[基于支持向量机的单面针织物组织结构的识别] 针织物的组织结构特点

　　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。
　　 • 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。
　　（3）纱线平均直径大小的方差。
　　 （8）
　　其中xn为垂直方向上每个连续黑色像素点的个数，为xn的均值。
　　要想获取上述 3 个特征参数，需要对平针织物和集圈织物的图像进行一定的预处理。（a）为织物的原始图片，然后需要经过中值滤波、直方图均衡、自适应阈值分割及开闭运算，得到（b）所示的图像。最后对图像（b）沿垂直方向进行逐点扫描，获取黑色像素和白色像素的个数。
　　3结果与讨论
　　 根据前面的实验方法，得到了平纹织物和集圈织物各50 幅图像，并统计了每一幅图像中的织物的覆盖率、垂直方向上纱线间隔大小的方差及纱线平均直径大小的方差。从图 6 可以看出，平针织物的覆盖率比集圈织物大，而纱线间隔大小的方差和纱线直径大小的方差，集圈织物比平针织物大。这也符合这两种织物的特点。
　　本文利用这 3 个特征向量作为支持向量机的输入因子，按照一对一的DAGSVM多类支持向量机设计方法，从平针织物和集圈织物中各选取 30 个样本（图像）进行训练建立识别模型，用剩下的 20 个样本来验证模型的可靠性。
　　支持向量机建立识别模型优先解决的问题是核函数的选择。如前所述，常见的核函数有多项式、径向基和Sigmoid等 3 种类型，选择不同的核函数对所建立模型的性能影响很大。一般在没有先验知识指导的情况下，用径向基函数往往能够得到较好的拟合结果。因为径向基函数可以将非线性样本数据映射到高维特征空间，处理具有非线性关系的样本数据。
　　本实验的SVM算法采用的是训练软件LibSvm，在多类识别中采用1对1的方法。LibSvm是由台湾研究者林智仁开发的一个开源软件，广泛应用于SVM、回归和分类估计，并且支持多类分类。
　　实验步骤如下：
　　（1）将数据转换成SVM软件要求的格式；
　　（2）对数据按比率缩放；
　　（3）用RBF核函数；
　　（4）使用交叉确认法找到最佳的参数C和，其中C为惩罚因子，为函数的宽度参数；
　　（5）用 训练整个训练集。
　　从表 1 可以看出，模型对训练集中样本的回判率达到100%，说明可以采用此模型进行识别，预测时，模型的识别率分别为 95% 和 90%。
　　4结论
　　本文利用了建立的图像采集系统获取了织物的图像，经过了一系列的图像预处理，提取了 3 个特征参数，运用LibSvm分析软件，采用基于RBF核函数的SVM模式分类原理，建立了单面针织物组织识别模型，该模型基本能正确的识别平针织物和集圈织物。此外对于其他针织物组织的识别还有待进一步进行探索。参考文献
　　[1] Vapnik V N. The Nature of Statistical Learning Theory[M]. NY：
　　Springer-Verlag，1995.
　　[2] Cortes C，Vapnik V N. Support-vector Networks[J]. Machine
　　Learning，1995（20）：273 � 297.
　　[3] Boser B，Guyon I，Vapnik V N. A training Algorithm for Optimal
　　Margin Classifiers[A]. Proceeding COLT "92 Proceedings of the Fifth Annual Workshop on Computational Learning Theory[C]. ACM NY，1992.
　　[4] Chang Chih Chung，Lin Chih Jen. LIBSVM-A Library for Support
　　Vector Machines[EB/OL]. [2010-09]. .edu.tw/~cjlin/libsvm/index.html.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文