Articolo di ricerca
È stato sviluppato un framework end-to-end per deep learning che integra CNN, GAN e denoising basato su UNet per il riconoscimento automatico di pattern di tessuto tessuto. L'aumento e la generazione di immagini sintetiche hanno migliorato la robustezza. Il metodo ha raggiunto una precisione del 99,1%, offrendo una soluzione scalabile per l'ispezione tessile industriale.
La qualità e la produzione dei tessuti di alta qualità dipendono in gran parte dal riconoscimento accurato dei motivi di tessitura, che vengono tradizionalmente identificati tramite ispezione visiva manuale. Tuttavia, questo approccio è soggettivo, richiede tempo e soggetto a errori. Sebbene i metodi di machine learning offrano automazione, spesso si basano su funzionalità artigianali sensibili alle variazioni di illuminazione e immagini, limitandone robustezza e scalabilità. Anche i modelli di deep learning affrontano problemi di generalizzazione a causa di cambiamenti di dominio nelle condizioni di acquisizione nel mondo reale e, per affrontare queste sfide, viene proposto un nuovo framework di deep learning che combina una Rete Neurale Convoluzionale (CNN) con Reti Generative Adversarial (GAN) per la classificazione end-to-end del tessutile. L'approccio integra l'aumento geometrico e fotometrico dei dati con la riduzione del rumore delle immagini basata su UNet, mentre la componente GAN genera immagini sintetiche di alta qualità per migliorare la diversità dell'addestramento e l'apprendimento delle caratteristiche. Esperimenti su un dataset tessuto tessuto dimostrano che questo metodo raggiunge prestazioni all'avanguardia, con una precisione bilanciata del 99,1%, superando i modelli di base in accuratezza, generalizzazione e robustezza alle distorsioni visive. Questo framework offre una soluzione scalabile e affidabile per l'ispezione tessile automatizzata, con implicazioni significative per migliorare l'efficienza e ridurre il lavoro manuale nella produzione industriale di tessuti. Questo lavoro integra moduli CNN, GAN e Convolutional Neural Network (UNet) a forma di U in un'unica pipeline di apprendimento basata sull'ottimizzazione, invece di gestire la riduzione del rumore, la creazione dei dati e la classificazione come processi distinti. Il meccanismo di addestramento congiunto crea un circolo di feedback tra le reti generative e discriminative, andando oltre metodologicamente rispetto alle pratiche standard di fine-tuning.
Il design, il ridisegno, l'analisi della testura e l'aspetto estetico dei materiali sono tutti fortemente influenzati dal motivo, che è il fattore più importante nella produzione del tessuto. Il tessuto è un'invenzione storica umana che si è evoluta dal tessuto artigianale ai moderni tessuti digitali prodottia macchina 1. Prima di essere ulteriormente lavorati con macchinari tessitori, devono essere identificati i motivi di tessuto tessuto. Oggi, i metodi tradizionali che si basano sulla percezione visiva, potenziata da strumenti come microscopi o lenti d'ingrandimento, rimangono la base del rilevamento dei motivi in tessuto. Di solito, uno specialista con la formazione ed esperienza necessarie esegue questa valutazione manuale. Tuttavia, è collegata a numerosi svantaggi, come lavoro eccessivo, inefficienza e dispendio di tempo, oltre a problemi psicologici come stress fisico e mentale, letargia ed esaurimento che alla fine influenzano i risultati dell'identificazione. Pertanto, per identificare i modelli di tessuto e produrre prodotti di alta qualità che soddisfino le esigenze dei clienti, è necessario un approccio di esamecomputerizzato 2.
Il riconoscimento dei modelli tessuti ha recentemente attirato attenzione e ha ottenuto grandesuccesso 3. In generale, esistono due tipi di metodi per riconoscere i pattern di tessitura: statistici basati sulla texture e metodi basati su modelli. Il metodo statistico basato sulle texture utilizza immagini preelaborate. Un metodo basato sull'analisi differenziale fotometrica è stato eseguito utilizzando un filtro di Wiener adattivo e l'equalizzazione dell'istogramma per raccogliere informazioni sulla struttura del tessuto da varie direzioni4. Successivamente, hanno diviso le immagini in sottoimmagini utilizzando un modello adattivo a mesh per estrarre le caratteristiche in scala di grigi. Sebbene il lavoro fosse limitato a materiali tessuti semplici, il modello era affidabile per recuperare i punti di intreccio nella struttura tessutile. Un algoritmo di riconoscimento o classificazione viene utilizzato dalla tecnica cognitiva basata su database/modello per riconoscere e corrispondere ai modelli di tessuto dei materiali.
Le texture fabric sono state classificate utilizzando macchine a vettori di supporto (SVM) dopo aver estratto caratteristiche tramite schemi binari locali (LBP) e matrici di co-incidenza a livello di grigio (GLCM)5. L'uso combinato di LBP e GLCM ha migliorato le prestazioni di riconoscimento rispetto a entrambi i descrittori singolarmente; tuttavia, l'approccio si basava interamente su caratteristiche artigianali e non veniva valutato su tessuti a maglia o non tessuti. I pattern di tessuto tessuti sono stati identificati anche utilizzando texture a basso rango invarianti in trasformazione (TILT) e istogramma di gradienti orientati (HOG), mentre le intersezioni ordito e trama sono state rilevate tramite clustering fuzzy c-means (FCM)6. Questo metodo ha mostrato limitazioni sotto variazioni rotazionali significative e ha dimostrato una riduzione dell'efficacia nel rilevare le strutture di tessuto a doppio filo. Inoltre, è stata proposta una rete neurale convoluzionale (CNN) migliorata con una strategia di visualizzazione per l'analisi complessa delle texture; tuttavia, la validazione è stata condotta su un dataset limitato in condizioni sperimentalilimitate 7.
I dati delle texture sono stati estratti utilizzando il modello colore CIE-Lab e una matrice di co-incidenza, dopo di che è stata utilizzata una rete di mappe auto-organizzanti (SOM) per categorizzare i pattern ditessitura 8. Tuttavia, le prestazioni e l'accuratezza di questi algoritmi erano influenzate dalla dimensione del database. Un tessile è un materiale planare composto da fibre tessili. FabricNet, sviluppato utilizzando un'architettura CNN in ensemble basata su classi speciali, è stato tra le prime tecniche per identificare fibre tessili dalle immagini9. Utilizzando dataset di tessuti, sono stati implementati approcci di deep learning per il riconoscimento accurato delle fibre con gli algoritmi Faster R-CNN, SSD, Residual Network (ResNet50) e ResNet101, con Faster R-CNN identificato come il più efficace.
Il metodo della rete neurale accoppiata a impulsi (PCNN) è stato riportato come superiore ad altri approcci e ha evidenziato la necessità di ulteriori ricerche sui database di tessuto a maglia aurditura 10. Il riconoscimento tessile rimane difficile a causa della natura dispendiosa in termini di tempo dell'ispezione visiva manuale, e gli studi hanno implementato l'aumento dei dati e l'apprendimento per il trasferimento per la classificazione e l'estrazione delle caratteristiche utilizzando reti residue (ResNet), con la maggior parte del lavoro focalizzata sulla distinzione tra tessuti a telaio manuale e telai elettrici. Sono stati proposti anche metodi per localizzare e identificare diversi tipi di punti, anche se gli esperimenti si sono limitati ai punti a maglia erovescio 11. Molte tecniche precedenti si basavano su un'unica immagine per la prototipazione dei tessuti tramite reverse engineering. Inoltre, è stato introdotto un approccio di riduzione della dimensionalità basato sull'analisi delle componenti principali per l'estrazione e la classificazione delle caratteristiche nei tessuti in pile difettosi, dimostrando che il classificatore K-nearest neighbor ha raggiunto una precisione superiore rispetto al classificatore di Naive Bayes.
L'identificazione automatica dei tessuti a mano è stata inoltre realizzata utilizzando un algoritmo di deep metric learning applicato a un dataset taggato di 25.166 immagini provenienti da sei tipi di tessuti a telaio raccolti da tessitori nativi in Assam, nel Nord-estdell'India 12. Imparando rappresentazioni di caratteristiche distorte che permettono una separazione efficiente dei tipi di fibre all'interno di uno spazio di caratteristiche appreso, l'approccio ha raggiunto un'accuratezza di classificazione del 97,8% dopo test estesi e confronti con modelli di baseline. Modelli di deep learning basati su aumento dei dati e apprendimento per trasferimento sono stati proposti anche per la classificazione tessile tessile tessuta tramite una Rete Residua (ResNet) per estrarre e classificare automaticamente le caratteristiche delle texture, con prestazioni valutate tramite accuratezza, precisione bilanciata e punteggio F1; I risultati sperimentali indicano che il modello rimane stabile e raggiunge un'accuratezza all'avanguardia anche quando le caratteristiche fisiche del tessutovariano 13.
Il deep learning è stato ulteriormente applicato per simulare la geometria tessile tridimensionale utilizzando architetture che combinano caratteristiche ricorrenti econvoluzionali 14. Addestrando reti neurali profonde (DNN) utilizzando una libreria di casi di tessitura precomputata generati tramite simulazione digitale basata su elementi, il metodo ha stimato architetture tessili 3D e ha previsto le proprietà di rigidità con un margine di errore inferiore al 10%, dimostrando una migliore efficienza computazionale rispetto agli approcci tradizionali di modellazione. Inoltre, il contesto del tessuto è stato analizzato tramite tecniche di riconoscimento di pattern e elaborazione delle immagini che misurano parametri come blocchi isolati, successione di sezioni verticali e orizzontali, e continuità diagonale dellelinee 15. Questi parametri permettono la classificazione dei modelli base di tessuto in categorie satinate, twill e semplici utilizzando il Processo Analitico di Gerarchia (AHP), con una valutazione statistica che mostra un forte accordo tra i risultati previsti e quelli sperimentali.
È stato proposto un metodo di ottimizzazione basato sul calcolo della nebbia per l'analisi della progettazione del tessuto, composto da quattro fasi principali: raccolta delle immagini del tessuto, preprocessing, estrazione delle caratteristiche eclassificazione 16. Utilizzando dispositivi a bordo di nebbia per l'acquisizione delle immagini, il sistema applica varie tecniche di filtraggio durante la pre-elaborazione, dopo di che le caratteristiche vengono estratte utilizzando una matrice di co-incidenza a livello di grigio (GLCM) e classificate tramite un modello di deep learning in ensemble. I risultati sperimentali dimostrano l'efficacia di questo approccio, mostrando una precisione superiore rispetto agli algoritmi esistenti. Inoltre, è stato sviluppato un framework basato su reti neurali per caratterizzare il drappeggiamento ombrello dei tessuti tessuti stabilendo criteri di categorizzazione oggettiva basati su proprietà meccaniche a livellomacro 17. Il framework integra ResNet-18 con una Deep Graph Convolutional Neural Network (DGCNN) per estrarre e classificare caratteristiche da immagini drape e nuvole di punti, rispettivamente. Attraverso l'apprendimento supervisionato, entrambe le reti sono state valutate per determinare il modello più efficace per estrarre gli stili di drappeggio da dataset non etichettati. Inoltre, è stata introdotta una tecnica di schizzo di downsampling (SDS) per rappresentare le nuvole puntiforme di tende a forma di ombrello, consentendo una valutazione oggettiva del drappeggio del tessuto e supportando applicazioni a valle, come il recupero di tessuto basato sulla similarità.
Nonostante i progressi nel deep learning, l'identificazione dei tessuti tessuti rimane ostacolata dalla dipendenza dall'ingegneria delle caratteristiche artigianale e dalla mancanza di database standardizzati su larga scala. I metodi di ispezione tradizionali soffrono di errori umani e incoerenza, mentre molti modelli automatizzati non dispongono dell'adattività di dominio necessaria per gestire variazioni di illuminazione, rotazione e angolazioni di telecamera. Inoltre, l'assenza di framework automatizzati end-to-end e di tecniche avanzate di aumento dei dati limita la generalizzazione e la scalabilità pratica dei sistemi di classificazione esistenti. A differenza degli approcci precedenti che impiegano UNet, GAN o CNN in modo indipendente, questo studio propone una strategia di co-ottimizzazione in cui i risultati UNet-denoised guidano la sintesi basata su GAN, e le texture generate affinano ulteriormente la classificazione CNN attraverso un processo di feedback iterativo, che va oltre lo stacking o la fine-tuning convenzionale dei modelli.
Di conseguenza, viene introdotto un framework integrato di deep learning end-to-end che combina la riduzione del rumore basata su UNet, la sintesi dati basata su GAN e la classificazione basata su CNN per il riconoscimento automatico di pattern tessuto tessuto, il miglioramento unificativo dei dati, l'aumento generativo e l'apprendimento delle caratteristiche all'interno di un unico sistema addestrabile. In questo contesto, le immagini senza noise non solo servono come input preprocessati ma anche come feedback per la generazione di GAN, migliorando la coerenza fotometrica e il realismo delle texture, mentre l'ottimizzazione congiunta tra denoisesing, aumento sintetico e classificazione migliora l'apprendimento delle rappresentazioni e la robustezza del dominio. Utilizzando la denoising basata su UNet e dati sintetici generati da GAN per aumentare la variabilità delle caratteristiche e la generalizzazione dei modelli, e addestrando un classificatore CNN su queste caratteristiche discriminative, il sistema mira a sostituire l'ispezione manuale e il machine learning convenzionale, migliorando l'efficienza dell'ispezione industriale, il controllo qualità e riducendo gli errori ad alta intensità di manodopera.
L'architettura end-to-end proposta integra la classificazione basata su CNN, la generazione di dati sintetici guidata da GAN e la riduzione del rumore UNet per migliorare la robustezza dell'illuminazione e della variabilità delle texture, raggiungendo un'accuratezza di classificazione del 99,1% riducendo il sovrafitting ed eliminando l'ingegneria manuale delle caratteristiche, migliorando così l'adattabilità del dominio per l'ispezione tessile industriale.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Questo studio non ha coinvolto partecipanti umani né soggetti animali. Pertanto, non erano necessarie approvazioni etiche e consenso informato. Il framework proposto di classificazione end-to-end dei tessuti tessuti (Figura 1) consiste in quattro fasi sequenziali: acquisizione dell'immagine, preprocessing e aumentazione, addestramento del modello e valutazione. L'uscita di ogni stadio funge da ingresso per il successivo.
Fase 1: Acquisizione dell'immagine: Immagini in tessuto tessuto sono state ottenute dal dataset e catturate utilizzando una fotocamera digitale sotto un sistema di illuminazione controllata. Le immagini venivano acquisite a 300 dpi utilizzando una lunghezza focale fissa di 50 mm.
Fase 2: Preprocessing e aumentazione: Le immagini sono state ridimensionate e preparate per l'addestramento. Per migliorare la generalizzazione, sono stati applicati aumenti geometrici e fotometrici utilizzando un framework di deep learning che includeva flip orizzontali e verticali (p = 0,1), traslazione affine (±0,1), scaling (0,8–1,2) e rotazione (±45°). Le regolazioni fotometriche includevano variazioni di luminosità, contrasto e saturazione (±40%) e variazioni di tonalità (±10%).
La denoising basata su UNet è stata applicata prima della formazione. Il modello UNet è stato implementato nella libreria software di deep learning (framework Keras Deep learning) ed è stato addestrato per 30 epoche utilizzando l'ottimizzatore Adam (tasso di apprendimento = 0,001, dimensione del lotto = 16).
Fase 3: Addestramento al modello: Un GAN veniva utilizzato per generare immagini sintetiche di tessuto tessuto per valorizzare le caratteristiche. Il discriminatore era composto da cinque strati convoluzionali con attivazione LeakyReLU, mentre il generatore includeva quattro strati convoluzionali e quattro strati deconvoluzionali. Il GAN è stato addestrato per 100 epoche utilizzando perdita binaria di entropia incrociata (tasso di apprendimento = 0,0002, β₁ = 0,5). Il classificatore CNN (backbone ResNet-50) è stato poi addestrato congiuntamente in un framework iterativo GAN–CNN con una dimensione di batch di 32, dropout di 0,2, tasso di apprendimento di 0,001 e l'ottimizzatore Adam.
Fase 4: Valutazione del Modello: Le prestazioni del modello sono state valutate utilizzando accuratezza, precisione, richiamo, punteggio F1 e accuratezza bilanciata.
1. Descrizione del set di dati
Un totale di 3.540 immagini di tessuto tessuto da 880 campioni di tessuto sono state ottenute da un dataset pubblicamente disponibile in condizioni di illuminazionecontrollata 12. Di queste, 2.832 immagini sono state utilizzate per i test, mentre le restanti 708 sono state integrate per generare 11.328 campioni di addestramento. Il dataset è anonimizzato e, pertanto, non richiede approvazione etica. Campioni rappresentativi sono mostrati nella Figura 2.
Il dataset comprende tre classi di tessitura: semplice, rasato e twill. I tessuti venivano prodotti utilizzando filati testurizzati in poliestere (densità lineari di filamenti di 110 dtex; 1,14 e 3,05 dtex) e filati in microfilamenti di poliestere (110 dtex; 0,33, 0,57 e 0,76 dtex) come trama e filati in poliestere 83 dtex (1,14 dtex) come ordidi. Furono costruiti tre tipi di tessitura—1/1 Semplice, 3/2 Twill e 4/1 Satin.
I dati utilizzati in questo studio sono stati ottenuti da un dataset pubblicamente disponibile che include immagini grezze e preprocessate, metadati di aumento e campioni generati daGAN 12. Ulteriori potenziamenti e sintesi basate su GAN sono stati applicati per aumentare ulteriormente la diversità dell'addestramento. del dataset. Il dataset finale conteneva 11.328 immagini di addestramento e 2832 immagini di test; L'80% dei dati di addestramento è stato utilizzato per l'addestramento del modello e il 20% per la validazione. I parametri strutturali variavano come segue: densità lineare del filo (Ne: 6–40), numero di filati (25–58 estremità/cm) e densità areale del tessuto (125–485 gsm). La formazione e i test venivano eseguiti su un'unità di elaborazione grafica utilizzando un framework e software di deep learning.
2. Preprocessing Efficiente Proposto con Augmentation
Per affrontare i dati di addestramento limitati e migliorare la generalizzazione, è stato applicato l'aumento dei dati. L'aumento espande il dataset senza modificare l'architettura del modello, riduce l'overfitting e migliora la robustezza. Furono impiegati due tipi di aumentazione:
Aumento geometrico:
Le trasformazioni includevano ribaltamenti orizzontali e verticali (p = 0,1), trasformazione affine (traslazione = 0,1, scala = 0,8–1,2) e rotazione ad angolo fisso (45°). Queste operazioni simulano variazioni nell'orientamento urdito-trama e nelle condizioni di imaging (Figura 3).
Aumento fotometrico:
Per aumentare la robustezza dell'illuminazione e della variabilità dei sensori, luminosità, contrasto e saturazione sono stati regolati del ±40% e della tonalità del ±10%. Queste modifiche preservano la struttura geometrica variando le caratteristiche di illuminazione (Figura 4).
3. Denoising usando UNet
UNet è un'architettura convoluzionale encoder–decoder utilizzata per derumore delle texture strutturate di tessuto tessuto. Poiché i pattern dei tessuti sono sensibili ai rumori di sensori e di illuminazione, la denoising viene effettuata prima della classificazione per preservare i dettagli strutturali; la rete utilizza una funzione di attivazione sigmoid nello strato di output e l'architettura di denoising basata su UNet (Figura 5). Le immagini denosed servivano come input raffinati alla pipeline GAN–CNN per la generazione e classificazione sintetica. La formulazione matematica del processo di denoising UNet e della strategia di ottimizzazione GAN (Equazioni 1–10) sono fornite nel File Supplementare 1. L'interazione tra moduli UNet, GAN e CNN all'interno del framework end-to-end è illustrata nella Figura 6.
4. Generazione e addestramento proposti di modelli end-to-end utilizzando GAN-CNN
Il framework ibrido GAN–CNN è stato utilizzato per il riconoscimento di pattern in tessuto tessuto. Come mostrato nella Figura 6, una rete generativa antagionale (GAN), composta da un generatore (G) e un discriminatore (D), è stata utilizzata per sintetizzare immagini tessuti tessuti realistici sotto condizioni variabili di illuminazione, rumore e texture per aumentare la diversità del dataset, mentre la CNN ha appreso caratteristiche discriminative sia da campioni reali che generati per migliorare l'accuratezza della classificazione.
5. Classificazione basata su CNN
Dopo la sintesi di immagini basata su GAN, sono state utilizzate sia immagini reali che generate di tessuto tessuto per addestrare una CNN all'estrazione e classificazione delle caratteristiche di texture. Fu adottata un'architettura ResNet-50 pre-addestrata per classificare tre tipi di tessura. Lo strato originale completamente connesso fu rimosso, mentre i primi strati convoluzionali furono mantenuti come spina dorsale. Sopra questa spina dorsale, sono stati aggiunti uno strato di pooling media globale, due strati di normalizzazione batch, due strati completamente connessi (512 e 256 neuroni), attivazioni ReLU e dropout. Uno strato Softmax eseguiva la classificazione finale in tre classi. L'architettura modificata è mostrata nella Figura 7.
Il modello è stato addestrato utilizzando l'ottimizzatore Adam con perdita categorica di entropia incrociata per 50 epoche (dimensione del lotto = 32, tasso di apprendimento = 0,001, dropout = 0,2). La regolazione degli iperparametri viene effettuata tramite ricerca a griglia (tasso di apprendimento: 0,001–0,0001; dimensione del lotto: 16–64; dropout: 0,1–0,3). È stata applicata una fermata precoce basata sulla perdita di validazione per prevenire il sovrafitting, con convergenza raggiunta in circa 2,3 ore per addestramento.
È stata adottata una strategia di addestramento coordinata end-to-end per garantire la coerenza tra le fasi di deruoting, sintesi dei dati e classificazione. L'UNet è stato inizialmente pre-addestrato per 30 epoche utilizzando coppie immagine rumore-pulite (Adam, tasso di apprendimento = 0,001, dimensione del lotto = 16, perdita MSE). Il modulo GAN, composto da un generatore con quattro strati convoluzionali e quattro di deconvoluzione e un discriminatore con cinque strati convoluzionali tramite attivazioni LeakyReLU, è stato addestrato in modo avversario per 100 epoche (perdita binaria di entropia incrociata, β₁ = 0,5, tasso di apprendimento = 0,0002). Successivamente, GAN e CNN sono stati addestrati congiuntamente in un ciclo iterativo per 50 epoche (dimensione del batch = 32), con campioni generati utilizzati per aggiornare il classificatore. L'ottimizzazione CNN utilizzava l'ottimizzatore Adam (tasso di apprendimento = 0,001, dropout = 0,2), promuovendo una convergenza stabile e una generalizzazione migliorata tra i tipi di weave.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Metriche di valutazione
L'accuratezza è la statistica di valutazione più utilizzata per la categorizzazione. Questo è definito come la proporzione di previsioni accurate tra tutte le previsioni. L'equazione 11 mostra che l'accuratezza bilanciata è la metrica appropriata per la valutazione delle prestazioni da utilizzare in questecircostanze 18. "N" rappresenta il numero di classi. TP, TN, FP e FN indicano rispettivamente i nume...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Sebbene il framework proposto GAN–CNN dimostri una forte generalizzazione, esistono altri metodi alternativi come architetture di visione basate su trasformatori, CNN con attenzione potenziata o apprendimento di rappresentazione auto-supervisionato che potrebbero affrontare ipotesi simili. Questi possono offrire vantaggi nell'interpretabilità delle caratteristiche o nell'efficienza computazionale e dovrebbero essere valutati in modo comparativo in futuro17,19...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Gli autori non hanno conflitti di interesse.
Gli autori riconoscono con gratitudine il supporto fornito dalla School of Art and Design dell'Università di Guangzhou, Guangzhou, Cina, che ha facilitato il completamento di questa ricerca.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Canon EOS 90D | Canon Inc., Tokyo, Giappone | Sensore CMOS EOS 90D da 32,5 MP | Fotocamera digitale per l'acquisizione di immagini in tessuto |
| Processore Intel i7 | Intel Corporation, Santa Clara, CA, USA | https://www.intel.com | Unità centrale di elaborazione (CPU) multi-core per l'elaborazione computazionale |
| Keras Deep Learning Framework | Google LLC, Mountain View, CA, USA | https://keras.io | Libreria software di deep learning per lo sviluppo di reti neurali |
| Anello luminoso LED (5500 K) | Sistema di illuminazione da laboratorio disponibile in commercio | Non applicabile | Sorgente di illuminazione controllata per l'acquisizione uniforme dell'immagine |
| NVIDIA GeForce GTX1060MQ GPU | NVIDIA Corporation, Santa Clara, CA, USA | https://www.nvidia.com | Unità di elaborazione grafica (GPU) per il calcolo accelerato di deep learning |
| Libreria OpenCV | Comunità Open Source | https://opencv.org | Libreria software di visione artificiale per l'elaborazione delle immagini |
| Linguaggio di programmazione Python | Python Software Foundation, Wilmington, DE, USA | https://www.python.org | Linguaggio di programmazione ad alto livello per l'implementazione di machine learning |
| Modello pre-addestrato ResNet50 | Microsoft Research / He et al. (2016) | https://keras.io/api/applications/resnet/ | Architettura di reti neurali convoluzionali pre-allenate per l'estrazione e la classificazione delle caratteristiche |
| Biblioteca scikit-learn | Comunità Open Source | https://scikit-learn.org | Libreria software di machine learning per l'analisi dei dati e la valutazione dei modelli |
| TensorFlow Framework | Google LLC, Mountain View, CA, USA | https://www.tensorflow.org | Framework di deep learning per l'addestramento e il deployment delle reti neurali |
| Filato per ordito (poliestere, 83 dtex) | Laboratorio Tessile Interno | Non applicabile | Filato tessile sintetico utilizzato come ordito in campioni di tessuto tessuto |
| Campioni di tessuto intrecciato (Semplice, Satinato, Twill) | Laboratorio Tessile Interno | Filati di poliestere 110 dtex | Campioni rappresentativi di tessuti tessuti con diverse strutture di tessitura |
Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE
Richiedi permesso