相关实验视频
Updated: Jun 4, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于DenseNet的改进的神经网络模型用于面料纹理识别
1College of Science & Technology, Ningbo University, Ningbo 315300, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
这项研究介绍了一种新的差异化倾斜加权密度网络 (DLW-DenseNet),用于自动地识别针织织品纹理. 该模型增强了特征选择,并实现了比现有方法更高的准确性.
科学领域:
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
- 织工程 织工程 织工程
背景情况:
- 自动编织服装生产需要精确的织物质感识别来进行质量控制.
- 手动方法是低效和主观的;当前的机器学习方法通常依赖于耗时的手动特征提取.
- 现有的方法在布料纹理识别的准确性和效率方面存在局限性.
研究的目的:
- 开发一种新的深度学习模型,用于编织服装中自动化的织物纹理识别.
- 为了解决手动特征提取的局限性,并提高识别精度.
- 引入一个新的数据集,用于培训和评估织物纹理识别模型.
主要方法:
- 引入了差异化倾斜加权的DenseNet (DLW-DenseNet),这是一个增强的DenseNet架构.
- 整合了一个可学习的权重机制,带有道注意力,以优化功能选择和减少冗余.
- 实施了差异化学习策略,用于连续道选择和模型修剪,具有不同的学习速率.
- 构建了一个名为KF9.9的新针织织品数据集.
主要成果:
- DLW-DenseNet模型在面料纹理识别方面表现出卓越的性能.
- 与改进的基于ResNet的网络相比,识别准确度提高了5个百分点.
- 在KF9数据集上显著优于其他代表方法.
结论:
- 在针织服装中,DLW-DenseNet有效地增强了自动织物纹理识别.
- 拟议的模型比现有方法提供了更好的准确性和效率.
- KF9数据集为未来的织物纹理识别研究提供了宝贵的资源.
