CN116051410B 基于图像增强的羊毛羊绒纤维表面形态结构图识别方法 （内蒙古工业大学）

基于图像增强的羊毛羊绒纤维表面形态结一种基于图像增强的羊毛羊绒纤维表面形强化学习训练的采样模型或者基于掩膜算法的数据作为Softmax层的输入，在每轮迭代训练中在少量图像数据中针对有效特征稀疏的问题实2(3)对执行概率及操作幅度进行离散化，获得能够在神经网络中进行梯度求解的离散其离散为10个均匀离散值；所述图像增强方法集合能够衍生出(N×8×10)2个子集合用于ASi表AS(2)完成每轮训练后，以设定的识别模型验证集准确率为指标在下一轮训练中修改对32.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特3.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特4.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特5.根据权利要求1所述基于图像增强的羊毛羊绒纤维表面形态结构图识别方法，其特(1)所述图像识别模型根据数据规模采取任意监督或半监督式学习方法训练，在迭代训练中将S4中输出的嵌入化表示作为图像识别模型的Softmax层采样依据，对生成的增强(2)识别模型训练阶段得到两种误差损失：①以识别误差形式参与图像识别模型的梯4中针对有效特征稀疏的问题实现羊毛羊绒纤维图像的准5[0019](3)对执行概率及操作幅度进行离散化，获得能够在神经网络中进行梯度求解的[0022](2)通过动态融入交叉熵训练和强化训练两种训练方法，完成采样模型自身的参数更新和图像识别模型反馈信号的获取。模型训练采用深度确定性策略梯度作为优化算[0025](1)在初始状态下，从所述图像增强方法集合中随机抽取若干增强方法生成增强[0027](1.2)在每轮的训练迭代中以初始随机生成的SubAS开始，以一个batchsize为单AS[0029](2)完成每轮训练后，以设定的识别模型验证集准确率为指标在下一轮训练中修6[0031](1)所述图像识别模型根据数据规模采取任意监督或半监督式学习方法训练，在迭代训练中将S4中输出的嵌入化表示作为图像识别模型的Softmax层采样依据，对生成的[0032](2)识别模型训练阶段得到两种误差损失：①以识别误差形式参与图像识别模型[0035](1)本发明能够在图像资源极低情况下完成羊毛羊绒纤维表面形态结构图的识[0036](2)在较低资源情况下，本发明可实现完全替代人工判别，并超过人工识别准确[0037](3)在图像数据稀缺情况下，本发明声明的数据增强方法能够帮助识别模型在有[0038](4)本发明的多种数据增强方法集合能够帮助识别模型在输入数据的稀疏存储中[0040](6)本发明将强化训练策略与识别模型结合，能够显著减少模型在训练过程中对[0042](8)相比传统识别模型，本发明基于数据增强方法的训练效果会随着数据量的扩7练十分依赖于训练数据的规模和质量，这对于纺织行业来说具有一定的人力及物力门槛。[0056]为此，本发明提供了一种基于图像增强的羊毛羊绒纤维表面形态结构图识别方合根据图像数据特点不同可选择不同的增强方法，也可设定统一的操作集合PIL(Python8出(N×8×10)2个子集合用于在训练过程中对纤维图像进行随机增强。在实际的识别模型可根据羊毛羊绒图像的图像特征通过经验值设定或作为采样模型的参数之一跟随模型梯[0073]本步骤提供了两种方案对参与识别模型训练的少量纤维图像样本进行图像增的参数更新和图像识别模型反馈信号的获取。模型训练采用深度确定性策略梯度(Deep9纤维图像的识别成功率阈值为99％)。其中图像识别模型每轮训练能够获得的有效特征是代训练中将S4中输出的嵌入化表示作为图像识别模型的Softmax层采样依据，对生成的增[0092]参考图1所示，本实施例基于图像增强的羊毛羊绒纤维图识别方法，包括以下步于如Embedding和Fingerprint方法将图像转换为n维向量空间，并通过归一化方法使图像化功能的类似于OpenCV的CreatTrackbar()函数得到对比度、亮度、曝光的直方图，后通过具有标注索引功能的类似于minMaxloc()的函数得到对应的索引，通过具有图像均衡化功能的类似于equalizeHist()的函数得到均衡化后的纤维图像。的类似于translate()的函数进行不同坐标轴的像素平移变换。找到适合当前批训练样本(batchsize)羊毛羊绒在每个批训练样本中使用该采样的概率以及该[0122]③由于利用强化学习训练模型参数，在具体的数学求解中该反馈信号是不可微[0127]④采样模型结合多个Softmax预测结果(具体视网络深度、参数量等参数设置而[0132]通过交叉熵训练和强化训练两种训练方法的动态融入完成采样模型自身的参数[0136]不同时间步即不同状态的输入为子集合SubAS中的增强方法ASi，搜索结果即序列[0141]采样模型在每个状态下均将AS中的元素向量ASi∈AS和神经网络隐藏层的输出htQ_learning的参数在梯度更新中重复对策略网络,[0152]④Q_Learning网络训练，θQ和θQ,分别表示两种Q_Learning学习网络Qπ和Q,的参[0168]S4.3.2，将多轮训练中Softmax的预测输出进行嵌入化表示(包括但不限于[0171]③通过向量的内积运算得到纤维图像Embedding最终的计算结果，作为采样模型的有效特征是原始识别图像的(SubAS练能够获得的有效特征是原始识别图像的(SubA