魏大順，楊崇倡，馮培，倪聰

（東華大學(xué) 機(jī)械工程學(xué)院，上海 201620）

0 引言

為了響應(yīng)“中國制造2025”智能制造戰(zhàn)略計劃部署[1]，服裝企業(yè)積極打造以數(shù)字化、自動化、柔性化為核心的服裝個性化定制智能制造工廠[2]。然而皮革服裝“選皮配皮”、裁剪等生產(chǎn)工序還主要依賴人工感官來判別，“選皮配皮”工藝是指在一批皮革中，挑選出在紋理、顏色、光澤、厚度等方面相近的皮革，以備將其裁剪縫紉至一件衣服。因此如何將人工皮革匹配經(jīng)驗轉(zhuǎn)變?yōu)樽詣踊a(chǎn)控制成為目前皮革服裝工業(yè)面臨的難題。

目前已有很多研究人員[3～5]對皮革紋理以及顏色進(jìn)行皮革分類，并取得一定的效果，然而其分類指標(biāo)單一，僅通過紋理或者顏色特征難以解決皮裝生產(chǎn)中皮革匹配問題。因此本文綜合考慮皮革的紋理、顏色、光澤、厚度等多特征信息，通過將標(biāo)樣皮革和待匹配皮革之間匹配度進(jìn)行排序，在待匹配皮革中找出與標(biāo)樣皮匹配度最大的皮革。首先通過卷積神經(jīng)網(wǎng)絡(luò)對皮革表面紋理特征量化，利用傳感器技術(shù)對皮革顏色、光澤度、厚度進(jìn)行定量處理，并構(gòu)建皮革特征矩陣。其次結(jié)合專家的主觀經(jīng)驗以及皮革數(shù)據(jù)的客觀規(guī)律，利用組合賦權(quán)法確定皮革各特征的權(quán)重值。最后基于TOPSIS排序法對待匹配皮革與目標(biāo)皮革組進(jìn)行排序，根據(jù)排序結(jié)果實現(xiàn)皮革的最優(yōu)匹配。

1 構(gòu)建皮革匹配指標(biāo)體系

通過研究人工匹配皮革發(fā)現(xiàn)，可以將皮革匹配指標(biāo)分為定量和定性兩種指標(biāo)，如圖1所示。

圖1 皮革匹配指標(biāo)體系

1.1 基于卷積神經(jīng)網(wǎng)絡(luò)紋理特征量化

紋理是皮革匹配環(huán)節(jié)中的一項重要參數(shù)，因此對紋理特征進(jìn)行準(zhǔn)確分析尤為重要。傳統(tǒng)的紋理特征提取算法主要分為四大類：統(tǒng)計分析法、結(jié)構(gòu)分析法、模型分析法、信號分析法，而這些方法對拍攝圖片的質(zhì)量要求較高，極易受環(huán)境光照、噪點等因素的影響，導(dǎo)致結(jié)果準(zhǔn)確率較低。而本文采用深度卷積神經(jīng)網(wǎng)絡(luò)對皮革紋理特征進(jìn)行提取，多層網(wǎng)絡(luò)結(jié)構(gòu)能更精準(zhǔn)地提取樣本的細(xì)節(jié)特征，為后續(xù)皮革匹配鋪墊。

為了滿足實際自動化皮革匹配應(yīng)用需求，本文使用輕量化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來加速提取紋理特征。MobileNet[6]是由Google在2017年設(shè)計的一個輕量級深度神經(jīng)網(wǎng)絡(luò)，其主要特點是采用深度可分離卷積替換了普通卷積，具有參數(shù)少，延時低等特點。MobileNet首先采用通道分離，將M維通道的輸入特征圖分解為M個大小為Df×Df的二維特征圖，對每一個二維特征圖采用大小為Dk×Dk的卷積核進(jìn)行單獨(dú)卷積運(yùn)算，緊接著采用N個大小為1×1，深度為M的卷積核進(jìn)行處理，其運(yùn)算量為：

而對于傳統(tǒng)卷積運(yùn)算，采用卷積核大小為Dk×Dk，則此時運(yùn)算量為：

因此，分離通道后計算量與傳統(tǒng)卷積計算量之比為：

MobileNet V2的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示，其中：t表示擴(kuò)展因子，c表示輸出通道數(shù)，n表示重復(fù)次數(shù)，s表示步長stride。該模型共有21層，輸入圖像的維度是224×224×3，因此首先對拍攝的彩色紋理圖像進(jìn)行預(yù)處理，將其大小變?yōu)?24×224。紋理特征量化的具體操作如下：

表1 MobileNet V2的網(wǎng)絡(luò)結(jié)構(gòu)

1）第一層為標(biāo)準(zhǔn)的卷積操作，將3維通道的輸入圖片擴(kuò)張為32維，有利于提取更詳細(xì)的紋理特征。

2）緊接著是17個線性瓶頸層，因為ReLU層會造成低維信息的丟失，在皮革紋理特征提取上，細(xì)密的紋理特征會被抹除，準(zhǔn)確率降低，而線性瓶頸相比于非線性轉(zhuǎn)換可以保留更多信息。瓶頸層的具體結(jié)構(gòu)如下表所示。輸入通過1×1的conv+ReLU層將維度從k維增加到tk維，之后通過3×3conv+ReLU可分離卷積對圖像進(jìn)行降采樣（stride>1時），此時特征維度已經(jīng)為tk維度，最后通過1×1conv（無ReLU）進(jìn)行降維，維度從tk降低到k維。

3）經(jīng)過瓶頸層的紋理圖片維度變?yōu)?×7×320，再經(jīng)過1280個1×1的卷積核將其維度變?yōu)?280維，進(jìn)行7×7的平均池化操作；

4）本文共將紋理劃分為3級，將平均池化后的結(jié)果與3個1×1卷積核進(jìn)行運(yùn)算，得到1×1×3的特征向量，以此來提取皮革紋理特征，為了方便后續(xù)的皮革匹配度計算，按式(4)計算紋理特征值。

表2 瓶頸層

1.2 皮革定量特征量化

為了準(zhǔn)確采集到皮革相關(guān)特征信息，本文利用傳感器等技術(shù)對皮革顏色、光澤度、厚度特征進(jìn)行定量采集，并通過色差、光澤度差、厚度差對標(biāo)樣皮革和待匹配皮革進(jìn)行定量描述。

1）顏色[7]

式(5)中，表示為兩者被測對象的色差；L為亮度，a為紅綠程度；b黃藍(lán)程度。

2）光澤度

式(6)中，為待匹配皮革光澤度值、為目標(biāo)皮革的光澤度值。

3）厚度

式(7)中，為待匹配皮革厚度值、為目標(biāo)皮革的厚度值。

1.3 建立特征矩陣

特征矩陣是實現(xiàn)皮革匹配度排序的前提，對皮革各匹配特征量化后，建立特征矩陣Xij=[xij]m×n，其中xij為第i張皮革、第j項標(biāo)樣皮革和待匹配皮革特征差值。對皮革不同特征的進(jìn)行無量綱處理，即對特征矩陣做歸一化處理:

則可得規(guī)范化矩陣:Y=[yij]m×n

2 權(quán)重的確定

特征權(quán)重的準(zhǔn)確性直接影響最終的排序結(jié)果可靠性，目前常用的賦權(quán)法分為主觀賦權(quán)法、客觀賦權(quán)法、組合賦權(quán)法，本文采用專家評判法和變異系數(shù)法相結(jié)合的組合賦權(quán)法，既考慮了專家經(jīng)驗又保證賦權(quán)的客觀性。

專家評價法是[8]將不同專家分別給出獨(dú)立的權(quán)數(shù)，進(jìn)行綜合權(quán)數(shù)處理，建立一個評價矩陣的方法，為了簡化計算，本文將專家形成的獨(dú)立評估矩陣進(jìn)行規(guī)范化處理，在求取每列算術(shù)平方數(shù)，如式所示。

變異系數(shù)[9]是統(tǒng)計中常用的衡量數(shù)據(jù)差異的統(tǒng)計指標(biāo)，該方法根據(jù)各個指標(biāo)在所有被評價對象上觀測值的變異程度大小來對其賦權(quán)。為避免指標(biāo)的量綱和數(shù)量級不同所帶來的影響，該方法直接用變異系數(shù)歸一化處理后的數(shù)值作為各指標(biāo)的權(quán)數(shù)。

第一步：計算各項指標(biāo)的變異系數(shù)，即各指標(biāo)變異程度：

式(11)中，σi為第i項指標(biāo)的標(biāo)準(zhǔn)差；-xi是第i項指標(biāo)的平均數(shù)。

第二步：對各指標(biāo)的變異系數(shù)進(jìn)行歸一化處理，得到各指標(biāo)的權(quán)數(shù)。

本文采用乘法合成組合法，將專家評價法以及變異系數(shù)法同一指標(biāo)的權(quán)數(shù)進(jìn)行相乘，然后進(jìn)行歸一化處理得到組合權(quán)數(shù)，計算公式為：

3 基于TOPSIS法皮革排序?qū)崿F(xiàn)

TOPSIS法[10]是多目標(biāo)決策分析中一種常用的有效方法。在有限的評價對象與理想化目標(biāo)的接近程度進(jìn)行排序的方法，本文通過TOPSIS法對皮革之間的匹配程度進(jìn)行排序，其具體的操作步驟如下：

Step1：將規(guī)范化矩陣Y與組合權(quán)值ω相乘得到標(biāo)準(zhǔn)化矩陣Q：

Step2：確定正理想解以及負(fù)理想解：

Step3：計算正負(fù)理想解的距離：

Step4：計算相對貼近度并排序：

計算標(biāo)樣皮革和待匹配皮革之間的Si值，并將Si從大到小進(jìn)行排序，由于特征矩陣反映的是標(biāo)樣皮革和待匹配皮革之間的差值，因此Si越小表示與標(biāo)樣皮革越匹配。

4 實例驗證與分析

為了驗證上述皮革匹配方法的可行性和合理性，本文以某皮裝生產(chǎn)的天然皮革為例，在8張待匹配的皮革中匹配出與標(biāo)樣皮革最匹配的一張皮革。首先通過卷積卷積神經(jīng)網(wǎng)絡(luò)以及傳感器技術(shù)對皮革匹配指標(biāo)信息進(jìn)行提取，并按照式(5)～式(7)進(jìn)行預(yù)處理，相關(guān)信息如表3所示。

表3 皮革特征信息

從表3提取目標(biāo)皮革特征參數(shù)，形成特征矩陣X，按照式(8)進(jìn)行歸一化處理得到標(biāo)準(zhǔn)矩陣Y。

同時邀請8位專家對皮革4個匹配指標(biāo)的權(quán)重進(jìn)行賦值，得到評價矩陣B：

根據(jù)式(9)～式(13)可求解出皮革匹配各指標(biāo)權(quán)重為ω=(0.31,0.29,0.34,0.06)。

由式(15)、式(16)可求解出Q+，Q-：

由式(17)～式(19)可求解出貼近度S：S=[0.769,0.259,0.525,0.347,0.708,0.762,0.855,0.544]

最后，可對8個目標(biāo)皮革進(jìn)行排序：

本文將TOPSIS法排序結(jié)果和專家排序結(jié)果進(jìn)行分析，該匹配排序結(jié)果與主觀經(jīng)驗一致，可以說明該方法的合理性。

5 結(jié)語

本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和TOPSIS皮革匹配方法，將皮革分類轉(zhuǎn)化為皮革匹配排序問題，在一定程度上更加符合皮裝匹配裁剪生產(chǎn)需求。案例驗證的結(jié)果表明，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)對皮革紋理特征指標(biāo)進(jìn)行量化處理，區(qū)別于常規(guī)模糊評價體系，表明深度學(xué)習(xí)在圖像特征識別等方面有著巨大的潛力。結(jié)合專家經(jīng)驗以及變異系數(shù)法對皮革指標(biāo)進(jìn)行權(quán)重賦值，運(yùn)用TOPSIS法對待匹配皮革和目標(biāo)皮革匹配度進(jìn)行排序。通過實際案例驗證了皮革之間匹配排序的可行性和有效性，為涉及到相關(guān)的多特征綜合分類問題提供新的思路和方法。