ما یک رویکرد مبتنی بر خط لوله برای مدل یادگیری عمیق خود پیشنهاد کردیم. خط لوله شامل چند مرحله بود.
مرحله اول تصاویر پارچه پنبه ای را دریافت کرد که با طبقه بندی مدل به پایان رسید. خروجی هر مرحله در خط لوله به عنوان ورودی مرحله بعدی عمل می کند.
روش خط لوله پیشنهادی جزئیات به شرح زیر است:
● کسب و پیش پردازش تصویر
تصاویر پارچه ملحفه بافته شده برای تشکیل یک مجموعه داده جمع آوری شد. مجموعه داده نیاز به تبدیل مناسب، تغییر اندازه و پیش پردازش تصاویر داشت.
تعداد تصاویر از نظر اندازه کوچک‌تر بود، بنابراین از تکنیک‌های تقویت مختلف برای افزایش مجموعه داده استفاده کردیم، که به مدل کمک کرد تعمیم خوبی داشته باشد و تشخیص بهتری را انجام دهد.
● تولید مدل و آموزش
الگوریتم یادگیری که داده های ورودی X را دریافت می کند (نقشه به ویژگی های هدف) و پیش بینی خروجی Y را مدل می گویند.
برای مدل خود، از معماری شبکه باقیمانده (ResNet-50) استفاده کردیم. در طول آموزش، الگوریتم بهینه سازی پارامترها (وزن به روز رسانی و سوگیری ها) را انجام داد که برای تشخیص مدل استفاده شد.
در آینده قصد داریم کار خود را به سایر انواع پارچه جین کاغذی بافته شده و نبافته گسترش دهیم.
● ارزیابی مدل
عملکرد مدل ما با استفاده از معیارهای ارزیابی مختلف مانند دقت، دقت متعادل، دقت، یادآوری و امتیاز F1 مورد ارزیابی قرار گرفت.
نتایج تجربی او نشان داد که روش پیشنهادی بهتر از سایر مطالعات موجود عمل می کند. این مدل زمانی قوی است که تغییراتی مانند رنگ پارچه فاستونی راه راه، ضخامت نخ، جهت چرخشی و نور ناهموار در نظر گرفته شود.
مدل پیشنهادی از پارامترهای کمتری در حین آموزش استفاده می‌کند که آن را از نظر محاسباتی مقرون‌به‌صرفه می‌سازد، و بنابراین پتانسیل را برای صنعت نساجی و مد دارد.
- منابع:
- تبلیغات:
