UNet, GAN ve CNN kullanarak Otomatik Dokuma Doku Desen Tanıma İçin Uçtan Uca Derin Öğrenme Çerçevesi

Özet

CNN, GAN ve UNet tabanlı ses yalıtımını entegre eden uçtan uca derin öğrenme çerçevesi, dokuma kumaş desenlerinin otomatik tanınması için geliştirilmiştir. Artırma ve sentetik görüntü üretimi sağlamlığı artırdı. Yöntem, endüstriyel tekstil denetimi için ölçeklenebilir bir çözüm sunarak %99,1 doğruluk sağladı.

Özet

Yüksek kaliteli tekstillerin kalitesi ve üretimi, geleneksel olarak manuel görsel inceleme yoluyla tanımlanan dokuma desenlerinin doğru tanınmasına bağlıdır. Ancak bu yaklaşım öznel, zaman alıcı ve hata yapmaya açıktır. Makine öğrenimi yöntemleri otomasyon sunarken, genellikle aydınlatma ve görüntü varyasyonlarına duyarlı el yapımı özelliklere dayanır, bu da dayanıklılıklarını ve ölçeklenebilirliklerini sınırlar. Derin öğrenme modelleri bile, gerçek dünya edinim koşullarındaki alan kaymaları nedeniyle genelleştirme sorunlarıyla karşı karşıya kalır ve bu zorlukları gidermek için, uçtan uca doku sınıflandırması için Konvolüsyon Sinir Ağı (CNN) ile Üretken Karşı Ağlar (GAN) birleştiren yeni bir derin öğrenme çerçevesi önerilmektedir. Yaklaşım, geometrik ve fotometrik veri artırmayı UNet tabanlı görüntü gürültüsü alma ile entegre ederken, GAN bileşeni eğitim çeşitliliğini ve özellik öğrenimini artırmak için yüksek kaliteli sentetik görüntüler üretir. Dokuma doku veri seti üzerinde yapılan deneyler, bu yöntemin %99,1 dengeli doğrulukla en son teknoloji performansı elde ettiğini ve görsel bozulmalara karşı dayanıklılık, genellenebilirlik ve dayanıklılık açısından temel modelleri geride bıraktığını göstermektedir. Bu çerçeve, otomatik tekstil denetimi için ölçeklenebilir ve güvenilir bir çözüm sunar; endüstriyel kumaş üretiminde verimliliği artırmak ve el işçiliğini azaltmak için önemli sonuçlar taşır. Bu çalışma, CNN, GAN ve U şeklinde Konvolüsyon Sinir Ağı (UNet) modüllerini tek bir optimizasyona dayalı öğrenme hattı içinde entegre eder; ses çıkarma, veri oluşturma ve sınıflandırmayı ayrı süreçler olarak ele almaktan kaçınır. Ortak eğitim mekanizması, üretken ve ayırt edici ağlar arasında bir geri besleme döngüsü oluşturur ve standart ince ayar uygulamalarından bir adım daha ileri gider.

Giriş

Tasarım, yeniden tasarım, dokusal analiz ve malzemelerin estetik görünümü, kumaş üretiminde en önemli faktör olan desen tarafından büyük ölçüde etkilenir. Kumaş, el yapımı kumaştan modern makine üretimi dijital kumaşlara evrilmiş tarihi bir insan^{icadıdır 1}. Dokuma makineleri ile daha fazla işlenmeden önce, dokuma kumaş desenleri tanımlanmalıdır. Günümüzde, görsel algıya dayanan geleneksel yöntemler, mikroskop veya büyüteç gibi araçlarla geliştirilen, kumaş desen algısının temel taşı olmaya devam ediyor. Genellikle, gerekli eğitim ve deneyime sahip bir uzman bu manuel değerlendirmeyi gerçekleştirir. Ancak, aşırı çalışma, verimsizlik ve zaman tüketimi gibi birçok dezavantajla bağlantılıdır; ayrıca fiziksel ve zihinsel stres, halsizlik ve yorgunluk gibi psikolojik sorunlar da nihayetinde kimlik sonuçlarını etkiler. Bu nedenle, kumaş desenlerini belirlemek ve müşteri ihtiyaçlarını karşılayan yüksek kaliteli ürünler üretmek için bilgisayarlı bir inceleme yaklaşımı gereklidir².

Kumaş desen tanıma son zamanlarda ilgi gördü ve büyük^{başarılar elde etti 3}. Genel olarak, doku desenlerini tanımak için iki tür yöntem vardır: doku tabanlı istatistiksel ve model tabanlı yöntemler. Doku tabanlı istatistiksel yöntem ise önceden işlenmiş görüntüleri kullanır. Fotometrik diferansiyel analize dayalı bir yöntem, adaptif bir Wiener filtresi ve histogram eşitleme kullanılarak kumaş yapısı hakkında çeşitli yönlerden bilgi toplamıştır⁴. Daha sonra, gri tonlu özellikleri çıkarmak için uyarlanabilir bir mesh modeli kullanarak görüntüleri alt görüntülere ayırdılar. İş sadece basit dokuma malzemelerle sınırlı olsa da, model dokuma yapısında iç içe geçme noktalarını bulmak için güvenilirdi. Bir tanıma veya sınıflandırma algoritması, materyallerin dokuma desenlerini tanımak ve eşleştirmek için veritabanı/model tabanlı bilişsel teknik tarafından kullanılır.

Yapı dokuları, yerel ikili desenler (LBP) ve gri seviyeli eşrastlanma matrisleri (GLCM) aracılığıyla özellikler çıkarıldıktan sonra destek vektör makineleri (SVM) kullanılarak ^{sınıflandırılmıştır.} LBP ve GLCM'nin birleşik kullanımı, tanım performansını her iki tanımlayıcıya göre bireysel olarak iyileştirdi; ancak yaklaşım tamamen el yapımı özelliklere dayanıyordu ve örgü ya da dokunmamış kumaşlar üzerinde değerlendirilmedi. Dokuma kumaş desenleri ayrıca dönüşüm-invariant düşük dereceli dokular (TILT) ve yönlendirilmiş gradyanların histogramı (HOG) kullanılarak tanımlanmıştır; warp ve weft kesişimleri ise bulanık c-ortalama kümelenmesi (FCM⁾⁶ kullanılarak tespit edilmiştir. Bu yöntem, önemli rotasyon değişimleri altında sınırlamalar gösterdi ve çift iplik dokuma yapılarını tespit etmede etkinliğin azaldığını gösterdi. Ayrıca, karmaşık doku analizi için görselleştirme stratejisine sahip geliştirilmiş bir konvolüsyon sinir ağı (CNN) önerilmiştir; Ancak, doğrulama sınırlı bir veri setinde, sınırlı deneysel koşullarda^{gerçekleştirilmiştir 7}.

Doku verileri, CIE-Lab renk modeli ve bir eşrastlanma matrisi kullanılarak çıkarılmıştır; ardından kumaş dokuma desenlerini kategorize etmek için kendi kendini organize eden harita (SOM) ağı^{kullanılmıştır 8}. Ancak, bu algoritmaların performansı ve doğruluğu, veritabanının büyüklüğünden etkilendi. Tekstil, tekstil liflerinden oluşan düzlemsel bir malzemedir. FabricNet, özel sınıf tabanlı bir CNN mimarisi kullanılarak geliştirilen ve tekstil liflerini görüntülerden tanımlamanın erken tekniklerinden^{biriydi 9}. Fabric veri setleri kullanılarak, doğru fiber tanıma için derin öğrenme yaklaşımları Faster R-CNN, SSD, Rezidual Network (ResNet50) ve ResNet101 algoritmalarıyla uygulanmıştır; en etkili olarak Faster R-CNN olarak belirlenmiştir.

Nabız bağlantılı sinir ağı (PCNN) yönteminin diğer yaklaşımları geride bıraktığı bildirilmiş ve warp-örülü kumaş veritabanları üzerinde daha fazla araştırma ihtiyacını^{vurgulamıştır 10}. El görsel incelemenin zaman alıcı doğası nedeniyle tekstil tanıma hâlâ zordur ve çalışmalar, kalıntı ağlar (ResNet) kullanılarak sınıflandırma ve özellik çıkarımı için veri artırma ve aktarım öğrenimi uygulamıştır; çoğu çalışma el dokuma ile elektrikli dokuma kumaşlarını ayırt etmeye odaklanmıştır. Farklı ilmek türlerini bulmak ve tanımlamak için yöntemler de önerilmiştir, ancak deneyler sadece örgü ve fırlatma¹¹ ile sınırlıydı. Birçok önceki teknik, kumaş prototipi için tek bir görüntüye dayanıyordu, tersine mühendislikle. Ayrıca, kusurlu poun kumaşlarda özellik çıkarımı ve sınıflandırması için ana bileşen analizine dayalı boyut azaltma yaklaşımı tanıtılmıştır ve bu da K-en yakın komşu sınıflandırıcının Naive Bayes sınıflandırıcısından daha yüksek doğruluk sağladığını göstermiştir.

El dokuma dokularının otomatik tanımlanması, Assam, Kuzeydoğu Hindistan'daki yerli dokumaça dokumalarından toplanan altı tür el dokuma tekstili ile alınan 25.166 görüntüden oluşan etiketlenmiş veri setine uygulanan derin metrik öğrenme algoritması kullanılarak da^{gerçekleştirilmiştir.} Öğrenilen özellik alanında fiber tiplerinin verimli ayrılmasını sağlayan önyargılı özellik temsillerini öğrenerek, yaklaşım kapsamlı test ve temel modellerle karşılaştırma sonrası %97,8 sınıflandırma doğruluğuna ulaşmıştır. Veri artırımı ve transfer öğrenimine dayalı derin öğrenme modelleri, doku özelliklerini otomatik olarak çıkarmak ve sınıflandırmak için Rezidual Network (ResNet) kullanılarak doku tekstil sınıflandırması için önerilmiştir; performans, doğruluk, dengeli doğruluk ve F1 puanı kullanılarak değerlendirilir; deneysel sonuçlar, modelin sabit kaldığını ve kumaş fiziksel özellikleri değişse bile son teknoloji doğruluğu sağladığını^{göstermektedir 13}.

Derin öğrenme, tekrarlayan ve konvolüsyon özellikleri birleştiren mimariler kullanılarak üç boyutlu tekstil geometrisini simüle etmek için daha da^{uygulanmıştır 14}. Dijital eleman tabanlı simülasyon yoluyla oluşturulan önceden hesaplanmış dokuma vakalarından oluşan bir kütüphaneyi kullanarak derin sinir ağlarını (DNN) eğitirebilek, yöntem 3D tekstil mimarilerini tahmin etti ve %10'un altında bir hata marjıyla sertlik özelliklerini tahmin etti; bu da geleneksel modelleme yaklaşımlarına kıyasla daha iyi hesaplama verimliliği gösterdi. Ayrıca, kumaş kondokusu, izole bloklar, dikey ve yatay kesit ardışıklığı ve çapraz çizgi sürekliliği¹⁵ gibi parametreleri ölçen desen tanıma ve görüntü işleme teknikleriyle analiz edilmiştir. Bu parametreler, temel dokuma desenlerinin Analitik Hiyerarşi Süreci (AHP) kullanılarak saten, twill ve düz kategorilere sınıflandırılmasını sağlar; istatistiksel değerlendirme, tahmin edilen ve deneysel sınıflandırma sonuçları arasında güçlü uyum gösterir.

Kumaş tasarım analizi için dört ana aşamadan oluşan sis hesaplama tabanlı bir optimizasyon yöntemi önerilmiştir: kumaş görüntü toplama, ön işleme, özellik çıkarma ve sınıflandırma¹⁶. Görüntü elde etmek için sis-kenar cihazları kullanan sistem, ön işleme sırasında çeşitli filtreleme teknikleri uygular; ardından özellikler gri seviyesinde bir eş-oluş matrisi (GLCM) kullanılarak çıkarılır ve derin öğrenme modeli aracılığıyla sınıflandırılır. Deneysel sonuçlar, bu yaklaşımın etkinliğini göstermekte ve mevcut algoritmalara kıyasla üstün doğruluk göstermektedir. Ayrıca, dokuma kumaşların şemsiye örtüsünü karakterize etmek için makro düzeyde mekanik özelliklere dayalı nesnel kategorilendirme kriterleri oluşturularak sinir ağı tabanlı bir çerçeve^{geliştirilmiştir 17}. Çerçeve, ResNet-18'i Derin Grafik Konvolüsyon Sinir Ağı (DGCNN) ile entegre ederek sırasıyla örtü görüntüleri ve nokta bulutlarından özellikleri çıkarır ve sınıflandırır. Denetimli öğrenme sayesinde, her iki ağ da değerlendirilerek etiketlenmemiş veri setlerinden örtü stillerinin çıkarılmasında en etkili modeli belirlendi. Ayrıca, şemsiye şeklindeki perdelerin nokta bulutlarını temsil etmek için eskiz-aşağı numuneleme (SDS) tekniği tanıtıldı; bu da kumaş örtüsünün objektif bir değerlendirmesini mümkün kıldı ve benzerlik temelli kumaş geri alımı gibi sonraki uygulamaları destekledi.

Derin öğrenmedeki gelişmelere rağmen, dokuma kumaş tanımlama el yapımı özellik mühendisliğine bağımlılık ve standartlaştırılmış büyük ölçekli veritabanlarının eksikliği nedeniyle hâlâ engellenmektedir. Geleneksel denetim yöntemleri insan hatası ve tutarsızlıktan muzdariptirken, birçok otomatik model ışık, dönüş ve kamera açılarındaki farklılıkları yönetmek için gereken alan uyumluluğundan yoksundur. Ayrıca, uçtan uca otomatik çerçevelerin ve gelişmiş veri artırma tekniklerinin olmaması, mevcut sınıflandırma sistemlerinin genelleştirilmesini ve pratik ölçeklenebilirliğini sınırlar. UNet, GAN veya CNN'i bağımsız olarak kullanan önceki yaklaşımların aksine, bu çalışma UNet'in denoizasyonlu çıktılarının GAN tabanlı sentezi yönlendirdiği ve üretilen dokuların CNN sınıflandırmasını yinelemeli geri bildirim süreciyle daha da geliştirdiği bir ortak optimizasyon stratejisi önerir; bu da geleneksel model yığımı veya ince ayarlamanın ötesine geçer.

Buna uygun olarak, UNet tabanlı ses kalitesi artırma, GAN tabanlı veri sentezi ve CNN tabanlı sınıflandırmayı birleştiren entegre uçtan uca derin öğrenme çerçevesi sunulmaktadır; bu çerçeveler tek bir eğitilebilir sistemde otomatik dokuma kumaş desen tanıma, veri geliştirme, üretken artırma ve özellik öğrenimi için oluşturulmuştur. Bu çerçevede, UNet ile denoizlenmiş görüntüler sadece önceden işlenmiş girdiler olarak değil, aynı zamanda GAN üretimi için geri bildirim olarak da hizmet eder; fotometrik tutarlılığı ve doku gerçekçiliğini artırırken, gürültü artırma, sentetik artırma ve sınıflandırma arasında ortak optimizasyon temsil öğrenmesini ve alan dayanıklılığını artırır. UNet tabanlı denoizasyon ve GAN tarafından üretilen sentetik verilerin kullanılarak özellik değişkenliğini ve model genellemesini artırarak, CNN sınıflandırıcısını bu ayırt edici özellikler üzerine eğitire, sistem manuel denetim ve geleneksel makine öğreniminin yerini almayı hedefliyor; endüstriyel denetim verimliliğini, kalite kontrolünü artırmayı ve emek yoğun hataları azaltmayı hedefliyor.

Önerilen uçtan uca mimari, CNN tabanlı sınıflandırma, GAN tabanlı sentetik veri üretimi ve UNet denoizasyonu entegre ederek aydınlatma ve doku değişkenliğine dayanıklılığı artırarak, %99,1 sınıflandırma doğruluğu sağlarken aşırı uyumu azaltır ve manuel özellik mühendisliğini ortadan kaldırır; böylece endüstriyel tekstil denetimi için alan uyum sağlar.

Protokol

Bu çalışma insan katılımcıları veya hayvan denekleri içermedi. Bu nedenle, etik onay ve bilgilendirilmiş onay gerekmiyordu. Önerilen uçtan uca dokuma kumaş sınıflandırma çerçevesi (Şekil 1) dört ardışık aşamadan oluşur: görüntü edinimi, ön işleme ve artırma, model eğitimi ve değerlendirme. Her aşamanın çıkışı, bir sonraki aşamaya giriş olarak hizmet eder.

Aşama 1: Görüntü Edinimi: Dokuma kumaş görüntüleri veri setinden alındı ve kontrollü aydınlatma sistemi altında dijital kamera kullanılarak çekildi. Görüntüler 300 dpi hızında 50 mm sabit odak uzaklığı kullanılarak alındı.

Aşama 2: Ön İşleme ve Artırma: Görüntüler boyutlandırıldı ve eğitime hazırlandı. Genelleştirmeyi artırmak için, yatay ve dikey çevirmeler (p = 0.1), afin çevirme (±0.1), ölçeklendirme (0.8–1.2) ve döndürme (±45°) dahil olmak üzere derin öğrenme çerçevesi kullanılarak geometrik ve fotometrik artırmalar uygulandı. Fotometrik ayarlamalar parlaklık, kontrast ve doygunluk değişimlerini (%±%40) ve ton varyasyonunu (%±%10) içeriyordu.
UNet tabanlı ses yalıtımı eğitimden önce uygulandı. UNet modeli, Derin öğrenme yazılım kütüphanesinde (Keras Derin öğrenme çerçevesi) uygulandı ve Adam optimizatoru kullanılarak 30 dönem boyunca eğitildi (öğrenme oranı = 0.001, parti boyutu = 16).

Aşama 3: Model eğitimi: Dokuma kumaşın sentetik görüntülerini oluşturmak için bir GAN kullanıldı; bu görüntüler özellikleri güçlendirdi. Ayrımcı, LeakyReLU aktivasyonuna sahip beş konvolüsyon katmandan oluşurken, jeneratör dört konvolüsyon ve dört dekonvolüsyon katmandan oluşuyordu. GAN, ikili çapraz entropi kaybı kullanılarak 100 dönem boyunca eğitildi (öğrenme oranı = 0.0002, β₁ = 0.5). CNN sınıflandırıcısı (ResNet-50 omurgası), 32 toplu büyüklük, 0.2 dropout, 0.001 öğrenme oranı ve Adam optimizatoru ile yinelemeli bir GAN–CNN çerçevesinde ortak eğitildi.

4. Aşama: Model Değerlendirmesi: Model performansı doğruluk, hassasiyet, hatırlama, F1 puanı ve dengeli doğruluk kullanılarak değerlendirildi.

1. Veri seti tanımı

880 kumaş örneğinden toplam 3.540 dokuma kumaş görüntü, kontrollü aydınlatma koşullarında halka açık bir veri setinden elde^{edildi 12}. Bunlardan 2.832'si test için kullanılırken, kalan 708 görüntü 11.328 eğitim örneği oluşturmak üzere artırıldı. Veri seti anonimleştirilmiş olup, etik onay gerektirmez. Temsilci örnekler Şekil 2'de gösterilmiştir.

Veri seti üç dokuma sınıfından oluşur: sade, saten ve twill. Kumaşlar, polyester dokulu iplikler (110 dtex; 1.14 ve 3.05 dtex filament lineer yoğunlukları) ve polyester mikrofilament dokulu iplikler (110 dtex; 0.33, 0.57 ve 0.76 dtex) olarak atkı, 83 dtex polyester iplikleri (1.14 dtex) ile çözgü olarak üretildi. Üç dokuma tipi—1/1 Düz, 3/2 Twill ve 4/1 Satin—inşa edildi.

Bu çalışmada kullanılan veriler, ham ve önceden işlenmiş görüntüler, artırma meta verileri ve GAN tarafından oluşturulan örnekleri içeren halka açık bir veri setinden ^{elde edilmiştir 12}. Eğitim çeşitliliğini artırmak için ek artırma ve GAN tabanlı sentezler uygulandı. veri setinin için. Son veri seti 11.328 eğitim ve 2832 test görüntüsünü içeriyordu; Eğitim verilerinin %80'i model eğitimi için, %20'si ise doğrulama için kullanıldı. Yapısal parametreler şu şekilde değişiyordu: iplik doğrusal yoğunluğu (Ne: 6–40), iplik sayısı (25–58 uç/cm) ve kumaş alan yoğunluğu (125–485 gsm). Eğitim ve testler, derin öğrenme çerçevesi ve yazılımı kullanılarak bir grafik işlem biriminde gerçekleştirildi.

2. Artırma ile Önerilen Verimli Ön İşleme

Sınırlı eğitim verilerini ele almak ve genelleştirmeyi geliştirmek için veri artırımı uygulandı. Artırma, model mimarisini değiştirmeden veri setini genişletir, aşırı uyumu azaltır ve dayanıklılığı artırır. İki tür artırma kullanılmıştır:

Geometrik artırma:
Dönüşümler arasında yatay ve dikey flipler (p = 0.1), affine dönüşüm (çeviri = 0.1, ölçek = 0.8–1.2) ve sabit açılı dönüş (45°) yer alıyordu. Bu işlemler, warp–weft yönü ve görüntüleme koşullarındaki değişimleri simüle eder (Şekil 3).

Fotometrik artırma:
Aydınlatmaya dayanıklılığı ve sensör değişkenliğini artırmak için parlaklık, kontrast ve doygunluk %±40, ton ise %±10 oranında ayarlandı. Bu değişiklikler, geometrik yapıyı korurken ışık özelliklerini değiştirir (Şekil 4).

3. UNet ile gürültü giderme

UNet, yapılandırılmış doku dokularını gürültüden arındırmak için kullanılan bir kodlayıcı–kodlayıcı konvolüsyon mimaridir. Kumaş desenleri sensör ve aydınlatma gürültüsüne duyarlı olduğundan, yapısal detayları korumak için sınıflandırmadan önce denoizasyon yapılır; ağ, çıkış katmanında bir sigmoid aktivasyon fonksiyonu ve UNet tabanlı gürültü azaltma mimarisi kullanır (Şekil 5). Gürültülü görüntüler, sentetik üretim ve sınıflandırma için GAN–CNN boru hattına geliştirilmiş girdiler olarak hizmet verdi. UNet denozizasyon sürecinin matematiksel formülasyonu ve GAN optimizasyon stratejisi (Denklemler 1–10) Ek Dosya 1'de sunulmaktadır. UNet, GAN ve CNN modülleri arasındaki uçtan uca çerçeve içindeki etkileşim Şekil 6'da gösterilmiştir.

4. GAN-CNN kullanılarak Uçtan Uca model üretimi ve eğitimi önerisi

GAN–CNN hibrit çerçevesi, dokuma kumaş desen tanıma için kullanılmıştır. Şekil 6'da gösterildiği gibi, jeneratör (G) ve ayrımcıdan (D) oluşan üretken bir düşman ağı (GAN) kullanılarak farklı ışık, gürültü ve doku koşullarında gerçekçi dokuma kumaş görüntüleri sentezlenerek veri seti çeşitliliği artırıldı; CNN ise sınıflandırma doğruluğunu artırmak için hem gerçek hem de üretilmiş örneklerden ayırt edici özellikler öğrendi.

5. CNN tabanlı sınıflandırma

GAN tabanlı görüntü sentezinin ardından, hem gerçek hem de üretilen doku kumaş görüntüleri, doku özellikleri çıkarımı ve sınıflandırması için CNN'i eğitmek için kullanıldı. Üç örgü tipini sınıflandırmak için önceden eğitilmiş bir ResNet-50 mimarisi benimsendi. Orijinal tamamen bağlı katman çıkarıldı, erken konvolüsyon katmanlar ise omurga olarak korundu. Bu omurga üzerine küresel ortalama havuzlama katmanı, iki parti normalizasyon katmanı, iki tam bağlı katman (512 ve 256 nöron), ReLU aktivasyonları ve dışarı çıkma eklendi. Softmax katmanı son üç sınıf sınıflandırmasını gerçekleştirdi. Değiştirilmiş mimari Şekil 7'de gösterilmiştir.

Model, 50 dönem boyunca kategorik çapraz entropi kaybı ile Adam optimizatoru kullanılarak eğitildi (parti büyüklüğü = 32, öğrenme oranı = 0.001, kesilme = 0.2). Hiperparametre ayarlama, ızgara araması ile yapılır (öğrenme oranı: 0.001–0.0001; parti sayısı: 16–64; terk edilme: 0.1–0.3). Doğrulama kaybına dayalı erken durma uygulanarak aşırı fitin önlenmesi sağlandı ve yakınsama yaklaşık 2,3 saat sürerek eğitim başına gerçekleştirildi.

Gürültü azaltma, veri sentezi ve sınıflandırma aşamalarında tutarlılığı sağlamak için koordineli uçtan uca eğitim stratejisi uygulandı. UNet ilk olarak gürültülü–temiz görüntü çiftleri kullanılarak 30 dönem için önceden eğitildi (Adam, öğrenme oranı = 0.001, parti boyutu = 16, MSE kaybı). GAN modülü, dört konvolüsyon ve dört dekonvolüsyon katmanlı bir jeneratör ile LeakyReLU aktivasyonları kullanan beş konvolüsyon katmanlı bir ayrımcıdan oluşuyor ve 100 dönem boyunca (ikili çapraz entropi kaybı, β₁ = 0.5, öğrenme oranı = 0.0002) düşmanca eğitildi. Daha sonra, GAN ve CNN 50 dönem boyunca (parti büyüklüğü = 32) yinelemeli bir döngüde ortak eğitildi ve sınıflandırıcı güncellenmek için oluşturulan örnekler kullanıldı. CNN optimizasyonu, Adam optimizer'i kullandı (öğrenme oranı = 0.001, terk = 0.2), bu da istikrarlı yakınsamayı ve örgü türleri arasında genelleştirmeyi geliştirdi.

Sonuçlar

Değerlendirme Metrikleri
Doğruluk, kategorizasyon için en yaygın kullanılan değerlendirme istatistiği olarak kullanılır. Bu, tüm tahminler arasındaki doğru tahminlerin oranı olarak tanımlanır. Denklem 11 , dengeli doğruluğun bu koşullarda kullanılacak uygun performans değerlendirme ölçütü^{olduğunu gösterir 18}. "N" sınıf sayısını temsil eder. TP, TN, FP ve FN, bu çalışmada sırasıyla gerçek pozitif, gerçek negatif, yanlış pozitif ...

Tartışma

Önerilen GAN–CNN çerçevesi güçlü genelleme gösterse de, benzer hipotezleri ele alabilecek transformator tabanlı görme mimarileri, dikkat artırılmış CNN'ler veya kendi denetimli temsil öğrenmesi gibi alternatif yöntemler de mevcuttur. Bunlar, özellik yorumlanabilirliği veya hesaplama verimliliği açısından avantajlar sağlayabilir ve gelecekte karşılaştırılabilir^{olarak değerlendirilmelidir 17,19}.

Gelişmiş...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Canon EOS 90D	Canon Inc., Tokyo, Japonya	EOS 90D 32.5 MP CMOS sensörü	Kumaş görüntü alımı için dijital görüntüleme kamerası
Intel i7 İşlemci	Intel Corporation, Santa Clara, CA, ABD	https://www.intel.com	Hesaplamalı işlem için çok çekirdekli merkezi işlemci birimi (CPU)
Keras Derin Öğrenme Çerçevesi	Google LLC, Mountain View, CA, ABD	https://keras.io	Sinir ağı geliştirme için derin öğrenme yazılım kütüphanesi
LED Halka Işık (5500 K)	Ticari olarak mevcut laboratuvar aydınlatma sistemi	Geçerli değil	Uniform görüntü alımı için kontrollü aydınlatma kaynağı
NVIDIA GeForce GTX1060MQ GPU	NVIDIA Corporation, Santa Clara, CA, ABD	https://www.nvidia.com	Hızlandırılmış derin öğrenme hesaplaması için grafik işlemci birimi (GPU)
OpenCV Kütüphanesi	Açık Kaynak Topluluğu	https://opencv.org	Görüntü işleme için bilgisayar görme yazılım kütüphanesi
Python Programlama Dili	Python Yazılım Vakfı, Wilmington, DE, ABD	https://www.python.org	Makine öğrenimi uygulaması için yüksek seviyeli programlama dili
ResNet50 Pretrained Model	Microsoft Araştırması / He ve ark. (2016)	https://keras.io/api/applications/resnet/	Özellik çıkarma ve sınıflandırma için önceden eğitilmiş konvolüsyon sinir ağı mimarisi
scikit-learn Kütüphanesi	Açık Kaynak Topluluğu	https://scikit-learn.org	Veri analizi ve model değerlendirmesi için makine öğrenimi yazılım kütüphanesi
TensorFlow Framework	Google LLC, Mountain View, CA, ABD	https://www.tensorflow.org	Sinir ağı eğitimi ve dağıtımı için derin öğrenme çerçevesi
Çözgüm İpliği (Polyester, 83 dtex)	Kendi Binası Tekstil Laboratuvarı	Geçerli değil	Dokuma kumaş örneklerinde çözgü malzemesi olarak kullanılan sentetik tekstil ipliği
Dokuma Kumaş Örnekleri (Sade, Saten, Twill)	Kendi Binası Tekstil Laboratuvarı	Polyester iplikler 110 dtex	Farklı dokuma yapılarına sahip temsil dokuma tekstil örnekleri