纺织学报 ›› 2022, Vol. 43 ›› Issue (04): 28-32.doi: 10.13475/j.fzxb.20201105706

• 纤维材料 • 上一篇    下一篇

基于稀疏字典学习的羊绒与羊毛分类

孙春红1, 丁广太1,2(), 方坤1   

  1. 1.上海大学 计算机工程与科学学院, 上海 200444
    2.上海大学 材料基因组工程研究院, 上海 200444
  • 收稿日期:2020-11-30 修回日期:2022-01-17 出版日期:2022-04-15 发布日期:2022-04-20
  • 通讯作者: 丁广太
  • 作者简介:孙春红(1996—),女,硕士。主要研究方向为图像识别。
  • 基金资助:
    国家重点研发计划项目(2018YFB0704400);国家重点研发计划项目(2016YFB0700500)

Cashmere and wool classification based on sparse dictionary learning

SUN Chunhong1, DING Guangtai1,2(), FANG Kun1   

  1. 1. School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China
    2. Materials Genome Institute, Shanghai University, Shanghai 200444, China
  • Received:2020-11-30 Revised:2022-01-17 Published:2022-04-15 Online:2022-04-20
  • Contact: DING Guangtai

RichHTML

14

PDF (PC)

90

摘要：

为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。

关键词: 稀疏表示, 字典学习, 图像识别, 机器学习, 羊绒, 羊毛, 纤维鉴别

Abstract:

In order to identify cashmere and wool fibers accurately, this paper proposes a classification method based on sparse dictionary learning. Firstly, the fiber image is preprocessed to achieve data enhancement to achieve a fiber image feature matrix. Secondly, dictionary learning is performed on the feature matrix to obtain a complete dictionary and sparse coding. Finally, based on sparse coding and dictionary, the classification and identification of cashmere and wool is implemented. This method uses optical microscope images and scanning electron microscope images as data sets. Experiment results show that compared with support vector machine classifiers and sparse representation-based classifier algorithms, the classification accuracy of this method can be improved by 5%-10%, and the classification accuracy can reach up to 91%. It can be used for subsequent actual classification and identification of cashmere and wool fibers.

Key words: sparse representation, dictionary learning, image recognition, machine learning, cashmere, wool, fiber identification

中图分类号: 

  • TP391.4

图1

羊绒和羊毛原始图像"

图2

图像预处理样例"

图3

LBP特征提取示例图"

表1

光学显微镜数据集"

数据集编号 数据集名称 图像种类 数量/张
1 训练集 山羊绒 4 607
2 训练集 绵羊毛 3 950
3 测试集 山羊绒 1 618
4 测试集 绵羊毛 1 626

表2

扫描电子显微镜数据集"

数据集编号 数据集名称 图像种类 数量/张
1 训练集 山羊绒 3 468
2 训练集 绵羊毛 4 724
3 测试集 山羊绒 1 665
4 测试集 绵羊毛 1 756

图4

基于稀疏字典学习的羊绒羊毛分类方法步骤"

表3

SDL方法在不同字典项个数下的分类结果"

实验
编号		 字典
个数k		 准确率
A/%		 召回率R/
%		 查全率P/
%		 F1-score/
%
1 2 000 55.92 90.17 53.44 67.11
2 3 000 69.57 91.29 63.58 74.96
4 4 000 82.86 92.71 77.40 84.36
5 5 000 87.36 83.99 90.00 86.29

表4

分类结果对比"

方法
编号		 方法
名称		 准确率
A/%		 召回率
R/%		 精准率
P/%		 F1-score/
%
1 LBP+SVM 48.12 14.83 44.04 22.19
2 LBP+K-SVD+SVM 49.88 99.89 49.88 66.56
3 SRC 53.32 94.19 52.52 67.44
4 SDL 61.24 80.35 58.99 68.03
[1] 马海, 吴桂芳, 李志东, 等. 山羊绒纤维鉴别技术的现状与发展趋势[J]. 毛纺科技, 2017, 45(3):5-9.
MA Hai, WU Guifang, LI Zhidong, et al. Current situation and development trend of cashmere identification technology[J]. Wool Textile Journal, 2017, 45(3):5-9.
[2] 徐英, 谷雨, 彭冬亮. 基于稀疏表示和多特征融合的SAR图像识别[J]. 指挥信息系统与技术, 2020, 11(3): 29-35.
XU Ying, GU Yu, PENG Dongliang. SAR image recognition based on sparse representation and multi-feature fusion[J]. Command Information System and Technology, 2020, 11(3):29-35.
[3] 孙利雷, 秦进. 稀疏字典学习方法综述[J]. 贵州大学学报(自然科学版), 2018, 35(5):81-86.
SUN Lilei, QIN Jin. Review on sparse dictionary learning method[J]. Journal of Guizhou Univer-sity (Natural Sciences), 2018, 35(5):81-86.
[4] 朱洋洋, 贺兴时. 基于SIFT稀疏表示的人脸识别算法[J]. 西安工程大学学报, 2020, 34(6):106-112.
ZHU Yangyang, HE Xingshi. Face recognition algorithm based on SIFT and sparse representa-tion[J]. Journal of Xi'an Polytechnic University, 2020, 34(6):106-112.
[5] MICHAL Aharon, MICHAEL Elad, ALFRED Bruckstein. K-SVD: an algorithm for designing over-complete dictionaries for sparse representation[J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322.
doi: 10.1109/TSP.2006.881199
[6] WRIGHT John, YANG Allen Y, GANESH Arvind, et al. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009(2):210-227.
[7] VU Tiep huu, MONGA Vishal. Fast low-rank shared dictionary learning for image classification[J]. IEEE Transactions on Image Processing, 2017. DOI: 10.1109/TIP.2017.2729885.
doi: 10.1109/TIP.2017.2729885
[8] MAIRAL Julien, BACH Francis, PONCE J, et al. Supervised dictionary learning[J]. HAL-INRIA, 2008. DOI: ieeecomputersociety.org/10.1109/FG.2013. 6553745.
doi: ieeecomputersociety.org/10.1109/FG.2013. 6553745
[9] JIANG Zhuolin, LIN Zhe, DAVIS Larry S. Learning a discriminative dictionary for sparse coding via label consistent K-SVD[C]// IEEE Conference on Computer Vision & Pattern Recognition. Washington: IEEE, 2011: 1697-1704.
[10] HE Kaiming, SUN Jian, TANG Xiaoou. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2011, 33(12):2341-2353.
[11] 姚立平, 潘中良. 基于改进的HOG和LBP算法的人脸识别方法研究[J]. 光电子技术, 2020, 40(2):114-118,124.
YAO Liping, PAN Zhongliang. Research on face recognition method based on improved HOG and LBP algorithms[J]. Optoelectronic Technology, 2020, 40(2): 114-118,124.
[12] 杨晓玲, 李志清, 刘雨桐. 基于多标签判别字典学习的图像自动标注[J]. 计算机应用, 2018, 38(5): 1294-1298,1303.
YANG Xiaoling, LI Zhiqing, LIU Yutong. Automatic image annotation based on multi-label discriminative dictionary learning[J]. Journal of Computer Applications, 2018, 38(5):1294-1298,1303.
[1] 黄宏博, 韩宗保, 郭恒, 姚金波, 姜会钰, 夏治刚, 王运利. 热湿处理对免烫羊毛织物保形性能的影响[J]. 纺织学报, 2021, 42(12): 119-124.
[2] 刘国维, 潘如如, 高卫东, 周建. 基于总变差的织物疵点分割方法[J]. 纺织学报, 2021, 42(11): 64-70.
[3] 周慧玲, 朱俐莎, 吴雄英, 丁雪梅. 电雾化处理对羊毛织物抗起毛起球性能的影响[J]. 纺织学报, 2021, 42(10): 120-125.
[4] 袁久刚, 季吉, 薛琪, 姜哲, 范雪荣, 高卫东. 羊毛角蛋白在巯基乙酸胆碱中的溶解再生[J]. 纺织学报, 2021, 42(01): 35-39.
[5] 于佳, 辛斌杰, 卓婷婷, 周曦. 高导电性铜/聚吡咯涂层羊毛织物的制备与表征[J]. 纺织学报, 2021, 42(01): 112-117.
[6] 衡冲, 沈华, 王府梅. 数字化羊绒测色法及其在长度测量中的应用[J]. 纺织学报, 2020, 41(12): 42-48.
[7] 李涛, 杜磊, 黄振华, 蒋玉萍, 邹奉元. 服装款式图识别与样板转换技术研究进展[J]. 纺织学报, 2020, 41(08): 145-151.
[8] 崔桂新, 董永春, 王鹏. 羊毛/铁配合物非均相芬顿反应光催化剂的制备及其应用性能[J]. 纺织学报, 2019, 40(12): 68-73.
[9] 涂莉, 孟家光, 李欣, 李娟子. 废旧毛/丝/棉混纺面料的组分分析及其剥色工艺[J]. 纺织学报, 2019, 40(11): 75-80.
[10] 吴莹, 占竹, 汪军. 基于通用字典的局部机织物纹理稳定表征[J]. 纺织学报, 2019, 40(11): 45-49.
[11] 许倩, 陈敏之. 基于深度学习的服装丝缕平衡性评价系统[J]. 纺织学报, 2019, 40(10): 191-195.
[12] 韦玲俐, 邹沁杉, 王璐, 罗菁, 夏鑫. 无氟自清洁功能型羊毛/羊绒混纺织物的研发[J]. 纺织学报, 2019, 40(09): 102-107.
[13] 张景清, 粟晖, 梁晓芸, 陈维骥, 姚志湘. 基于斜投影的纯羊毛毛线中酸性红26的快速检测[J]. 纺织学报, 2019, 40(08): 85-88.
[14] 徐成书, 吴梦婷, 任燕, 邢建伟, 蔡再生, 欧阳磊. 线性聚醚嵌段氨基硅油的制备及其性能[J]. 纺织学报, 2019, 40(08): 89-94.
[15] 杨景朝, 蒋秀明, 董九志, 陈云军, 梅宝龙. 基于机器学习的整体穿刺加压参数预测方法[J]. 纺织学报, 2019, 40(08): 157-163.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
京ICP备14006648号　 京公网安备11010502044800号
版权所有 © 2021 《纺织学报》编辑部
地址： 北京市朝阳区延静里中街3号主楼6层《纺织学报》杂志社　邮政编码：100025　
电话：010-65017711,65917740　传真：010-65016539　Email:fangzhixuebao@vip.126.com
本系统由北京玛格泰克科技发展有限公司设计开发