基于图神经网络的纺织纹理图像识别方法及装置与流程

本发明涉及图像分类与识别，具体而言，涉及一种基于图神经网络的纺织纹理图像识别方法及装置。

背景技术：

1、目前，对于纺织品图像中纺织纹理类型的分类与识别方法主要基于卷积神经网络(convolutional neural network，cnn)进行，传统的卷积神经网络在处理纺织品图像时主要关注局部区域的特征，通过卷积和池化层来逐渐提取纺织品图像中的高级特征。然而，传统的卷积神经网络在考虑纺织品图像中纺织基元的全局关系和图结构时存在局限性，导致对于纺织品图像的分类识别结果准确性差。

2、由上分析可知，针对上述传统的基于卷积神经网络的图像识别方法仅关注图像局部区域的特征导致分类和识别准确性差的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种基于图神经网络的纺织纹理图像识别方法及装置，以至少解决传统的基于卷积神经网络的图像识别方法仅关注图像局部区域的特征导致分类和识别准确性差的技术问题。

2、根据本发明实施例的一个方面，提供了一种基于图神经网络的纺织纹理图像识别方法，包括：

3、采集具有不同类型纺织纹理的图像数据集；对图像数据集进行随机划分，得到第一图像数据集、第二图像数据集和第三图像数据集；根据第一图像数据集构建初始图神经网络分类模型；利用第二图像数据集对初始图神经网络分类模型进行监督学习，得到目标图神经网络分类模型；利用第三图像数据集对目标图神经网络分类模型进行性能评估，得到评估结果；响应依据评估结果确定目标图神经网络分类模型满足预设性能指标，利用目标图神经网络分类模型对待识别纺织品图像进行识别，得到识别结果，其中，识别结果用于确定待识别纺织品图像的纺织纹理类型。

4、可选地，上述基于图神经网络的纺织纹理图像识别方法还包括：对第一图像数据集进行预处理，得到预处理数据集，其中，预处理至少包括：尺寸调整、灰度化、去噪。

5、可选地，根据第一图像数据集构建初始图神经网络分类模型包括：对预处理数据集中任意一张图像进行特征提取，得到目标特征图；对目标特征图进行分割，得到分割结果，其中，分割结果包括任意一张图像的纹理基元数据集；根据图像数据集对应的多个纹理基元数据集构建初始图神经网络分类模型。

6、可选地，对预处理数据集中任意一张图像进行特征提取，得到目标特征图包括：对任意一张图像进行多次卷积特征提取计算，得到目标特征图，其中，不同卷积特征提取计算基于不同尺寸的卷积核和不同大小的卷积步长。

7、可选地，纹理基元数据集包括多个纹理基元，对目标特征图进行分割，得到分割结果包括：判断目标特征图中任意两个像素点是否满足相邻条件，得到判断结果，其中，判断结果用于确定任意两个像素点之间的邻接矩阵，邻接矩阵用于表征任意两个像素点之间在水平方向或者垂直方向上的相邻关系；根据邻接矩阵对目标特征图进行像素点分割，得到多个纹理基元，其中，未满足相邻条件的像素点被分割至不同的纹理基元。

8、可选地，任意一个纹理基元数据集对应一个图结构，根据图像数据集对应的多个纹理基元数据集构建初始图神经网络分类模型包括：对于任意一个纹理基元数据集，将任意一个纹理基元数据集的任意一个纹理基元作为对应图结构的节点，并将任意两个节点之间的相关性系数作为对应图结构的边，构建得到多个图结构，其中，相关性系数基于目标距离度量方法计算得到；基于多个图结构构建得到初始图神经网络分类模型。

9、可选地，利用第二图像数据集对初始图神经网络分类模型进行监督学习，得到目标图神经网络分类模型包括：将第二图像数据集输入至初始图神经网络分类模型；通过前向传播方式获取初始图神经网络分类模型输出的第二图像数据集的预测纺织纹理类型；根据预测纺织纹理类型与第二图像数据集的真实纺织纹理类型计算目标损失函数的数值；根据数值调整初始图神经网络分类模型的模型参数值，得到目标图神经网络分类模型。

10、可选地，预设性能指标至少包括：分类准确率、分类精确度，其中，分类准确率为分类正确图像数量与总图像数量的比值，分类精确度为目标图神经网络分类模型对于任意一种纺织纹理类型图像的分类准确率。

11、根据本发明实施例的另一方面，还提供了一种基于图神经网络的纺织纹理图像识别装置，包括：

12、采集模块，用于采集具有不同类型纺织纹理的图像数据集；划分模块，用于对图像数据集进行随机划分，得到第一图像数据集、第二图像数据集和第三图像数据集；构建模块，用于根据第一图像数据集构建初始图神经网络分类模型；验证模块，用于利用第二图像数据集对初始图神经网络分类模型进行监督学习，得到目标图神经网络分类模型；测试模块，用于利用第三图像数据集对目标图神经网络分类模型进行性能评估，得到评估结果；识别模块，用于响应于评估结果确定目标图神经网络分类模型满足预设性能指标，利用目标图神经网络分类模型对待识别纺织品图像进行识别，得到识别结果，其中，识别结果用于确定待识别纺织品图像的纺织纹理类型。

13、可选地，上述基于图神经网络的纺织纹理图像识别装置还包括：预处理模块，用于对第一图像数据集进行预处理，得到预处理数据集，其中，预处理至少包括：尺寸调整、灰度化、去噪。

14、可选地，上述构建模块包括：对预处理数据集中任意一张图像进行特征提取，得到目标特征图；对目标特征图进行分割，得到分割结果，其中，分割结果包括任意一张图像的纹理基元数据集；根据图像数据集对应的多个纹理基元数据集构建初始图神经网络分类模型。

15、可选地，上述构建模块包括：对预处理数据集中任意一张图像进行特征提取，得到目标特征图包括：对任意一张图像进行多次卷积特征提取计算，得到目标特征图，其中，不同卷积特征提取计算基于不同尺寸的卷积核和不同大小的卷积步长。

16、可选地，上述构建模块包括：纹理基元数据集包括多个纹理基元，对目标特征图进行分割，得到分割结果包括：判断目标特征图中任意两个像素点是否满足相邻条件，得到判断结果，其中，判断结果用于确定任意两个像素点之间的邻接矩阵，邻接矩阵用于表征任意两个像素点之间在水平方向或者垂直方向上的相邻关系；根据邻接矩阵对目标特征图进行像素点分割，得到多个纹理基元，其中，未满足相邻条件的像素点被分割至不同的纹理基元。

17、可选地，上述构建模块包括：任意一个纹理基元数据集对应一个图结构，根据图像数据集对应的多个纹理基元数据集构建初始图神经网络分类模型包括：对于任意一个纹理基元数据集，将任意一个纹理基元数据集的任意一个纹理基元作为对应图结构的节点，并将任意两个节点之间的相关性系数作为对应图结构的边，构建得到多个图结构，其中，相关性系数基于目标距离度量方法计算得到；基于多个图结构构建得到初始图神经网络分类模型。

18、可选地，上述验证模块包括：将第二图像数据集输入至初始图神经网络分类模型；通过前向传播方式获取初始图神经网络分类模型输出的第二图像数据集的预测纺织纹理类型；根据预测纺织纹理类型与第二图像数据集的真实纺织纹理类型计算目标损失函数的数值；根据数值调整初始图神经网络分类模型的模型参数值，得到目标图神经网络分类模型。

19、可选地，上述识别模块包括：预设性能指标至少包括：分类准确率、分类精确度，其中，分类准确率为分类正确图像数量与总图像数量的比值，分类精确度为目标图神经网络分类模型对于任意一种纺织纹理类型图像的分类准确率。

20、根据本发明实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现前述中任一项的方法。

21、根据本发明实施例的又一方面，还提供了一种电子设备，电子设备包括存储器和处理器；存储器用于存储程序；处理器执行程序实现前述中任一项的方法。

22、根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现前述中任一项的方法。

23、在本发明实施例中，首先采集具有不同类型纺织纹理的图像数据集，接着，对图像数据集进行随机划分，得到第一图像数据集、第二图像数据集和第三图像数据集；根据第一图像数据集构建初始图神经网络分类模型，再利用第二图像数据集对初始图神经网络分类模型进行监督学习，得到目标图神经网络分类模型，进一步地，利用第三图像数据集对目标图神经网络分类模型进行性能评估，得到评估结果，最终响应依据评估结果确定目标图神经网络分类模型满足预设性能指标，利用目标图神经网络分类模型对待识别纺织品图像进行识别，得到识别结果，其中，识别结果用于确定待识别纺织品图像的纺织纹理类型。

24、容易理解，本发明上述实施例提供的方法通过建立包含多个图结构的目标图神经网络分类模型，每个图结构表征一种纺织纹理类型，达到了准确捕捉纺织品图像中纹理基元之间的复杂关系的目的，从而实现了提高对于待识别纺织品图像中纺织纹理类型的分类识别准确度的技术效果，进而解决了传统的基于卷积神经网络的图像识别方法仅关注图像局部区域的特征导致分类和识别准确性差的技术问题。