基于TensorFlow的卷积神经网络服装分类研究

-99-CHINASCIENCEANDTECHNOLOGYINFORMATIONJan.2019·中国科技信息2019年第1期61万～200万◎随着生活水平的提高，人们对物质文化生活的追求也越高。在穿着打扮方面，服装朝着多样化、多元化发展。根据国家统计局数据显示，2017年，在限额以上服装行业的批发和零售金额合计约为10356.4亿，巨大的消费利益极大的促进了服装分类的相关的研究。现有的服装分类虽然有一定的进展，但仍存在巨大的缺点：定位不够准确，现有的服装分类通常是以服装的样式来进行分类，而不去考虑用户的年龄层次、身材、风格不协调等问题；检索速率过慢，用户对于商品的检索是有一定等待期限的，当超过一定时间就会选择关闭窗口转而去浏览别的信息；分类不够细致。不能满足用户的需要。综上所述，如何根据服装的图像对商品进行准确、细致的自动分类，是现如今的一个重要研究方向。相关工作在过去几年里，对于服装的自动分类已有一些研究进展。在图像标注上，由于服装标签普遍存在误差，人工标注图像已经不能满足用户需求，基于此，兰丽提出了服装自动标注技术。根据建立好的模型实现图像自动标注，标注的准确率有了明显提高。对于检索方面，赵苗苗通过文本检索完成了以图像内容为依据的研究，对传统颜色特征提取算法提出改进，实现了特征编码到关键字映射。同样，也有基于图像内容的服装分类和推荐方法。王安琪针对用户肤色、发色、瞳色以及服装风格，提出了基于特征提取和距离度量的分类方法，能够有效应对不同服装风格，实现与用户颜色特征协调，提高推荐准确率。综合以上，为了提高准确率，改善用户体验，研究者们从标注、检索、图像内容等多个角度解决服装分类存在的问题，使得检索率加快、准确率提高。围绕服装自动分类的需求和存在的问题，本文研究了卷积神经网络模型和对图像的光照预处理，提高了图像分类的准确性。行业曲线linkindustryappraisementDOI：10.3969/j.issn.1001-8972.2019.01.034可替代度影响力可实现度行业关联度真实度图像准备本论文采用的是Fashion－MNIST服装库，该服装库由一家德国的时尚科技公司Zalando旗下的研究部门提供，它涵盖了包括T恤、裤子、套衫、裙子、外套、凉鞋、汗衫、运动鞋、包、裸靴在内的十种类别的7万个不同商品的图片。本论文中采用的Fashion－MNIST数据集的大小、格式和训练集、测试集划分与MNIST完全一致，在结构相同的情况下增加了对图像分类的困难程度。基于评测最优预处理选择经过反复的实验和测试，本论文采用提高亮度的方法。所准备数据集Fashion－MNIST为二进制存储模式，故需先将其转换为28×28的bmp图片格式，再用Image库中的point函数将每一次读取的图片的每一个像素点进行亮度提高的操作，完成后将其转回二进制ubyte文件，即可将处理好的数据放入所搭建的网络模型中进行训练和测试。基于CNN的图像分类模型本论文采用的网络模型采用CNN算法，主要结构为：输入层－卷积层－池化层－卷积层－池化层－全连接层－输出层，网络结构如图2所示。其中，第一层的定义一个5×5的滤波器，我们设定步长为1，从左到右依次扫描，每次移动一个像素单位，扫描完后再向下移动一格，再次从左到右扫描，依次循环。在第二层卷积中我们采用了和第一层卷积相同的方式。池化层中我们对每一个提取的特征图进行降维操作，使28×28的图片变为7×7，以此来缩小特征图。降维过程中路凝箫 万 珊北方工业大学路凝箫，女，本科，信息安全，研究方向：图像处理；万珊，女，本科，信息安全，研究方向：网络防御。基于TensorFlow的卷积神经网络服装分类研究当人们的生活水平逐步提高时，对服装分类的需要也越来越高。但传统的服装分类方式有着定位不够准确、检索速率过慢、分类不够细致等缺点。本文针对服装的分类问题，研究了基于卷积神经网络的服装分类，并结合了光照预处理的方式，利用Fashion－MNIST图像库对网络进行训练和检验，实验结果表明了本文方法的有效性。图1 服装图像库示例中国科技信息2019年第1期·CHINASCIENCEANDTECHNOLOGYINFORMATIONJan.2019-100-◎61万～200万现倾角传感器的卡尔曼滤波，在滤波过程中假设当前状态的角度值与前一状态的角度值是相同的，Q和R分别是控制过程噪声和测量过程噪声协方差，与系统特性相关，可通过实验选取。用C语言代码实现如下：传感器每采集一个数据就运行一次kalmanFilter（）函数，前一次的最优结果preBsetResult、P、Q、R以及卡尔曼增益Kg都以static变量保存下来，随着迭代次数增加，卡尔曼滤波器参数越趋近于真实系统参数，滤波效果越好。为接近传感器真实的工作环境，实验时晃动传感器模拟传感器在打浆机上的工作环境。实验结果分析实验结果如图8所示。图中A线条表示从传感器读出的原始数据，而B线条表示卡尔曼滤波之后的结果图。实验表明Q和R值越小，滤波效果越好，曲线越平滑，但是滤波所带来的延迟越明显。经过多次实验选取本系统Q取0.001和R的值取为0.01时，滤波效果较好，滤波效果提高87%。从图7中可以看出，传感器使用卡尔曼滤波之后大大减小了机械震动对传感器的干扰，效果良好。结语本文针对现有水田打浆机在耕作时机械的倾斜和振动，设计了基于传感器技术的水田打浆机平地系统。该系统基于一个低成本的微控制器，倾斜信号由具有低成本和高灵敏度性能的单轴加速度传感器SCA60C采集，能够保证控制器做出实时的水平调整。并对系统关键部分进行了实验研究，确定了系统一些主要参数，包括卡尔曼滤波器测量噪声的协方差，滤波效果提高87%，PWM波的与电压之间的关系矫正，确保系统控制过程中各个部分之间的控制关系成正比。该控制系统结构紧凑，操作简单，可实现与目前大多数水田打浆机配套使用。图7 代码实现图图8 卡尔曼滤波效果图图2 本文所采用的CNN结构模型图3 池化层处理模型的扫描方式同卷积层一样，先从左到右移动规定步长，结束后向下移动一个规定步长，再进行从左到右的步长移动，如此反复。示例如图3所示：全连接层中我们对提取的特征进行重新拟合，以减少特征信息的丢失，输出层为最终的分类结果。本文所采用的模型结构经过训练后准确率与未经过预处理的图片训练模型准确率对比如表1所示。表1 图片分类准确率对比训练量未经过预处理经过预处理5000.760.8410000.830.9115000.910.9620000.920.96总结日常生活中对服装分类的需求在日益增加，现有服装分类的方法过于繁复并且花费时间，本论文研究了基于神经网络模型的方法，且对传统的数据集做出了改进，使得模型的训练准确率更高。致谢：本论文受北方工业大学本科生科研训练项目“基于深度信息的身份管控”支持。（上接第98页）