رویکردهای فوق، نمونه‌سازی اولیه پارچه جین کاغذی و پارچه ترگال کجراه مبتنی بر مهندسی معکوس با استفاده از یک تصویر واحد است.
یلدیز یک روش کاهش ابعاد مبتنی بر تحلیل مولفه اصلی را برای استخراج ویژگی و طبقه‌بندی در پارچه پشمی معیوب پیشنهاد کرد.
او Naive Bayes و K-nearest همسایه طبقه بندی کننده را مقایسه کرد و گزارش داد که دومی دقت بهتری دارد.
این رویکرد فقط بر الگوهای باینری متمرکز بود تا الگوهای بافت پارچه ملحفه پیچیده. لی و همکاران از الگوی باینری محلی (LBP) و ماتریس هم‌وقوع سطح خاکستری (GLCM) برای استخراج ویژگی‌های پارچه و ماشین بردار پشتیبانی (SVM) برای طبقه‌بندی بافت‌های پارچه استفاده شد.
آنها LBP و GLCM را ادغام کردند که عملکرد تشخیص را در مقایسه با الگوریتم استخراج ویژگی بر اساس هر یک از آنها بهبود بخشید.
این روش تنها متکی به ویژگی های دست ساز بود و کاربرد آن بر روی پارچه های نبافته و بافتنی ناشناخته بود.
برای روش های تشخیص پارچه فاستونی راه راه بافته شده محدودیت های متعددی وجود دارد. مطالعات موجود به شدت بر مهندسی ویژگی های دست ساز متکی بود.
در دسترس بودن پایگاه داده تصاویر پارچه بافته محدود بود. تغییرات چرخشی در پارچه به طور مستقیم بر استخراج ویژگی‌های بافت در طول گرفتن تصویر تأثیر گذاشت. جلوه نور نامناسب می تواند منجر به تصاویر بافت نامشخص شود.
الگوی بافت پارچه فاستونی اداری و پارچه پنبه ای بافته شده از عوامل مهم طراحی و تولید پارچه باکیفیت محسوب می شود. به طور سنتی، تشخیص پارچه بافته شده به دلیل بازرسی بصری دستی آن، چالش های زیادی دارد.
علاوه بر این، رویکردهای مبتنی بر الگوریتم‌های یادگیری ماشین اولیه مستقیماً به ویژگی‌های دست ساز بستگی دارد که فرآیندهای زمان‌بر و مستعد خطا هستند.
از این رو، یک سیستم خودکار برای طبقه بندی پارچه های بافته شده برای بهبود بهره وری مورد نیاز است.
- منابع:
- تبلیغات:
