申请/专利权人：浙江理工大学

申请日：2024-03-12

公开（公告）日：2024-06-28

公开（公告）号：CN118262147A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06N3/096;G06V10/77;G06N3/0464

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开了一种基于RIME优化算法优化RVFL的织物疵点分类方法。发明步骤：获取不同种类织物疵点的数据集并进行预处理；构建基于迁移学习的EfficientNetB0特征提取网络；将预处理后划分的训练集数据输入到上一步得到的EfficientNetB0特征提取网络得到初步提取的图像特征，然后进行PCA降维，保存得到的最终图像特征；使用RIME算法优化RVFL网络的随机权重、偏置和正则化系数，并计算出输出权重，得到训练完成的EfficientNetB0‑RIME‑RVFL模型；获取待分类的织物疵点图像，并输入到训练完的EfficientNetB0‑RIME‑RVFL模型，得到织物疵点分类信息。

主权项：1.一种基于RIME优化算法优化RVFL的织物疵点分类方法，其特征在于：包括以下步骤：步骤1：准备数据集并进行预处理获取织物疵点分类数据集，所述织物疵点分类数据集中包含棉、丝、麻、羊毛织物的织物表面纹理图像；将织物疵点分类数据集分别根据划分为训练集和测试集；将织物疵点分类数据集中的图像的长宽统一设置；步骤2：构建基于迁移学习的EfficientNetB0特征提取网络获取经预训练的EfficientNet网络，作为初始网络模型EfficientNetB0，再基于迁移学习对网络参数进行微调，得到EfficientNetB0特征提取网络；将该网络作为特征提取器，以进行后续的图像特征提取；步骤3：EfficientNetB0进行图像特征提取将步骤1得到的所述训练集经由EfficientNetB0提取图像特征，并进行PCA主成分分析降维，最后保存特征以进行后续模型训练；步骤4：训练RIME算法优化的RVFL模型使用RIME算法对RVFL的输入权重Weights和隐含层偏置bias进行优化，经过正则化系数C和误差组合，得到RVFL的输出权重β，进而得到EfficientNetB0-RIME-RVFL模型；将RVFL的输入权重Weights，隐含层偏置bias，正则化系数C和误差作为RIME的参数，然后根据RIME算法更新个体的位置并求出相应的误差，将误差作为个体的适应度，如果求得的适应度小于当前的最优适应度，则更新该种群中最优解，反之则不更新，设定最大迭代次数，不断迭代达到最大后，返回最优解的位置，得到输入权重Weights，隐含层偏置bias，正则化系数C；用RVFL的输入矩阵H2乘以输入权重Weights再加上隐含层偏置bias经激活函数激活后得到矩阵H1，将矩阵H1与输入矩阵H2进行行拼接，得到矩阵H,用矩阵H的Moore-Penrose伪逆矩阵乘RVFL的输出矩阵，得到输出权重矩阵β，经测试集验证后，得到EfficientNetB0-RIME-RVFL模型；步骤5：输出织物疵点分类结果将待测织物图片输入EfficientNetB0-RIME-RVFL模型中，得到织物疵点的分类结果。

全文数据：

权利要求：

百度查询： 浙江理工大学 一种基于RIME优化算法优化RVFL的织物疵点分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD