基于支持向量机单面针织物组织结构识别.docVIP

基于支持向量机单面针织物组织结构识别 　　本文探索采用支持向量机的方法，对单面平针织物和集圈织物进行了结构识别。在对织物进行了数字图像采集和图像预处理后，提取了织物的覆盖率、垂直方向上纱线间隔大小的方差和纱线平均直径大小的方差，3 个变量作为特征参数，建立了织物识别模型，实现了较高的识别率。 　　The method of support vector machine (SVM) was used to recognize the stitch structure of single plain and tuck knitted fabric in this paper. After getting and preprocessing the digital images of fabrics, fabric coverage rate, the variance of yarn intervals in the vertical direction and the variance of the yarn average diameters were selected as characteristic parameters of SVM, and recognizing model was established. The experiments showed that the method has good identification rate for single plain and tuck knitted fabric. 　　针织物组织的基本结构单元主要由成圈、集圈和浮线组成，目前针织物组织的识别主要依靠人工肉眼分析。本文将研究中对单面平针组织和集圈组织进行图像处理和特征向量提取，以便利用支持向量机进行分类识别。 　　支持向量机（support vector machine，SVM）是20世纪90年代形成的一种新的模式识别方法，它将待解决的模式识别问题转化成为一个二次规划寻优问题，理论上保证了全局最优解，避免了局部收敛现象。该方法在很多领域得到了广泛的应用。在此基础上，本文提出了基于支持向量机的单面针织物组织的识别方法。 　　 　　1支持向量机原理 　　1.1线性可分问题 　　支持向量机的理论最初来自 2 类线性可分的数据处理。设X为输入空间，Y表示输出域，通常模式集合由 2 类点组成，即。对于n个样本组成的训练集，根据结构风险最小原理，构造一个目标函数，寻找一个满足要求的分割超平面，并使训练集中的点距离分割超平面尽可能的远。在二维空间中（图 1），实心圆和空心圆分别代表两类样品，H为最优分类超平面，H1、H2分别为过各类样本中离分类超平面最近且平行于分类超平面的超平面。如果将分类超平面记为式（1），则归一化后，对于线性可分样本集 （xi，yi）分类超平面应满足式（2），此时，H1、H2上的训练 样本点称为支持向量。 　　 #8226; xi ＋ b = 0（1） 　　yi（＋ b）－1 ≥ 0（2） 　　式中，是垂直于分类超平面的法向量；M＝2/||||为区域间隔距离；b为偏置值。 　　1.2非线性可分问题 　　当问题为线性不可分时，可以利用核函数K（xi，x）实现非线性变换，将线性不可分问题转换为另一个高维空间中的线性可分问题，并在该高维空间中寻求最优分类面。当然，采用不同的核函数，所得到的分类结果也不一样。目前，研究较多的主要有以下 3 种形式的核函数。 　　（1）多项式（poly）形式的核函数 　　 （3） 　　（2）径向基函数（RBF）形式的核函数 　　（4） 　　其中为函数的宽度参数。 　　（3）Sigmoid函数形式的核函数 　　 （5） 　　其中γ为函数的偏移量。 　　 　　2实验与方法 　　2.1织物的准备 　　在实验中，随机选取了平针织物和集圈织物各 50 块，经过了后整理，织物表面整洁，毛羽较少，纹理清晰。平针织物和集圈织物的结构。 　　2.2图像的采集 　　在实验中，为了更好的获取织物的图像，本实验建立了一套图像采集系统。在获取图像过程中，尽量使织物表面平整，采用投射光源（即光源在织物下方）通过调节LED光源的亮度及变焦镜头，使织物的图像更加清晰，来获取织物的工艺反面的图像。 　　2.3特征参数的提取 　　由于平针织物中只由线圈组成，而集圈织物中则由线圈和集圈两部分组成，所以根据两种织物中结构单元的形态和纱线长度的不同这个特点，选取了 3 个变量作为特征参数，分别如下。 　　（1）织物的覆盖率 　　（6） 　　（2）垂直方向上纱线间隔大小的方差 　　 （7） 　　其中xn为垂直方向上每个连续白色像素的个数，为xn的均值。