余志才,鐘躍崎,2

(1.東華大學(xué) 紡織學(xué)院 上海 201620; 2.東華大學(xué) 紡織面料技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室 上海 201620)

隨著計(jì)算機(jī)硬件的不斷發(fā)展,數(shù)據(jù)科學(xué)獲得了紡織學(xué)界的廣泛關(guān)注,許多優(yōu)秀的學(xué)習(xí)算法被提出并應(yīng)用到實(shí)際紡織生產(chǎn)中[1-3]。 同時(shí),得益于三維掃描技術(shù)持續(xù)更新,越來越多的科研工作者著眼于織物三維懸垂模型的重建[4-6]。 但是,利用神經(jīng)網(wǎng)絡(luò)探究織物三維懸垂形態(tài)和織物力學(xué)性能的關(guān)系還鮮有涉及。 鑒于此,本文就織物三維懸垂形態(tài)及其力學(xué)性能之間的相互映射關(guān)系展開研究。

首先,探究通過織物經(jīng)向緯向的彎曲剛度和剪切剛度以及織物的面密度,預(yù)測(cè)織物懸垂特征,如懸垂系數(shù)、懸垂角的可行性[7],該研究屬于織物力學(xué)性能對(duì)織物懸垂形態(tài)的預(yù)測(cè)。 其次,通過懸垂形態(tài)特征和織物面密度預(yù)測(cè)其力學(xué)性能,即形態(tài)對(duì)力學(xué)性能的預(yù)測(cè)。 特別地,從形態(tài)預(yù)測(cè)織物力學(xué)性能的研究,有助于給用戶提供一種無需精密測(cè)試的儀器,可簡(jiǎn)化了解織物基本力學(xué)性能的途徑,可用于網(wǎng)絡(luò)空間或者遠(yuǎn)程交互場(chǎng)景。 需要說明的是,本文僅研究織物的彎曲剛度及剪切剛度與織物三維懸垂形態(tài)之間的關(guān)系,因Morooka 等[8-9]證明了織物的面密度、彎曲剛度和剪切剛度與織物的三維懸垂模型之間的關(guān)聯(lián)性最高,故選擇彎曲剛度和剪切剛度作為突破口更具代表性。

1 數(shù)據(jù)的采集

將51 種織物樣本在相同的條件下洗滌并熨燙以除去織物表面的褶皺。 在恒溫恒濕實(shí)驗(yàn)室利用KES-FB1 織物風(fēng)格測(cè)試儀(日本加藤技研株式會(huì)社)測(cè)試織物的經(jīng)向剪切剛度Swarp和緯向剪切剛度Sweft;用KES-FB2 織物風(fēng)格測(cè)試儀(日本加藤技研株式會(huì)社)測(cè)試織物的經(jīng)向彎曲剛度Bwarp和緯向彎曲剛度Bweft;用MS105DU 精密天平(瑞士Mettler-Toledo)測(cè)試織物樣本的面密度Gk。

在遠(yuǎn)離布邊的位置,從每種織物上裁剪出半徑為120 mm 的圓形樣本,并標(biāo)記中心點(diǎn)位置。 將織物在恒溫恒濕實(shí)驗(yàn)室,溫度為(20±2) ℃,相對(duì)濕度為(65±4)%,調(diào)濕24 h。 利用文獻(xiàn)[10]中給出的掃描裝置對(duì)51 種織物的懸垂形態(tài)進(jìn)行掃描,并將掃描的三維點(diǎn)云封裝為三角形網(wǎng)格。 通過文獻(xiàn)[9]提出的網(wǎng)格重采樣方法對(duì)三角形網(wǎng)格進(jìn)行重采樣,使其具有相同的頂點(diǎn)數(shù)目和三角形拓?fù)浣Y(jié)構(gòu),在具體實(shí)現(xiàn)時(shí),本文中所使用的每個(gè)重采樣之后的三維懸垂模型具有5 172 個(gè)頂點(diǎn),然后對(duì)每個(gè)三維懸垂模型計(jì)算由多組懸垂指標(biāo)的主成分所構(gòu)成的形態(tài)特征ICpca,具體步驟如下。

圖1 織物懸垂模型及懸垂指標(biāo)的定義

步驟2:將所有懸垂模型的懸垂指標(biāo)串聯(lián)組成懸垂指標(biāo)矩陣MS_Indicator, 矩陣中每行代表1 個(gè)三維懸垂樣本,每個(gè)樣本包含以上9 個(gè)懸垂指標(biāo)作為其特征描述。

步驟3:將MS_Indicator中每列向量進(jìn)行歸一化處理,去除各列的量綱。 然后用主成分分析法(Principal Components Analysis, PCA)計(jì)算MS_Indicator的主成分與其對(duì)應(yīng)的累積貢獻(xiàn)率。 懸垂指標(biāo)的主成分與累積貢獻(xiàn)率如圖2 所示。 由圖可見, MS_Indicator的前5 個(gè)主成分的累積貢獻(xiàn)率已經(jīng)超過95%,因此,可將懸垂指標(biāo)的前5 種主成分組成的特征向量作為MS_Indicator的主成分特征矩陣MS_pca_Indicator, 用該矩陣的每行代表1 個(gè)三維懸垂樣本,記為Ipca∈R1×5。

圖2 懸垂指標(biāo)的主成分與累積貢獻(xiàn)率

步驟4:計(jì)算重采樣懸垂模型頂點(diǎn)處的最大曲率值。 由于每個(gè)重采樣模型具有5 172 個(gè)頂點(diǎn),因此每個(gè)模型對(duì)應(yīng)5 172 個(gè)最大曲率值。

顯然,若直接用5 172 個(gè)曲率值構(gòu)造特征向量會(huì)造成維度過高的現(xiàn)象,不利于計(jì)算和對(duì)比分析。因此同樣采用PCA 降維處理的思路,求得每個(gè)重采樣模型的曲率主成分特征Cpca∈R1×5, 然后按照ICpca=0.855×Ipca⊕0.145×Cpca求得每個(gè)重采樣模型的形態(tài)特征ICpca,其中⊕代表串聯(lián),使得ICpca∈R1×10。

2 基于力學(xué)指標(biāo)和面密度預(yù)測(cè)懸垂模型形態(tài)特征

本文實(shí)驗(yàn)包含以下幾個(gè)步驟:

步驟1:將51 種織物對(duì)應(yīng)的Gk、Bwarp、Bweft、Swarp、Sweft串聯(lián)組成1 個(gè)5 維特征向量Fg_m∈R1×5;

步驟2:計(jì)算51 種織物的對(duì)應(yīng)懸垂模型懸垂系數(shù)(DC)和懸垂角(DA);

步驟3:搭建并訓(xùn)練1 個(gè)BP 神經(jīng)網(wǎng)絡(luò),如圖3所示,其中輸入層包含5 個(gè)節(jié)點(diǎn),分別對(duì)應(yīng)輸入特征Fg_m的5 個(gè)元素;輸出層包含1 個(gè)節(jié)點(diǎn),即DC 或DA中的1 個(gè)。 換言之,利用相同結(jié)構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練了2 組權(quán)重系數(shù),分別實(shí)現(xiàn)對(duì)DC 和DA 的擬合。 此外,該BP 神經(jīng)網(wǎng)絡(luò)的損失函數(shù)選用均方誤差(Mean Squared Error,MSE),并采用Sigmoid 函數(shù)作為非線性激活函數(shù)。

經(jīng)過多次實(shí)驗(yàn),發(fā)現(xiàn)當(dāng)隱含層包含3 個(gè)節(jié)點(diǎn)時(shí)預(yù)測(cè)效果最佳,因此將隱含層的節(jié)點(diǎn)數(shù)目設(shè)置為3。

圖3 基于Fg_m預(yù)測(cè)DC 或DA 的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了避免數(shù)據(jù)分布不勻帶來的誤差,預(yù)測(cè)過程采用了 K 折交叉驗(yàn)證方法(K - Fold Cross Validation)。 即將全部樣本(51 種織物)分成k = 10個(gè)不相交的子集{ds1,ds2,…,dsi,…,dsk}, 每次取出1 個(gè)子集作為測(cè)試集,其余k - 1 個(gè)子集作為訓(xùn)練集。 10 折交叉驗(yàn)證后每個(gè)樣本均被當(dāng)作測(cè)試樣本測(cè)試1 次,即51 種織物均對(duì)應(yīng)1 個(gè)預(yù)測(cè)值。 最后計(jì)算樣本的預(yù)測(cè)值相對(duì)誤差絕對(duì)平均值以及預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)。

使用上述BP 神經(jīng)網(wǎng)絡(luò)對(duì)懸垂系數(shù)和懸垂角預(yù)測(cè)的結(jié)果如圖4 所示。

由圖4(a)可見,DC 預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)為0.943 3,DC 預(yù)測(cè)值的相對(duì)誤差絕對(duì)平均值為8.15%。 圖4(b)中DA 預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)為0.940 6;DA 預(yù)測(cè)值的相對(duì)誤差為5.1%。 該結(jié)果說明通過BP 神經(jīng)網(wǎng)絡(luò),從織物的力學(xué)性能及面密度(即Fg_m)預(yù)測(cè)織物懸垂特征(DC 或DA)是可行的,但預(yù)測(cè)精度還有待進(jìn)一步提升。

圖4 懸垂系數(shù)和懸垂角預(yù)測(cè)結(jié)果

3 基于懸垂模型形態(tài)特征預(yù)測(cè)織物力學(xué)性能

將織物的面密度作為已知條件,結(jié)合織物的懸垂形態(tài)去預(yù)測(cè)織物的彎曲剛度和剪切剛度,主要出于兩方面考慮。 一是織物的面密度易于測(cè)量,且織物面密度與織物的其他結(jié)構(gòu)參數(shù)和力學(xué)性能都存在很強(qiáng)的相關(guān)性[15];二是Pan 等[16]的研究結(jié)果證明,將織物的面密度引入到織物懸垂結(jié)果的分類中,會(huì)使得懸垂模型的分類更有意義。

因此,將ICpca與Gk結(jié)合,嘗試對(duì)織物的Bwarp、Bweft、Swarp、Sweft進(jìn)行預(yù)測(cè),具體步驟如下:

步驟1:將織物的面密度( Gk)與ICpca串聯(lián)組成1 個(gè)新的特征向量Fg_IC∈R1×11;

步驟2:創(chuàng)建以Fg_IC為輸入?yún)?shù)的BP 神經(jīng)網(wǎng)絡(luò),具體結(jié)構(gòu)如圖5 所示。

圖5 基于Fg_IC 的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

該BP 神經(jīng)網(wǎng)絡(luò)的輸入層包含11 個(gè)節(jié)點(diǎn),輸出層僅包含1 個(gè)節(jié)點(diǎn),用于預(yù)測(cè)織物力學(xué)指標(biāo)Bwarp、Bweft、Swarp、Sweft中的1 個(gè)。 該網(wǎng)絡(luò)的損失函數(shù)為均方誤差,采用Sigmoid 函數(shù)作為非線性激活函數(shù)。為了避免數(shù)據(jù)分布不勻帶來的誤差,同樣采用10 折交叉驗(yàn)證法進(jìn)行預(yù)測(cè)。

需要說明的是,對(duì)應(yīng)這4 種不同的力學(xué)預(yù)測(cè)值,需分別構(gòu)造4 個(gè)相同架構(gòu)的BP 神經(jīng)網(wǎng)絡(luò)。 訓(xùn)練完成之后,可得4 組不同的神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣。 通過大量實(shí)驗(yàn),發(fā)現(xiàn)當(dāng)神經(jīng)網(wǎng)絡(luò)的隱含層包含4 個(gè)神經(jīng)元時(shí)預(yù)測(cè)效果最佳。

使用上述神經(jīng)網(wǎng)絡(luò)對(duì)經(jīng)緯向彎曲剛度和剪切剛度預(yù)測(cè)結(jié)果如圖6 所示。 圖6 示出,織物經(jīng)、緯向彎曲剛度預(yù)測(cè)值的相對(duì)誤差絕對(duì)平均值要高于經(jīng)、緯向剪切剛度預(yù)測(cè)值的相對(duì)誤差絕對(duì)平均值,而經(jīng)、緯向彎曲剛度預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)略高于經(jīng)、緯向剪切剛度預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)。

很顯然,使用BP 神經(jīng)網(wǎng)絡(luò)從織物形態(tài)特征預(yù)測(cè)其力學(xué)性能指標(biāo)的準(zhǔn)確率并不高。 但是,這種探索同時(shí)也說明了使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行形態(tài)到力學(xué)性能的預(yù)測(cè)并非全無可能,未來還有更多的工作可以在該方向展開。 比如下面的分類實(shí)驗(yàn),將回歸問題降低難度,當(dāng)作1 個(gè)分類任務(wù)進(jìn)行探究。

4 織物柔軟程度的分類

織物懸垂形態(tài)與織物彎曲剛度或剪切剛度之間的預(yù)測(cè)問題也可當(dāng)作織物柔軟等級(jí)的判定問題。 若將織物的經(jīng)向、緯向彎曲剛度之和與Gk的比值記為rb/g,則根據(jù)織物的懸垂形態(tài)預(yù)測(cè)織物rb/g的等級(jí),相當(dāng)于根據(jù)織物的懸垂形態(tài)預(yù)測(cè)織物的柔軟等級(jí)。

4.1 織物rb/g的分類

本文實(shí)驗(yàn)包含以下步驟:

步驟1:利用K 均值聚類方法(K-Means)將51 種織物按照rb/g分為3 個(gè)類別,分類結(jié)果如圖7所示。

其中類別1 包含24 種織物,該類織物的rb/g值較小;類別2 包含20 種織物,該類織物的rb/g相對(duì)于類別1 的織物較大,類別3 包含7 種織物,其對(duì)應(yīng)的rb/g最大。 需要說明的是,當(dāng)織物的種類和樣本數(shù)量無窮大時(shí),rb/g將會(huì)是一條連續(xù)曲線。 此時(shí)對(duì)其聚類,相當(dāng)于人類主觀地分解一個(gè)連續(xù)數(shù)據(jù)空間,類似于指定人群的高矮胖瘦一樣。 這里所給出的3 個(gè)類別,可以看作是上述真實(shí)數(shù)據(jù)分布的一種簡(jiǎn)化。

圖6 經(jīng)緯向彎曲剛度和剪切剛度預(yù)測(cè)結(jié)果

圖7 織物rb/g 的3 個(gè)類別

步驟2:利用文獻(xiàn)[10]采用的三維掃描裝置,在相同的實(shí)驗(yàn)條件下,將每種織物對(duì)應(yīng)的圓形試樣分別重復(fù)掃描50 次,51 種織物共采集2 550個(gè)懸垂模型。 根據(jù)圖8 所示的方法改變相機(jī)位置采集不同的懸垂模型圖像,具體做法為首先建立如圖8(a)所示的坐標(biāo)系,在虛擬環(huán)境中確定7 個(gè)相機(jī)位置,其中位置1 在Z 軸上,相機(jī)2 ～7 均勻分布在與OZ 軸垂直的平面上,然后在虛擬環(huán)境中將懸垂模型渲染為圖8(b)所示的灰度圖像,渲染的參數(shù)為:三角形的邊設(shè)置為無色、三角形表面顏色設(shè)置為白色、三角形表面的漫反射系數(shù)設(shè)置為0.5、表面的環(huán)境光系數(shù)設(shè)置為0.3、表面的透明度設(shè)置為0.95。

圖8 改變相機(jī)位置采集不同的懸垂模型圖像

由圖8 可見,通過改變相機(jī)位置可以提高圖像的多樣性,每種織物均對(duì)應(yīng)350(50×7)張灰度圖像,最終51 種織物共采集13 850(51×350)張圖像,每張圖像均用其rb/g類別作為分類任務(wù)的真值標(biāo)簽。 即給定任意一張圖像,如果該圖像屬于圖7 中類別Ci中的任意一種織物,則將該圖像的標(biāo)簽設(shè)置為i。

步驟3:將渲染的灰度圖像經(jīng)過翻轉(zhuǎn)、平移、旋轉(zhuǎn)、改變圖像明亮度和裁剪縮放等操作[17]進(jìn)行數(shù)據(jù)增廣(Data Augmentation),最終統(tǒng)一為224×224 的RGB 圖像。 然后按照8 ∶1 ∶1的比例將13 850 張圖像分成14 280 張圖像組成的訓(xùn)練集、1 785 張圖像組成的驗(yàn)證集和1 785 張圖像組成的測(cè)試集。 進(jìn)行數(shù)據(jù)增廣的目的是便于深度神經(jīng)網(wǎng)絡(luò)擁有足夠的數(shù)據(jù)進(jìn)行訓(xùn)練,同時(shí)保持良好的泛化性能。

步驟4:分別使用在ImageNet 圖像數(shù)據(jù)集上經(jīng)過 預(yù) 訓(xùn) 練 的ResNet18、 ResNet34、 ResNet50[18]和EfficientNet-B0、EfficientNet-B1[19]進(jìn)行遷移學(xué)習(xí),實(shí)現(xiàn)對(duì)織物的rb/g分類。 本文研究采用ResNet 分類模型的原因在于其易于訓(xùn)練,可以作為基準(zhǔn)網(wǎng)絡(luò)來對(duì)比其他分類模型的效果;而EfficientNet 是目前公認(rèn)的參數(shù)量相對(duì)較小且分類效果較好的分類模型,由于實(shí)驗(yàn)室硬件限制,本文研究?jī)H使用EfficientNet系列中參數(shù)量較小的2 種模型,即EfficientNet-B0、EfficientNet-B1。

由于本文所用數(shù)據(jù)量相對(duì)于ImageNet 等大型數(shù)據(jù)集來說較小,容易發(fā)生過擬合,因此在訓(xùn)練過程中還需使用L2 正則化(L2 regularization);其中5 種分類模型的權(quán)重衰減系數(shù)均設(shè)置為0.001。 分類模型的運(yùn)行平臺(tái)為便攜式計(jì)算機(jī),其配置有主頻為2.8 GHz 的Core i7700 HQ 英特爾處理器和顯存為6 GB的NVIDIA GTX 1060 顯卡。 對(duì)于所有的分類模型,統(tǒng)一設(shè)置損失函數(shù)為交叉熵?fù)p失,優(yōu)化器的類型為隨機(jī)梯度下降法,學(xué)習(xí)率為0.000 5,訓(xùn)練周期為16。

4.2 基于懸垂模型的織物rb/g分類結(jié)果

分類模型的驗(yàn)證集和測(cè)試集準(zhǔn)確率如表1所示。

由表1 可見ResNet18 在測(cè)試集上的分類準(zhǔn)確率要優(yōu)于ResNet34 和ResNet50。 EfficientNet-B0 的分類準(zhǔn)確率要優(yōu)于EfficientNet-B1。 RenNet18 和EfficientNet-B0 的模型相對(duì)簡(jiǎn)單,因此過擬合的程度相對(duì)于其他網(wǎng)絡(luò)模型較小,其分類準(zhǔn)確率要優(yōu)于其他網(wǎng)絡(luò)模型。 且EfficientNet-B0 的分類準(zhǔn)確率優(yōu)于ResNet18,這與其網(wǎng)絡(luò)架構(gòu)更寬更深有關(guān),當(dāng)分類任務(wù)更復(fù)雜時(shí),這樣的網(wǎng)絡(luò)通常表現(xiàn)更佳。

表1 分類模型的驗(yàn)證集和測(cè)試集準(zhǔn)確率 %

由表1 可見,本文采用的5 種分類模型在對(duì)織物rb/g分類時(shí),測(cè)試集的準(zhǔn)確率均低于90%。 原因在于此前指定的類別真值實(shí)為連續(xù)曲線的人為分段,即這里的分類任務(wù)仍然面臨懸垂模型的模糊邊界問題。 雖然圖7 中織物具有不同的rb/g, 但是這不能證明類別1 和類別2 對(duì)應(yīng)的懸垂模型具有清晰的分類界限,即圖7 中類別1 和類別2 仍然存在懸垂結(jié)果交叉的可能性,這與我們熟知的不同織物懸垂形態(tài)有可能高度相似這一現(xiàn)象是吻合的。

為了衡量上述5 種分類模型的分類準(zhǔn)確率與人眼所能達(dá)到的分類準(zhǔn)確率之間的關(guān)系,測(cè)試了織物rb/g3 個(gè)類別的人類大腦識(shí)別率,具體步驟如下。

步驟1:將上述51 種織物分成3 個(gè)類別,分類結(jié)果與圖7 相同;每種織物挑選5 組懸垂模型灰度圖像,51 種織物共計(jì)255 組圖像;

步驟2:對(duì)10 名具有紡織專業(yè)背景的技術(shù)人員進(jìn)行培訓(xùn),告知步驟1 中所示的255 組圖像中每張圖像所屬的類別,囑其認(rèn)真辨別每個(gè)類別的圖像特征;

步驟3:讓經(jīng)過培訓(xùn)的技術(shù)人員測(cè)試153(51×3)組并未見過的懸垂圖像,即根據(jù)圖像判斷織物rb/g的類別,計(jì)算織物rb/g3 個(gè)類別的人類大腦識(shí)別率;

織物rb/g3 個(gè)類別的人類大腦識(shí)別率如表2 所示。 由表2 可見,織物rb/g3 個(gè)類別的人類大腦識(shí)別率均值為81.66%,該結(jié)果表明人眼在對(duì)織物懸垂形態(tài)進(jìn)行分類時(shí),同樣存在認(rèn)知上的不確定性,該結(jié)果驗(yàn)證了通過深度神經(jīng)網(wǎng)絡(luò)進(jìn)行織物柔軟度分類識(shí)別的困難所在。 事實(shí)上,采用深度神經(jīng)網(wǎng)絡(luò)(如EfficientNet-B0)在3 個(gè)類別任務(wù)上所達(dá)到的驗(yàn)證集與測(cè)試集最高準(zhǔn)確率,即表1 中的79.89% 與79.01%與人類大腦識(shí)別率81.66%相比,相當(dāng)于人類大腦識(shí)別率的96.8%～97.8%。 綜合來看,織物柔軟程度的分類問題通過深度學(xué)習(xí)的方法解決,同樣具有一定的可行性。

表2 織物rb/g 3 個(gè)類別的人類大腦識(shí)別率 %

5 結(jié) 論

本文旨在尋找通過人工神經(jīng)網(wǎng)絡(luò)建立織物懸垂形態(tài)與織物力學(xué)性能之間相互映射的可能途徑。 通過大量實(shí)驗(yàn)驗(yàn)證與分析,得出以下結(jié)論:

①為了能夠在織物的力學(xué)性能和懸垂形態(tài)之間建立一種互相映射關(guān)系,并探索出一種根據(jù)懸垂模型或織物面密度預(yù)測(cè)織物力學(xué)性能的可能途徑,探究了織物的力學(xué)性能到形態(tài)的映射。 設(shè)計(jì)了1 個(gè)BP 神經(jīng)網(wǎng)絡(luò),利用K 折交叉驗(yàn)證的方法,驗(yàn)證了根據(jù)織物的面密度、經(jīng)向彎曲剛度、緯向彎曲剛度、經(jīng)向剪切剛度、緯向剪切剛度等5 種參數(shù)的組合特征Fg_m預(yù)測(cè)織物的懸垂系數(shù)和懸垂角是可行的。

②探究了織物的形態(tài)到力學(xué)性能的映射。 設(shè)計(jì)了1 個(gè)BP 神經(jīng)網(wǎng)絡(luò),利用K 折交叉驗(yàn)證的方法,驗(yàn)證了根據(jù)織物的懸垂特征與面密度的組合特征Fg_IC預(yù)測(cè)織物的經(jīng)向緯向彎曲剛度和經(jīng)向緯向剪切剛度也是一種可行的辦法。 結(jié)果顯示基于Fg_m的懸垂系數(shù)和懸垂角預(yù)測(cè)結(jié)果要優(yōu)于基于Fg_IC的經(jīng)向緯向彎曲剛度和經(jīng)向緯向剪切剛度預(yù)測(cè)結(jié)果。

③將懸垂形態(tài)與力學(xué)性能間的關(guān)系看作1 個(gè)分類任務(wù)時(shí),采用多種深度神經(jīng)網(wǎng)絡(luò)進(jìn)行懸垂圖像的分類識(shí)別,與人類大腦在面臨同樣任務(wù)時(shí)的準(zhǔn)確率水平較為類似,三分類任務(wù)相當(dāng)于人類大腦識(shí)別率的97.8%,說明在織物形態(tài)到力學(xué)性能的推理過程中,特別是從最少量輸入條件下的“形態(tài)”推理預(yù)測(cè)“性能”時(shí),深度學(xué)習(xí)方案是一個(gè)可行的選擇。