基于卷積神經網絡和TOPSIS的皮革匹配方法研究

魏大順，楊崇倡，馮培，倪聰

（東華大學 機械工程學院，上海 201620）

0 引言

為了響應“中國制造2025”智能制造戰略計劃部署[1]，服裝企業積極打造以數字化、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驗轉變為自動化生產控制成為目前皮革服裝工業面臨的難題。

目前已有很多研究人員[3～5]對皮革紋理以及顏色進行皮革分類，并取得一定的效果，然而其分類指標單一，僅通過紋理或者顏色特征難以解決皮裝生產中皮革匹配問題。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，通過將標樣皮革和待匹配皮革之間匹配度進行排序，在待匹配皮革中找出與標樣皮匹配度最大的皮革。首先通過卷積神經網絡對皮革表面紋理特征量化，利用傳感器技術對皮革顏色、光澤度、厚度進行定量處理，并構建皮革特征矩陣。其次結合專家的主觀經驗以及皮革數據的客觀規律，利用組合賦權法確定皮革各特征的權重值。最后基于TOPSIS排序法對待匹配皮革與目標皮革組進行排序，根據排序結果實現皮革的最優匹配。

1 構建皮革匹配指標體系

通過研究人工匹配皮革發現，可以將皮革匹配指標分為定量和定性兩種指標，如圖1所示。

圖1 皮革匹配指標體系

1.1 基于卷積神經網絡紋理特征量化

紋理是皮革匹配環節中的一項重要參數，因此對紋理特征進行準確分析尤為重要。傳統的紋理特征提取算法主要分為四大類：統計分析法、結構分析法、模型分析法、信號分析法，而這些方法對拍攝圖片的質量要求較高，極易受環境光照、噪點等因素的影響，導致結果準確率較低。而本文采用深度卷積神經網絡對皮革紋理特征進行提取，多層網絡結構能更精準地提取樣本的細節特征，為后續皮革匹配鋪墊。

為了滿足實際自動化皮革匹配應用需求，本文使用輕量化的神經網絡結構來加速提取紋理特征。MobileNet[6]是由Google在2017年設計的一個輕量級深度神經網絡，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的卷積核進行單獨卷積運算，緊接著采用N個大小為1×1，深度為M的卷積核進行處理，其運算量為：

而對于傳統卷積運算，采用卷積核大小為Dk×Dk，則此時運算量為：

因此，分離通道后計算量與傳統卷積計算量之比為：

MobileNet V2的網絡結構如表1所示，其中：t表示擴展因子，c表示輸出通道數，n表示重復次數，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行預處理，將其大小變為224×224。紋理特征量化的具體操作如下：

表1 MobileNet V2的網絡結構

1）第一層為標準的卷積操作，將3維通道的輸入圖片擴張為32維，有利于提取更詳細的紋理特征。

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，細密的紋理特征會被抹除，準確率降低，而線性瓶頸相比于非線性轉換可以保留更多信息。瓶頸層的具體結構如下表所示。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行降采樣（stride>1時），此時特征維度已經為tk維度，最后通過1×1conv（無ReLU）進行降維，維度從tk降低到k維。

3）經過瓶頸層的紋理圖片維度變為7×7×320，再經過1280個1×1的卷積核將其維度變為1280維，進行7×7的平均池化操作；

4）本文共將紋理劃分為3級，將平均池化后的結果與3個1×1卷積核進行運算，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

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

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黃藍程度。

2）光澤度

式(6)中，為待匹配皮革光澤度值、為目標皮革的光澤度值。

3）厚度

式(7)中，為待匹配皮革厚度值、為目標皮革的厚度值。

1.3 建立特征矩陣

特征矩陣是實現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項標樣皮革和待匹配皮革特征差值。對皮革不同特征的進行無量綱處理，即對特征矩陣做歸一化處理:

則可得規范化矩陣:Y=[yij]m×n

2 權重的確定

特征權重的準確性直接影響最終的排序結果可靠性，目前常用的賦權法分為主觀賦權法、客觀賦權法、組合賦權法，本文采用專家評判法和變異系數法相結合的組合賦權法，既考慮了專家經驗又保證賦權的客觀性。

專家評價法是[8]將不同專家分別給出獨立的權數，進行綜合權數處理，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立評估矩陣進行規范化處理，在求取每列算術平方數，如式所示。

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

第一步：計算各項指標的變異系數，即各指標變異程度：

式(11)中，σi為第i項指標的標準差；-xi是第i項指標的平均數。

第二步：對各指標的變異系數進行歸一化處理，得到各指標的權數。

本文采用乘法合成組合法，將專家評價法以及變異系數法同一指標的權數進行相乘，然后進行歸一化處理得到組合權數，計算公式為：

3 基于TOPSIS法皮革排序實現

TOPSIS法[10]是多目標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的接近程度進行排序的方法，本文通過TOPSIS法對皮革之間的匹配程度進行排序，其具體的操作步驟如下：

Step1：將規范化矩陣Y與組合權值ω相乘得到標準化矩陣Q：

Step2：確定正理想解以及負理想解：

Step3：計算正負理想解的距離：

Step4：計算相對貼近度并排序：

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

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，本文以某皮裝生產的天然皮革為例，在8張待匹配的皮革中匹配出與標樣皮革最匹配的一張皮革。首先通過卷積卷積神經網絡以及傳感器技術對皮革匹配指標信息進行提取，并按照式(5)～式(7)進行預處理，相關信息如表3所示。

表3 皮革特征信息

從表3提取目標皮革特征參數，形成特征矩陣X，按照式(8)進行歸一化處理得到標準矩陣Y。

同時邀請8位專家對皮革4個匹配指標的權重進行賦值，得到評價矩陣B：

根據式(9)～式(13)可求解出皮革匹配各指標權重為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個目標皮革進行排序：

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

5 結語

本文提出一種基于卷積神經網絡和TOPSIS皮革匹配方法，將皮革分類轉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需求。案例驗證的結果表明，運用卷積神經網絡對皮革紋理特征指標進行量化處理，區別于常規模糊評價體系，表明深度學習在圖像特征識別等方面有著巨大的潛力。結合專家經驗以及變異系數法對皮革指標進行權重賦值，運用TOPSIS法對待匹配皮革和目標皮革匹配度進行排序。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，為涉及到相關的多特征綜合分類問題提供新的思路和方法。