一种基于自注意力的织物纤维成分定性方法与流程

1.本发明涉及图像识别技术领域，特别是涉及一种基于自注意力的织物纤维成分定性方法。


背景技术：

2.织物纤维成分分析是纺织品测试中最重要的项目之一，是服装标识的主要内容之一，是反欺诈的重要判断指标。其中纤维含量涉及织物的重要属性，对织物的理化属性和服用性能起决定性作用。
3.目前常用的织物纤维成分分析方法可分为物理鉴别法和化学鉴别法两类，如显微镜法、燃烧法等，但都存在适用织物纤维成分有限、分析精度不足、需要大量人工劳动等缺点。
4.注意力机制是一种资源分配机制，它类比了人类的注意力机制，即利用有限的注意力资源从大量信息中快速筛选出高价值信息，使得神经网络能关注样本中更有区分价值的特征。自注意力机制是一种与单个序列的不同位置相关的注意力机制，能让神经网络学得序列的表达形式。


技术实现要素：

5.本发明的目的是克服了现有技术的问题，提供了一种基于自注意力的织物纤维成分定性方法。
6.为了达到上述目的，本发明采用以下方案：
7.获取织物的近红外光扫描光谱图；
8.将所述近红外光扫描光谱图输入基于自注意力的神经网络模型，得到预设的各织物纤维成分的存在概率；其中，自注意力神经网络模型是利用自注意力神经网络对预先获取的训练图像进行自注意力训练得到的；
9.基于预设的各织物纤维成分的存在概率，确定该织物中存在的预设的织物纤维成分；
10.较佳的，利用自注意力神经网络对预先获取的训练图像进行自注意力训练得到的自注意力神经网络模型，包括：
11.根据预先定义的各织物成分，并依次通过所述自注意力神经网络的数据输入层、自注意力计算层、激励层和全连接层，对预先获得的训练图像进行自注意力训练，得到所述自注意力神经网络模型；或者，
12.根据预先定义的各织物成分，并依次通过所述自注意力神经网络的数据输入层、自注意力计算层、激励层和全局平均池化层，对预先获得的训练图像进行自注意力训练，得到所述自注意力神经网络模型；其中，自注意力计算层的具体计算步骤如下：
13.将所述数据输入层的数据进行嵌入，得到对应的嵌入表达e，嵌入方法包括但不限于深度神经网络，如当前常用的深度神经网络resnet，vggnet，transformer；浅层学习方
法，如svm、决策树、随机森林，较佳的，利用resnet进行嵌入；
14.根据上述嵌入表达e，通过以下公式分别计算第l层的查询矩阵q、键矩阵k和值矩阵v：
[0015][0016][0017][0018]
其中“·”表示矩阵乘法，分别表示第l层的查询权重矩阵、键权重矩阵和值权重矩阵；
[0019]
根据上述查询矩阵q、键矩阵k和值矩阵v，通过以下公式计算第l层的得分s：
[0020][0021]
其中，σ是激活函数，d
l
是第l层的特征数目；并将s作为第l 1层的输入；
[0022]
较佳的，该基于自注意力的织物纤维成分定性方法还包括：
[0023]
确定所述自注意力神经网络模型输出的所述训练图像的织物纤维成分的预测值与真实值存在之间的差异度；
[0024]
根据差异度，调整自注意力神经网络模型对应的各层网络参数；
[0025]
较佳的，确定所述自注意力神经网络模型输出的所述训练图像的织物纤维存在与预先定义的各织物纤维的真实存在之间的差异度，包括：
[0026]
利用focal loss损失函数，确定各织物纤维成分的存在与预先定义的各织物成分的真实存在的差异度；
[0027]
较佳的，该基于自注意力的织物纤维成分定性方法还包括：
[0028]
当增加新织物纤维成分时，可以通过近红外光谱扫描仪扫描含有该织物纤维成分的织物，将所得近红外光扫描光谱图加入训练图像，并利用自注意力神经网络对所有训练图像进行自注意力训练，得到增加有新织物纤维成分的自注意力神经网络模型。
[0029]
较佳的，基于预设的各织物纤维成分的存在概率，根据事先确定的概率阈值，确定该织物中存在的预设的织物纤维成分。
[0030]
与现有的技术相比，本发明具有如下优点：
[0031]
本发明实例中，建立了一个自注意力神经网络模型，利用该自注意力神经网络模型来进行织物纤维成分定性分析，不仅解决了现有织物纤维成分分析技术中分析技术有一定的类别限制、分析结果较粗的问题，而且将繁重的人工劳动降到最低。
附图说明
[0032]
下面结合附图和具体实施方式对本技术作进一步详细的说明。
[0033]
图1是本发明实施例提供的自注意力神经网络模型的训练方法的流程示意图。
具体实施方式
[0034]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0035]
织物纤维成分的定性分析在海关抽验、公安机关侦查、日常使用等多个领域有着广泛而深刻的应用。如在公安机关侦查时，用纤维和纱线织得的织物较易在物体接触时发生转移，常作为犯罪遗留物证出现，通过对纤维的鉴定可确定纤维的种类及可能的来源，为侦查提供线索，为查明案件有关事实提供依据。
[0036]
目前，织物纤维定性分析的方法主要有物理鉴别法，如感官法、显微镜法、密度法；和化学鉴别法，如燃烧法、化学溶解法和着色剂法。这些方法都有一定的使用条件限制，存在着定性范围较大，精度不高的问题，且需要大量人力、物力和时间的投入，难以满足日益增长的各类需要。
[0037]
为此，本发明的发明人想到，利用自注意力神经网络对预先获得的训练图像进行自注意力训练，为此来建立一个自注意力神经网络模型。这样，在织物纤维成分定性的过程中，就可以通过采集织物的近红外光扫描光谱图，输入到自注意力神经网络模型之中，从而快速、准确地对织物纤维成分进行定性的分析，不仅提升了织物纤维成分定性的准确率与效率，同时大大减少了其中原有的人力劳动，将人从繁重的机械劳动之中解脱出来。
[0038]
接下来，结合本发明实施例中的附图，对本发明实施例提供的织物纤维成分定性方法进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
为了便于理解本发明，首先对本发明实施例中涉及的部分技术用语进行说明。
[0040]
1、织物纤维，是指构成纺织物的材料，可分为天然纤维和化学纤维两种。天然纤维包括亚麻、棉纱、羊毛等纤维；化学纤维包括尼龙、人造纤维、玻璃纤维等。
[0041]
2、织物纤维成分，是指某一件纺织物具体的材料。
[0042]
3、自注意力神经网络模型，为利用自注意力神经网络对预先获得的训练图像进行自注意力识别训练得到的模型。
[0043]
4、自注意力神经网络，为深度学习的前馈神经网络，包括数据输入层、自注意力计算层、激励层和全连接层，或者，包括数据输入层、自注意力计算层、激励层和全局平均池化层。
[0044]
其次，基于本发明实施例提供的织物纤维成分定性方法采用的是自注意力神经网络模型，而该自注意力神经网络模型是利用自注意力神经网络对预先获得的训练图像进行自注意力训练得到的，所以，接下来，对本发明示例性实施方式的自注意力神经网络模型的训练方法进行说明。参阅图1所示，自注意力神经网络模型的训练方法的流程如下：
[0045]
步骤101：采集训练图像。具体的，可以将近红外光谱扫描仪扫描织物获得的近红外光扫描光谱图作为训练图像。
[0046]
步骤102：预定义可能存在的织物纤维成分。例如：在天然纤维中预定义可能存在亚麻、羊毛等成分，在人工纤维中预定义可能存在聚酯纤维、氨纶等。
[0047]
步骤103：根据预定义可能存在的织物纤维成分，确定织物纤维成分向量。例如：某织物中存在棉、聚酯纤维成分，可以确定一个1
×
2的织物纤维成分向量，即织物纤维成分向
量＝(棉，聚酯纤维)。
[0048]
步骤104：将训练图像和织物纤维成分向量输入自注意力神经网络的数据输入层。
[0049]
步骤105：自注意力神经网络的数据输入层对训练图像进行去均值、归一化等预处理。
[0050]
步骤106：自注意力神经网络的自注意力计算层对数据输入层输出的训练图像进行自注意力计算得分，得到图像特征矩阵。
[0051]
步骤107：多属性卷积神经网络的激励层对卷积计算层输出的各个特征矩阵进行非线性映射处理，从而将各个特征矩阵中的特征值映射到一定范围内。具体的，在进行非线性映射时，可以采用但不限于sigmoid函数、tanh函数、relu函数等作为激励函数。优选的，可以采用relu函数作为激励函数，对自注意力计算层输出的各个特征矩阵进行非线性映射处理。
[0052]
步骤108：自注意力神经网络的全连接层或者全局平均池化层根据激励层输出的各个特征矩阵，得到训练图像中包含预先定义的每一个织物纤维成分的概率。
[0053]
下面仅以通过自注意力卷积神经网络的全连接层确定训练图像中存在预先定义的每一个织物纤维成分的概率为例进行说明，具体的，可以采用但不限于以下方式：设置一个偏置量以及为各个织物纤维成分分别设置一个权重矩阵，并根据激励层输出的各个特征矩阵以及预先设置的偏置量和各个权重矩阵，确定训练图像中存在预先定义的每一个织物纤维成分的概率。
[0054]
步骤109：基于训练图像中存在预先定义的每一个织物纤维成分的概率和事先确定的概率阈值，确定训练图像中存在每一种织物纤维成分的预测值，并根据训练图像中存在每一种织物纤维成分的预测值，组成训练图像的预测值向量。
[0055]
具体的，在基于训练图像中存在预先定义的每一种织物纤维成分的概率和事先确定的概率阈值，确定训练图像中存在每一种织物纤维成分的预测值时，可以采用但不限于以下方式：针对训练图像中的每一种织物纤维成分，将该织物纤维存在的预测概率与事先确定的概率阈值作比较，若超过概率阈值则预测存在，否则预测不存在。
[0056]
步骤110：确定全连接层或者全局平均池化层输出的预测值向量中的织物纤维成分预测值与预先定义的织物纤维成分的真实值之间的差异度。
[0057]
优选的，在确定各个织物纤维成分的预测值与真实值之间的差异度时，可以采用但不限于如下述公式(1)所示的focal loss损失函数来确定：
[0058][0059]
其中，在上述公式(1)中，l表示focal loss损失函数的值，即差异度，n表示训练图像的个数，x表示第x个训练图像，m表示预先定义的织物纤维成分个数，yi和ai分别表示第i个织物纤维成分的真实值和预测值，α用于平衡存在该织物纤维成分的训练图像数目与不存在该织物纤维成分的训练图像数目的差距，γ用于促进自注意力神经网络关注困难的、难预测的样本。
[0060]
步骤111：根据确定出的差异度，调整训练过程中使用的各层网络参数。其中，各层网络参数包括但不限于：各卷积计算层的内核参数和初始偏置矩阵、各激励层的参数、各全
连接层或者全局平均池化层的参数等。
[0061]
步骤112：利用调整网络参数后的自注意力神经网络对后续的训练图片进行自注意力训练，如此循环往复，直至各个织物纤维成分的预测值与真实值之间的差异度不大于预设阈值为止。
[0062]
此时，自注意力神经网络对应的各层网络参数均为最优值，至此，自注意力神经网络模型的训练过程结束，并得到了各层网络参数均为最优值的自注意力神经网络模型。
[0063]
值得说的是，在自注意力神经网络模型的整个训练过程中，没有使用常用的分类问题损失函数交叉熵损失函数计算差异度，而是用focal loss损失函数使得模型能关注数据分布不平衡的问题，有效地提高了织物纤维成分，特别是出现次数较少的织物纤维成分的精确度。
[0064]
此外，当增加新织物纤维成分时，可以通过近红外光谱扫描仪扫描含有该织物纤维成分的织物，将所得近红外光扫描光谱图为训练图像，并利用自注意力神经网络对这些训练图像进行自注意力训练，得到增加有新织物纤维成分的自注意力神经网络模型。这样，采用增加新训练图像的方法，来增加新织物纤维成分的训练图像的数量，可以有效地避免由于新训练图像的数量较少导致训练结果不准确的问题，间接地提高了自注意力神经网络模型识别织物纤维成分的精确度。
[0065]
以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术的保护范围。