפן | חיישן CMOS EOS 90D 32.5 מגה-קול | מצלמת דימות דיגיטלית לרכישת תמונות בד |
| מעבד Intel i7 | חברת אינטל, סנטה קלרה, קליפורניה, ארה"ב | https://www.intel.com | יחידת עיבוד מרכזית רב-ליבות (CPU) לעיבוד חישובי |
| מסגרת הלמידה העמוקה של קרס | Google LLC, מאונטיין ויו, קליפורניה, ארה"ב | https://keras.io | ספריית תוכנות ללמידה עמוקה לפיתוח רשתות עצביות |
| נורת טבעת LED (5500 K) | מערכת תאורה מעבדתית זמינה מסחרית | לא רלוונטי | מקור תאורה מבוקר לרכישת תמונה אחידה |
| כרטיס גרפי GTX1060MQ NVIDIA GeForce | חברת NVIDIA, סנטה קלרה, קליפורניה, ארה"ב | https://www.nvidia.com | יחידת עיבוד גרפיקה (GPU) לחישוב למידה עמוקה מואצת |
| ספריית OpenCV | קהילת קוד פתוח | https://opencv.org | ספריית תוכנות ראיית מחשב לעיבוד תמונה |
| שפת תכנות פייתון | קרן התוכנה של פייתון, וילמינגטון, דלאוור, ארה"ב | https://www.python.org | שפת תכנות ברמה גבוהה ליישום למידת מכונה |
| מודל ResNet50 מאומן מראש | Microsoft Research / He et al. (2016) | https://keras.io/api/applications/resnet/ | ארכיטקטורת רשת עצבית קונבולוציונית מאומנת מראש לחילוץ וסיווג תכונות |
| ספריית scikit-learn | קהילת קוד פתוח | https://scikit-learn.org | ספריית תוכנות למידת מכונה לניתוח נתונים והערכת מודלים |
| מסגרת TensorFlow | Google LLC, מאונטיין ויו, קליפורניה, ארה"ב | https://www.tensorflow.org | מסגרת למידה עמוקה לאימון ופריסה של רשתות עצביות |
| חוט עיוות (פוליאסטר, 83 dtex) | מעבדת טקסטיל פנימית | לא רלוונטי | חוט טקסטיל סינתטי המשמש כחומר לעיוות בדגימות בד ארוג |
| דוגמאות לבדים ארוגים (פשוט, סאטן, טויל) | מעבדת טקסטיל פנימית | חוטי פוליאסטר 110 dtex | דגימות טקסטיל ארוגות מייצגות עם מבני אריגה שונים |
בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה
בקש הרשאה