一种基于改进的AVO算法优化RRVFL的织物折皱评级方法

本发明属于织物折皱客观评级，具体涉及一种基于改进的avo算法优化rrvfl的织物折皱客观评级方法。

背景技术：

1、织物的整体质量取决于许多因素包括强度、收缩、耐磨性、织物结构、外观、磨损和起皱。织物折皱是日常生活中常见的现象,由于织物本身材质的特点和使用环境的复杂性等问题不可避免的存在折皱现象。但是织物的折皱现象通常会影响衣物的美观性和舒适性等问题。织物折皱除了影响美观性和舒适性外,织物的折痕和皱纹的部分比起平整的部分更容易产生磨损,以至于减少织物的使用寿命。因此，抗皱性能是评价织物性能的重要标准，它成为了人们选择织物或是服装时必须考虑的一个因素。厂商在生产衣服等商品前，会对织物的抗皱性能进行分析再进行选择。研究抗皱性能，需要比较起皱前后织物的折皱情况，也就是要对织物起皱前后的折皱等级做一个合理的划分。

2、自20世纪50年代初以来，许多评估起皱的方法已经发展起来。应用最广泛的一种美国的aatcc测试方法，允许专家观察员将面料样品与aatcc复制标准进行比较，然后根据相似度给面料打分。皱纹的复制品说明了5个等级的皱纹在一端，1级代表一个深皱的表面，而在另一端，5级代表一个相对的完整的表面光滑。

3、将织物折皱程度划分成多个等级后，专业人士通过肉眼观察来对织物的折皱等级进行分类。这样传统的肉眼判断并分类的方式效果是不好的，因为人的情绪、外界光照环境和长时间区分织物折皱等级产生的视觉疲劳都会对准确度产生影响，使得织物折皱等级的分类缺乏客观性，而且当对大量织物折皱进行分析时会耗费大量的人力和时间同时也导致了评级准确性的不断下降。所以采用设备获取织物图像，计算机根据图像提取的特征来评级的方法来解决上述问题是必要的。

技术实现思路

1、本发明的目的在于针对现有织物折皱客观评级方法精度低、速度慢等问题，提出一种基于hho(harris hawks optimization，hho)改进的avo算法(african vulturesoptimization，avo)优化随机向量函数链接网络(random vector functional linknetwork，rvfl)的参数，使用优化后的rvfl来进行织物织物折皱客观评级。

2、本发明提供一种基于改进的avo算法优化rrvfl的织物折皱客观评级，该方法包括下列步骤：

3、步骤1：获取带有折皱评级标签的织物图像，并进行预处理，形成数据集；

4、步骤2：设定hho算法中初始种群的种群规模为a和种群维数为m×(n+1)+1；

5、设定avo算法中初始种群的种群规模为a和种群维数为m×(n+1)+1；

6、设定最大迭代次数、rrvfl的输入层节点数n和隐藏层节点数m；

7、步骤(2.1)随机生成一组行向量，使用hho算法对所述行向量进行量化和赋值，将量化和赋值后的行向量作为avo算法的搜索种群，以此提高avo算法的寻优和收敛效果；所述行向量的数量等于hho算法的种群规模，所述行向量的维度等于hho算法的种群维数；

8、步骤(2.2)构建目标函数，基于目标函数计算搜索种群的适应度值，并将所有搜索种群中适应度值最佳的搜索种群作为最佳秃鹫，选择适应度值第二佳的搜索种群作为次优秃鹫；其它搜索种群使用轮盘赌公式向最佳秃鹫和次优秃鹫移动；

9、步骤(2.3)重复步骤(2.2)，每次重复步骤(2.2)完成一次所有搜索种群的更新，重复次数为所述最大迭代次数；

10、步骤(2.4)基于目标函数计算步骤(2.3)得到的所有搜索种群的适应度值，选取得到适应度值最佳的搜索种群；

11、步骤3：步骤(2.4)得到的所述适应度值最佳的搜索种群也为行向量形式，将所述搜索种群的前m×n个元素重新排列为m×n的矩阵，作为rrvfl的输入权重，将所述搜索种群中m×n个元素之后的m个元素重新排列为m×1的列向量，作为rrvfl的隐含层偏置，将所述搜索种群中最后一个元素作为rrvfl的正则化系数c；

12、步骤4：基于rrvfl的输入权重，rrvfl的隐含层偏置和rrvfl的正则化系数c计算得到rrvfl的输出权重β，进而得到rrvfl模型；

13、使用步骤1得到的数据集训练rrvfl模型，得到训练好的rrvfl模型；

14、步骤5：获取待评级的织物折皱图片，输入训练好的rrvfl模型，得到织物折皱评级结果。

15、优选的，步骤3中，所述元素的范围在[-1,1]之间，使用abs(c×10)来将正则化系数c映射到(0,10)区间。

16、优选的，步骤1中，所述织物图像包括对各种不同织物进行拍摄得到的照片，将所述照片的长宽大小都设置为224×224，经过正则化处理，映射到正态分布函数之下。

17、优选的，步骤2中，所述a为40，输入层节点数n为224×224，隐藏层节点数m为80，最大迭代次数为60。

18、优选的，步骤2中，所述目标函数为均方根误差函数，所述适应度值为均方根误差值，将均方根误差值最小作为适应度值最佳。

19、本发明具有的有益效果：

20、本发明的目的在于针对现有织物折皱客观评级方法精度低、速度慢等问题，提出一种采用预训练的深度学习神经网络rvfl来提取图像特征，并用一种基于hho改进的avo算法优化rvfl的参数，使用优化后的rvfl来进行织物织物折皱客观评级。

技术特征：

1.一种基于改进的avo算法优化rrvfl的织物折皱评级方法，其特征在于：该方法包括下列步骤：

2.如权利要求1所述的基于改进的avo算法优化rrvfl的织物折皱评级方法，其特征在于，步骤3中，所述元素的范围在[-1,1]之间，使用abs(c×10)来将正则化系数c映射到(0,10)区间。

3.如权利要求1所述的基于改进的avo算法优化rrvfl的织物折皱评级方法，其特征在于，

4.如权利要求1所述的基于改进的avo算法优化rrvfl的织物折皱评级方法，其特征在于，步骤2中，所述a为40，输入层节点数n为224×224，隐藏层节点数m为80，最大迭代次数为60。

5.如权利要求1所述的基于改进的avo算法优化rrvfl的织物折皱评级方法，其特征在于，步骤2中，所述目标函数为均方根误差函数，所述适应度值为均方根误差值，将均方根误差值最小作为适应度值最佳。

技术总结本发明公开了一种基于改进的AVO算法优化RRVFL的织物折皱客观评级方法。先获取不同种类织物折皱的数据集并进行预处理；使用基于改进的AVO算法优化RRVFL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HHO‑AVO‑RRVFL模型；获取待评级的织物折皱图像，并输入到训练完的HHO‑AVO‑RRVFL模型，得到织物折皱评级信息。本发明可对纺织工业生产过程中纺织物出现的不同类型的折皱进行评级检测，提高了检测效率，进而提高了生产的效率、提升了产品的质量。技术研发人员：周志宇,李政受保护的技术使用者：浙江理工大学技术研发日：技术公布日：2024/9/12