基于深度学习的热老化后热保护面料图像的机械强度识别和分类
Xiaohan Liu1, Miao Tian1,2,3, Yunyi Wang1,2,3
1College of Fashion and Design, Donghua University, China.
概括
一个新的图像识别策略使用转移学习来评估热老化后热保护面料的机械强度. 这种方法避免了服装损坏和不可用的建模参数,提供了一种非破坏性评估方法.
科学领域:
- 材料科学 材料科学 材料科学
- 织工程 织工程 织工程
- 计算机视觉 计算机视觉
背景情况:
- 在热老化后评估热防护服的安全使用寿命对于职业安全至关重要.
- 目前的方法,如测试损坏服装,而建模需要不可用的参数.
- 需要一种非破坏性的,可访问的方法来评估老化的织物强度.
研究的目的:
- 提出并验证一种新的图像识别策略,用于区分热防护面料在热老化后的机械强度.
- 为了利用转移学习进行准确的织物强度评估,而不需要物理测试.
- 克服传统测试和建模方法的局限性.
主要方法:
- 利用数据增强来解决有限的培训样本.
- 在三个不同的样本分类模式中使用了四个预训练模型 (例如,VGG-19).
- 应用转移学习用于基于图像的机械强度评估.
主要成果:
- 在三分类模式中,VGG-19模型获得了最高的准确性 (91%).
- 在早期和晚期阶段观察到织物强度下降的准确识别.
- 三级分类模式在中期强度下降方面表现优于四级和六级分类模式.
结论:
- 开发的图像识别策略提供了一种可行的,非破坏性的方法来评估老旧的热保护面料.
- 转移学习有效地区分了织物中的机械强度变化.
- 这些发现为基于图像的材料降解评估提供了新的视角.
