Onderzoeksartikel
Een end-to-end deep learning-framework dat CNN's, GANs en UNet-gebaseerde dedoising integreert, werd ontwikkeld voor geautomatiseerde herkenning van geweven stofpatronen. Augmentatie en synthetische beeldgeneratie verbeterden de robuustheid. De methode behaalde 99,1% nauwkeurigheid en bood een schaalbare oplossing voor industriële textielinspectie.
De kwaliteit en productie van hoogwaardige textiel zijn grotendeels afhankelijk van nauwkeurige herkenning van weefpatronen, die traditioneel worden geïdentificeerd door handmatige visuele inspectie. Deze aanpak is echter subjectief, tijdrovend en foutgevoelig. Hoewel machine learning-methoden automatisering bieden, vertrouwen ze vaak op handgemaakte functies die gevoelig zijn voor licht- en beeldvariaties, waardoor hun robuustheid en schaalbaarheid beperkt worden. Zelfs deep learning-modellen ondervinden generalisatieproblemen door domeinverschuivingen in de echte verwervingsomstandigheden, en om deze uitdagingen aan te pakken, wordt een nieuw deep learning-framework voorgesteld dat een Convolutioneel Neural Network (CNN) combineert met Generative Adversarial Networks (GANs) voor end-to-end fabric-classificatie. De aanpak integreert geometrische en fotometrische data-augmentatie met UNet-gebaseerde beelddenoising, terwijl de GAN-component hoogwaardige synthetische beelden genereert om de trainingsdiversiteit en feature learning te vergroten. Experimenten met een geweven stofdataset tonen aan dat deze methode state-of-the-art prestaties behaalt, met een evenwichtige nauwkeurigheid van 99,1%, en beter presteert dan basismodellen in nauwkeurigheid, generaliseerbaarheid en robuustheid tegen visuele vervormingen. Dit kader biedt een schaalbare en betrouwbare oplossing voor geautomatiseerde textielinspectie, met aanzienlijke gevolgen voor het verbeteren van de efficiëntie en het verminderen van handarbeid in industriële textielproductie. Dit werk integreert CNN, GAN en U-vormige Convolutional Neural Network (UNet)-modules in één optimalisatie-gebaseerde leerpijplijn in plaats van het dedoisen, datacreatie en classificatie als afzonderlijke processen te behandelen. Het gezamenlijke trainingsmechanisme creëert een feedbacklus tussen het generatieve en discriminatieve netwerk, methodisch een stap verder dan standaard fine-tuningpraktijken.
Ontwerp, herontwerp, textuuranalyse en het esthetische uiterlijk van materialen worden allemaal sterk beïnvloed door patroon, wat de belangrijkste factor is bij de productie van stof. Stof is een historische menselijke uitvinding die is geëvolueerd van handgemaakte stof tot moderne machinaal geproduceerde digitale stoffen1. Voordat ze verder worden verwerkt door weefmachines, moeten geweven stoffen patronen worden geïdentificeerd. Tegenwoordig blijven traditionele methoden die vertrouwen op visuele waarneming, versterkt door instrumenten zoals microscopen of vergrootglazen, de ruggengraat van het herkennen van stofpatronen. Meestal voert een specialist met de benodigde opleiding en ervaring deze handmatige evaluatie uit. Het wordt echter gekoppeld aan een aantal nadelen, zoals overmatig werk, inefficiëntie en tijdsverbruik, naast psychologische problemen zoals fysieke en mentale stress, lusteloosheid en uitputting die uiteindelijk de identificatieresultaten beïnvloeden. Daarom is een geautomatiseerde onderzoeksmethodenoodzakelijk om stofpatronen te identificeren en hoogwaardige producten te produceren die aan de klantbehoeften voldoen.
Stofpatroonherkenning heeft recentelijk aandacht gekregen en groot succes geboekt3. In grote lijnen zijn er twee soorten methoden om weefselpatronen te herkennen: textuurgebaseerde statistische en modelgebaseerde methoden. De textuurgebaseerde statistische methode gebruikt voorbewerkte afbeeldingen. Een methode gebaseerd op fotometrische differentiaalanalyse werd uitgevoerd met een adaptief Wienerfilter en histogramequalizing om informatie over de structuur van het weefsel uit verschillende richtingen te verzamelen4. Daarna verdeelden ze afbeeldingen in subbeelden met behulp van een adaptief meshmodel om grijstintenkenmerken te extraheren. Hoewel het werk beperkt was tot eenvoudige geweven materialen, was het model betrouwbaar om interlacingplaatsen in de weefstructuur terug te halen. Een herkennings- of classificatie-algoritme wordt gebruikt door de op database/model gebaseerde cognitieve techniek om de weefselpatronen van de materialen te herkennen en te matchen.
Fabrictexturen zijn geclassificeerd met behulp van support vector machines (SVM) nadat features zijn geëxtraheerd via lokale binaire patronen (LBP) en gray-level co-occuror matrices (GLCM). Het gecombineerde gebruik van LBP en GLCM verbeterde de herkenningsprestaties vergeleken met beide descriptors individueel; de aanpak was echter volledig gebaseerd op handgemaakte kenmerken en werd niet geëvalueerd op gebreide of nonweven stoffen. Geweven stofpatronen zijn ook geïdentificeerd met behulp van transform-invariant low-rank textures (TILT) en histogram van georiënteerde gradiënten (HOG), terwijl warp- en weft-kruisingen werden gedetecteerd met fuzzy c-means clustering (FCM)6. Deze methode vertoonde beperkingen bij significante rotatievariaties en toonde een verminderde effectiviteit bij het detecteren van dubbele draadweefselstructuren. Daarnaast is een verbeterd convolutioneel neuraal netwerk (CNN) met een visualisatiestrategie voorgesteld voor complexe textuuranalyse; echter, validatie werd uitgevoerd op een beperkte dataset onder beperkte experimentele voorwaarden7.
Textuurgegevens zijn geëxtraheerd met behulp van het CIE-Lab kleurmodel en een co-occurrence matrix, waarna een zelforganiserend kaartnetwerk (SOM) werd gebruikt om stoffenweefselpatronen8 te categoriseren. De prestaties en nauwkeurigheid van deze algoritmen werden echter beïnvloed door de grootte van de database. Een textiel is een vlak materiaal dat bestaat uit textielvezels. FabricNet, ontwikkeld met behulp van een speciale klasse-gebaseerde ensemble-CNN-architectuur, was een van de vroege technieken om textielvezels te identificeren uit afbeeldingen9. Met behulp van fabric-datasets zijn deep learning-benaderingen voor nauwkeurige vezelherkenning geïmplementeerd met de algoritmen Faster R-CNN, SSD, Residual Network (ResNet50) en ResNet101, waarbij Faster R-CNN als het meest effectief wordt aangemerkt.
De pulsgekoppelde neurale netwerk (PCNN)-methode is gerapporteerd als beter dan andere benaderingen en benadrukte de noodzaak van verder onderzoek naar warp-knitted fabric databases10. Textielherkenning blijft uitdagend vanwege de tijdrovende aard van handmatige visuele inspectie, en studies hebben data-augmentatie en transfer learning geïmplementeerd voor classificatie en feature-extractie met behulp van residuele netwerken (ResNet), waarbij het meeste werk gericht is op het onderscheiden van handweef- en powerloom-stoffen. Er zijn ook methoden voorgesteld om verschillende steektypes te lokaliseren en te identificeren, hoewel de experimenten beperkt waren tot brei- en averaverechtse steken11. Veel eerdere technieken maakten gebruik van één afbeelding voor fabricprototyping via reverse engineering. Daarnaast is een op hoofdcomponentanalyse gebaseerde dimensionaliteitsreductiebenadering geïntroduceerd voor feature-extractie en classificatie in defecte fleecestoffen, waarmee wordt aangetoond dat de K-dichtstbijzijnde buurclassifier een hogere nauwkeurigheid behaalde dan de Naïeve Bayes-classificator.
Automatische identificatie van handgeweefde stoffen is ook bereikt met behulp van een deep metric learning-algoritme toegepast op een getagde dataset van 25.166 afbeeldingen van zes soorten handweeftextiel, verzameld bij lokale wevers in Assam,Noordoost-India. Door het leren van vertekende feature-representaties die efficiënte scheiding van vezeltypen binnen een geleerde featureruimte mogelijk maken, behaalde de aanpak een classificatienauwkeurigheid van 97,8% na uitgebreid testen en vergelijken met baselinemodellen. Deep learning-modellen gebaseerd op data-augmentatie en transfer learning zijn ook voorgesteld voor classificatie van geweven textiel met behulp van een Residual Network (ResNet) om automatisch textuurkenmerken te extraheren en te classificeren, waarbij prestaties worden geëvalueerd met nauwkeurigheid, gebalanceerde nauwkeurigheid en F1-score; Experimentele resultaten geven aan dat het model stabiel blijft en een state-of-the-art nauwkeurigheid bereikt, zelfs wanneer de fysieke kenmerken van het stofvariëren met 13.
Deep learning is verder toegepast om driedimensionale textielgeometrie te simuleren met behulp van architecturen die recurrente en convolutionele kenmerkencombineren 14. Door diepe neurale netwerken (DNN's) te trainen met behulp van een bibliotheek van vooraf berekende weaving-gevallen die zijn gegenereerd via digitale elementgebaseerde simulatie, schatte de methode 3D-textielarchitecturen en voorspelde stijfheidseigenschappen met een foutmarge van minder dan 10%, wat verbeterde rekenefficiëntie aantoont ten opzichte van traditionele modelleringsbenaderingen. Daarnaast is fabric-contexture geanalyseerd met patroonherkenning en beeldverwerkingstechnieken die parameters meten zoals geïsoleerde blokken, verticale en horizontale sectiesuccessie, en diagonale lijncontinuïteit15. Deze parameters maken het mogelijk om basisweefselpatronen te classificeren in satijn, keperer en plain categorieën met behulp van het Analytic Hierarchy Process (AHP), waarbij statistische evaluatie een sterke overeenstemming toont tussen voorspelde en experimentele classificatieresultaten.
Er is een op fog computing gebaseerde optimalisatiemethode voorgesteld voor fabric design analyse, bestaande uit vier hoofdfasen: fabricbeeldverzameling, preprocessing, feature extractie en classificatie16. Met fog-edge-apparaten voor beeldacquisitie past het systeem verschillende filtertechnieken toe tijdens de preprocessing, waarna kenmerken worden geëxtraheerd met behulp van een gray-level co-appearance matrix (GLCM) en geclassificeerd via een ensemble deep learning-model. Experimentele resultaten tonen de effectiviteit van deze aanpak aan, met een superieure nauwkeurigheid vergeleken met bestaande algoritmen. Daarnaast is er een op neuraal netwerk gebaseerd kader ontwikkeld om de parapludrapering van geweven stoffen te karakteriseren door objectieve categorisatiecriteria vast te stellen op basis van macro-niveau mechanische eigenschappen17. Het framework integreert ResNet-18 met een Deep Graph Convolutional Neural Network (DGCNN) om kenmerken respectievelijk uit drape-afbeeldingen en puntwolken te extraheren en te classificeren. Door middel van supervised learning werden beide netwerken geëvalueerd om het meest effectieve model te bepalen voor het extraheren van drape-stijlen uit ongelabelde datasets. Bovendien werd een sketch-downsampling (SDS) techniek geïntroduceerd om de puntwolken van parapluvormige draperieën weer te geven, waardoor een objectieve beoordeling van stofdraperieën mogelijk is en downstream toepassingen ondersteunen, zoals gelijkenisgebaseerde fabric retrieval.
Ondanks vooruitgang in deep learning blijft identificatie van geweven stoffen belemmerd door de afhankelijkheid van handgemaakte feature engineering en het ontbreken van gestandaardiseerde grootschalige databases. Traditionele inspectiemethoden lijden onder menselijke fouten en inconsistentie, terwijl veel geautomatiseerde modellen niet over de domeinadaptiviteit beschikken die nodig is om variaties in belichting, rotatie en camerahoeken aan te kunnen. Daarnaast beperkt het ontbreken van end-to-end geautomatiseerde frameworks en geavanceerde data-augmentatietechnieken de generalisatie en praktische schaalbaarheid van bestaande classificatiesystemen. In tegenstelling tot eerdere benaderingen die UNet, GAN of CNN onafhankelijk gebruiken, stelt deze studie een co-optimalisatiestrategie voor waarbij UNet-ontruisde outputs GAN-gebaseerde synthese sturen, en de gegenereerde texturen CNN-classificatie verder verfijnen via een iteratief feedbackproces, dat verder gaat dan conventionele modelstapeling of finetuning.
Daarom wordt een geïntegreerd end-to-end deep learning-framework geïntroduceerd dat UNet-gebaseerde denoising, GAN-gebaseerde datasynthese en CNN-gebaseerde classificatie combineert voor geautomatiseerde patroonherkenning van geweven stoffen, waarbij dataverbetering, generatieve augmentatie en feature learning worden verenigd binnen één trainbaar systeem. In dit kader dienen UNet-denoised beelden niet alleen als voorbewerkte inputs, maar ook als feedback voor GAN-generatie, wat de fotometrische consistentie en textuurrealisme verbetert, terwijl gezamenlijke optimalisatie over denoising, synthetische augmentatie en classificatie het leren van representatie en de robuustheid van domeinen verbetert. Door gebruik te maken van UNet-gebaseerde denoising en door GAN gegenereerde synthetische data om de variabiliteit en modelgeneralisatie te vergroten, en door een CNN-classifier te trainen op deze discriminerende kenmerken, streeft het systeem ernaar handmatige inspectie en conventioneel machine learning te vervangen, de efficiëntie van industriële inspecties te verbeteren, kwaliteitscontrole te verbeteren en arbeidsintensieve fouten te verminderen.
De voorgestelde end-to-end architectuur integreert CNN-gebaseerde classificatie, GAN-gedreven synthetische datageneratie en UNet-dedoising om de robuustheid tegen verlichting en textuurvariabiliteit te verbeteren, met een classificatienauwkeurigheid van 99,1%, waarbij overfitting wordt verminderd en handmatige feature engineering wordt geëlimineerd, waardoor de domeinaanpassing voor industriële textielinspectie verbetert.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Deze studie betrof geen menselijke deelnemers of dierlijke proefpersonen. Daarom waren ethische goedkeuring en geïnformeerde toestemming niet vereist. Het voorgestelde end-to-end classificatiekader voor geweven stoffen (Figuur 1) bestaat uit vier opeenvolgende fasen: beeldverwerving, voorverwerking en augmentatie, modeltraining en evaluatie. De uitgang van elke trap dient als ingang naar de volgende.
Fase 1: Beeldverwerving: Geweven stoffen beelden werden uit de dataset verkregen en vastgelegd met een digitale camera onder een gecontroleerde verlichtingsopstelling. Beelden werden gemaakt met 300 dpi en een vaste brandpuntsafstand van 50 mm.
Fase 2: Preprocessing en augmentatie: Beelden werden verkleind en voorbereid voor training. Om de generalisatie te verbeteren, werden geometrische en fotometrische augmentaties toegepast met behulp van een deep learning-framework dat horizontale en verticale flips (p = 0,1), affiene translatie (±0,1), schaalverdeling (0,8–1,2) en rotatie (±45°) omvatte. Fotometrische aanpassingen omvatten variaties in helderheid, contrast en verzadiging (±40%) en kleurvariatie (±10%).
Voor de training werd UNet-gebaseerd denoising toegepast. Het UNet-model werd geïmplementeerd in de Deep learning softwarebibliotheek (Keras Deep learning framework) en getraind voor 30 epochs met behulp van de Adam optimizer (leersnelheid = 0,001, batchgrootte = 16).
Fase 3: Modeltraining: Een GAN werd gebruikt om synthetische beelden van geweven stof te genereren om kenmerken te versterken. De discriminator bestond uit vijf convolutionele lagen met LeakyReLU-activatie, terwijl de generator vier convolutionele en vier deconvolutielagen omvatte. De GAN werd getraind voor 100 epochs met behulp van binaire kruis-entropieverlies (leersnelheid = 0,0002, β₁ = 0,5). De CNN-classifier (ResNet-50 backbone) werd vervolgens gezamenlijk getraind in een iteratief GAN–CNN-framework met een batchgrootte van 32, dropout van 0,2, een leersnelheid van 0,001 en de Adam-optimizer.
Fase 4: Modelevaluatie: De modelprestaties werden beoordeeld met behulp van nauwkeurigheid, precisie, terugroepen, F1-score en gebalanceerde nauwkeurigheid.
1. Beschrijving van de dataset
In totaal werden 3.540 geweven stoffen beelden verkregen uit 880 stofmonsters uit een openbaar beschikbare dataset onder gecontroleerde verlichtingsomstandigheden12. Hiervan werden 2.832 beelden gebruikt voor tests, terwijl de resterende 708 beelden werden uitgebreid tot 11.328 trainingsmonsters. De dataset is geanonimiseerd en vereist daarom geen ethische goedkeuring. Representatieve steekproeven zijn weergegeven in Figuur 2.
De dataset bestaat uit drie weefklassen: effen, satijn en keper. Stoffen werden geproduceerd met polyestergetextureerde garens (110 dtex; 1,14 en 3,05 dtex filament lineaire dichtheden) en polyester microfilament getextureerde garens (110 dtex; 0,33, 0,57 en 0,76 dtex) als inslag, en 83 dtex polyester garens (1,14 dtex) als ketting. Er werden drie weefseltypes geconstrueerd—1/1 effen, 3/2 keper en 4/1 satijn—geconstrueerd.
De gegevens die in deze studie zijn gebruikt, zijn verkregen uit een openbaar beschikbare dataset die ruwe en voorbewerkte beelden, augmentatiemetadata en door GAN gegenereerde steekproevenbevat 12. Extra augmentatie en GAN-gebaseerde synthese werden toegepast om de trainingsdiversiteit verder te vergroten. van de dataset. De uiteindelijke dataset bevatte 11.328 trainings- en 2832 testbeelden; 80% van de trainingsdata werd gebruikt voor modeltraining en 20% voor validatie. De structurele parameters varieerden als volgt: lineaire garendichtheid (Ne: 6–40), garendichtheid (25–58 einden/cm) en oppervlaktedichtheid van de stof (125–485 gsm). Training en testen werden uitgevoerd op een grafische verwerkingsunit met behulp van een deep learning-framework en software.
2. Voorgestelde efficiënte preprocessing met augmentatie
Om beperkte trainingsdata aan te pakken en de generalisatie te verbeteren, werd data-augmentatie toegepast. Augmentatie breidt de dataset uit zonder de modelarchitectuur aan te passen, vermindert overfitting en verhoogt de robuustheid. Er werden twee soorten augmentatie toegepast:
Geometrische augmentatie:
Transformaties omvatten horizontale en verticale flips (p = 0,1), affiene transformatie (translate = 0,1, schaal = 0,8–1,2) en vaste hoekrotatie (45°). Deze operaties simuleren variaties in warp-inslagoriëntatie en beeldvormingscondities (Figuur 3).
Fotometrische augmentatie:
Om de robuustheid van verlichting en sensorvariabiliteit te vergroten, werden helderheid, contrast en verzadiging aangepast met ±40%, en tint met ±10%. Deze aanpassingen behouden de geometrische structuur terwijl de lichtkenmerken variëren (Figuur 4).
3. Denoising met UNet
UNet is een encoder–decoder convulutionele architectuur die wordt gebruikt om gestructureerde geweven texturen te denoiseren. Omdat stofpatronen gevoelig zijn voor sensor- en verlichtingsruis, wordt het geluidsdempen vóór de classificatie uitgevoerd om structurele details te behouden; het netwerk gebruikt een sigmoid-activatiefunctie in de uitvoerlaag en de op UNet gebaseerde denoising-architectuur (Figuur 5). De gedenoisede beelden dienden als verfijnde input voor de GAN–CNN-pijplijn voor synthetische generatie en classificatie. De wiskundige formulering van het UNet-deoisingproces en de GAN-optimalisatiestrategie (Vergelijkingen 1–10) zijn beschikbaar in Aanvullend Bestand 1. De interactie tussen UNet-, GAN- en CNN-modules binnen het end-to-end kader wordt geïllustreerd in Figuur 6.
4. Voorgestelde End-to-End modelgeneratie en training met behulp van GAN-CNN
Het GAN–CNN hybride raamwerk werd gebruikt voor het herkennen van geweven stoffen patronen. Zoals getoond in Figuur 6, werd een generatief adversarieel netwerk (GAN), bestaande uit een generator (G) en een discriminator (D), gebruikt om realistische geweven stofbeelden te synthetiseren onder wisselende licht-, ruis- en textuurcondities om de diversiteit van datasets te vergroten, terwijl het CNN discriminatiekenmerken leerde van zowel echte als gegenereerde samples om de classificatienauwkeurigheid te verbeteren.
5. CNN-gebaseerde classificatie
Na GAN-gebaseerde beeldsynthese werden zowel echte als gegenereerde geweven stofbeelden gebruikt om een CNN te trainen voor het extractie en classificeren van textuurkenmerken. Een vooraf getrainde ResNet-50-architectuur werd toegepast om drie weefseltypes te classificeren. De oorspronkelijke volledig verbonden laag werd verwijderd, terwijl de vroege convolutionele lagen als ruggengraat werden behouden. Bovenop deze ruggengraat werden een globale gemiddelde poollaag, twee batchnormalisatielagen, twee volledig verbonden lagen (512 en 256 neuronen), ReLU-activaties en dropout toegevoegd. Een Softmax-laag voerde de laatste classificatie van drie klassen uit. De aangepaste architectuur is te zien in Figuur 7.
Het model werd getraind met de Adam-optimizer met categorisch kruis-entropieverlies gedurende 50 epochs (batchgrootte = 32, leersnelheid = 0,001, dropout = 0,2). Hyperparameterafstemming wordt uitgevoerd via rasterzoektocht (leersnelheid: 0,001–0,0001; batchgrootte: 16–64; uitval: 0,1–0,3). Vroegtijdig stoppen op basis van validatieverlies werd toegepast om overfitting te voorkomen, waarbij convergentie in ongeveer 2,3 uur per training werd bereikt.
Er werd een gecoördineerde end-to-end trainingsstrategie toegepast om consistentie te waarborgen tussen de niveaus van denoising, datasynthese en classificatie. De UNet werd eerst vooraf getraind voor 30 epochs met behulp van ruisy–clean beeldparen (Adam, leersnelheid = 0,001, batchgrootte = 16, MSE-verlies). De GAN-module, bestaande uit een generator met vier convolutionele en vier deconvolutielagen en een discriminator met vijf convolutionele lagen met behulp van LeakyReLU-activaties, werd adversarieel getraind gedurende 100 epochs (binaire kruis-entropieverlies, β₁ = 0,5, leersnelheid = 0,0002). Vervolgens werden de GAN en CNN gezamenlijk getraind in een iteratieve lus gedurende 50 epochs (batchgrootte = 32), waarbij gegenereerde samples werden gebruikt om de classifier bij te werken. CNN-optimalisatie gebruikte de Adam-optimizer (leersnelheid = 0,001, dropout = 0,2), die stabiele convergentie en verbeterde generalisatie over weefseltypes bevorderde.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Evaluatiemetrieken
Nauwkeurigheid is de meest gebruikte evaluatiestatistiek voor categorisatie. Dit wordt gedefinieerd als het aandeel nauwkeurige voorspellingen tussen alle voorspellingen. Vergelijking 11 toont aan dat gebalanceerde nauwkeurigheid de juiste prestatie-evaluatiemaatstaf is om in deze omstandighedente gebruiken 18. "N" staat voor het aantal klassen. TP, TN, FP en FN duiden respectievelijk het aantal echte positie...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Hoewel het voorgestelde GAN–CNN-kader sterke generalisatie laat zien, zijn er andere alternatieve methoden zoals transformer-gebaseerde visiearchitecturen, aandachtsversterkte CNN's of zelf-supervised representatieleer die vergelijkbare hypothesen kunnen behandelen. Deze kunnen voordelen bieden in feature-interpreteerbaarheid of rekenkundige efficiëntie en moeten in de toekomst relatief worden geëvalueerd 17,19.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs hebben geen belangenconflicten.
De auteurs erkennen dankbaar de steun van de School of Art and Design van de Universiteit van Guangzhou, Guangzhou, China, die de voltooiing van dit onderzoek mogelijk maakte.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Canon EOS 90D | Canon Inc., Tokyo, Japan | EOS 90D 32,5 MP CMOS-sensor | Digitale beeldvormingscamera voor het verkrijgen van textielbeelden |
| Intel i7 Processor | Intel Corporation, Santa Clara, CA, USA | https://www.intel.com | Multi-core centrale verwerkingseenheid (CPU) voor computationele verwerking |
| Keras Deep Learning Framework | Google LLC, Mountain View, CA, USA | https://keras.io | Deep learning softwarebibliotheek voor neurale netwerkontwikkeling |
| LED Ring Light (5500 K) | Commercieel verkrijgbaar laboratoriumverlichtingssysteem | Niet van toepassing | Gecontroleerde verlichtingsbron voor uniforme beeldacquisitie |
| NVIDIA GeForce GTX1060MQ GPU | NVIDIA Corporation, Santa Clara, CA, USA | https://www.nvidia.com | Grafische verwerkingseenheid (GPU) voor versnelde deep learning-berekeningen |
| OpenCV Bibliotheek | Open Source Community | https://opencv.org | Computer vision softwarebibliotheek voor beeldverwerking |
| Python Programmeertaal | Python Software Foundation, Wilmington, DE, USA | https://www.python.org | High-level programmeertaal voor machine learning implementatie |
| ResNet50 Voorgetraind Model | Microsoft Research / He et al. (2016) | https://keras.io/api/applications/resnet/ | Voorgetrainde convolutional neural network architectuur voor functie-extractie en classificatie |
| scikit-learn Bibliotheek | Open Source Community | https://scikit-learn.org | Machine learning softwarebibliotheek voor data-analyse en modelevaluatie |
| TensorFlow Framework | Google LLC, Mountain View, CA, USA | https://www.tensorflow.org | Deep learning framework voor neurale netwerktraining en implementatie |
| Warp Garen (Polyester, 83 dtex) | Intern textiellaboratorium | Niet van toepassing | Synthetisch textielgaren gebruikt als kettingmateriaal in geweven textielmonsters |
| Geweven Textielmonsters (Plain, Satin, Twill) | Intern textiellaboratorium | Polyester garens 110 dtex | Representatieve geweven textielmonsters met verschillende weefstructuren |
Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken
Toestemming aanvragen