Description
Недавно Интернет вещей (IoT) и искусственный интеллект (AI), возглавляемые машинным обучением и глубоким обучением, стали ключевыми технологиями Четвертой промышленной революции (4IR). В частности, технология распознавания объектов с использованием глубокого обучения в настоящее время используется в различных областях, и благодаря высокой производительности и потенциалу глубокого обучения многие исследовательские группы и компании, занимающиеся информационными технологиями (ИТ), в настоящее время вкладывают значительные средства в глубокое обучение. В результате искусственный интеллект развивается очень быстрыми темпами и в будущем станет ядром ИТ-индустрии. Компьютерное зрение — это область исследований, которая изучает, как компьютеры обрабатывают изображения для быстрого и эффективного выполнения задач. Изображения, полученные с камер, в основном большие и содержат данные, эквивалентные человеческому зрению. Компьютерное зрение развивалось одновременно с производительностью компьютера и алгоритмами искусственного интеллекта. Технология анализа изображений одежды, которая недавно была применена для рекомендации или поиска конкретной одежды, включает распознавание одежды, которое анализирует информацию об изображениях одежды, и поиск одежды, который может помочь найти желаемую одежду с изображениями. Чтобы применить фреймворк глубокого обучения, большинство исследователей используют сверточные нейронные сети (CNNs), популярную технику глубокого обучения, используемую для анализа визуальных образов. Распознавание одежды направлено на анализ категорий и характеристик одежды, существующих в данном изображении, и сети, такие как FashionNet и внимательная сеть грамматики моды, основанная на сети VGG-16, применяются к сверточным нейронным сетям (CNNS). Многие исследования по распознаванию одежды на основе CNN были сосредоточены на классификации одежды или обнаружении одежды путем обработки видеозаписей с камер наблюдения. Однако идентификация одежды в режиме реального времени по видеозаписям наблюдения остается серьезной проблемой из-за трудностей, связанных с обеспечением надежного обнаружения и представления одежды.
Текстильная промышленность вовлекает много человеческих ресурсов во все процессы, такие как сбор сырья, крашение, обработка и шитье, и потеря ресурсов и энергии, а также увеличение загрязнения окружающей среды вызваны кратковременными отходами одежды, произведенной во время этих процессов. Загрязнение окружающей среды может быть в значительной степени уменьшено за счет использования переработанной одежды. Поэтому в Корее и других странах предпринимается много усилий по переработке и повторному ношению отработанной одежды. В Корее коэффициент использования переработанной одежды растет из-за растущей осведомленности об экологических проблемах и сохранении ресурсов. Количество использованной одежды велико, ежегодное потребление составляет 56,2 миллиарда долларов, но она не используется должным образом из-за системы сбора одежды для ручной переработки, которая имеет ряд проблем, таких как закрытая рабочая среда, здоровье работников, растущие затраты на рабочую силу и низкая скорость обработки, что затрудняет применяйте существующую технологию распознавания одежды, классифицируемую по деформации и наложению форм одежды, при транспортировке переработанной одежды на конвейерную ленту. Однако недавно был изучен метод классификации переработанной одежды с использованием массовых наборов данных и технологии глубокого обучения.
В Корее собранные отходы одежды классифицируются как подлежащие вторичной переработке и невозможные. Многоразовая одежда продается на блошиных рынках, базарах и т.д. Как показано на рисунке 1, одежда, пригодная для вторичной переработки, экспортируется в зарубежные страны.
Распознавание объектов и CNN
Распознавание объектов — это технология компьютерного зрения, которая использует компьютеры для идентификации объектов на изображениях. Люди могут легко распознавать персонажей, объекты, сцены и визуальные детали, когда они видят фотографии или видео. Эта способность позволяет компьютеру узнать, что человек может делать с машиной. Для решения этой проблемы широко используются алгоритмы глубокого обучения и машинного обучения, такие как технологии искусственного интеллекта.
Технология распознавания объектов с использованием машинного обучения — это метод классификации с использованием машинного обучения и CNN, а также метод извлечения признаков для распознавания изображений. Этот метод требует большого объема обучающих данных (learning dataset) и требует, чтобы CNN устанавливала слои и веса. CNN, который был предложен с 2012 года, использует все большее количество нейронных слоев, и в этом процессе используются технологии для эффективной вставки нескольких нейронных слоев в один CNN. CNN имеет сверточный слой, объединяющий слой и выпрямленную линейную единицу (ReLU) в качестве своих основных элементов.
AlexNet
AlexNet представляет собой архитектуру сверточной нейронной сети и состоит из восьми обучающих, пяти сверточных и трех полностью связанных слоев [17-20]. Структура AlexNet показана на рисунке 2. Обычно сверточные слои включают в себя этап свертки, этап объединения и функции активации. В частности, этап свертки представляет собой набор обучаемых фильтров, которые отвечают за извлечение объектов из входного изображения. AlexNet включает в себя 60 миллионов параметров и нейронную сеть с 650 000 нейронов, состоящую из пяти сверточных слоев, некоторые из которых состоят из трех полностью связанных слоев с максимальным объединяющим слоем, за которым следует последний 1000-полосный softmax. Чтобы ускорить обучение, были использованы ненасыщенные нейроны и высокоэффективные операции свертки графического процессора (GPU). Чтобы уменьшить переобучение на полностью соединенных слоях, был использован метод нормализации, называемый “отсев”, и был достигнут максимальный уровень ошибок теста в 15,3% по сравнению с уровнем ошибок в 26,2%, достигнутым вариантом этой модели, представленным на конкурсе ILSVRC 2012. AlexNet имеет пять сверточных слоев, три полностью связанных слоя, три слоя с максимальным объединением, два слоя межканальной нормализации, два слоя отсева и семь слоев выпрямленных линейных единиц (ReLU). Первый слой запоминает объекты первого порядка, такие как цвет и края. Второй слой изучает углы. Третий слой изучает небольшие участки или текстуры. Четвертый и пятый уровни изучают особенности входного пространства более высокого порядка. Затем объекты конечного уровня загружаются в контролируемый слой для выполнения задачи, такой как регрессия. AlexNet, обученный передаче, предсказывает изображение с шумом на основе функций, извлеченных из скрытых слоев.
Структура AlexNet показана на рисунке 2, который явно показывает распределение обязанностей между двумя графическими процессорами. Один графический процессор запускает части слоя в верхней части рисунка, в то время как другой запускает части слоя в нижней части. Графические процессоры взаимодействуют только на определенных уровнях. Входные данные сети имеют размерность 150 528, а количество нейронов в остальных слоях сети равно 290, 400-186, 624-64, 896-64, 896-43, 264-4096-4096-1000.
Сверточная нейронная сеть AlexNet имеет пять слоев свертки (conv), два слоя полного подключения (fc) и один выходной слой. Первое входное изображение было преобразовано в размер 227 × 227. Первый уровень свертки выполняет вычисление свертки, а в сети используется функция активации ReLU. Следующим шагом является уменьшение выборки карты объектов, а затем изображения нормализуются. Работа второго слоя свертки такая же, как и у первого слоя свертки. Третий и четвертый уровни свертки выполняют только операцию свертки. Пятый слой свертки выполняет те же операции, что и первый слой свертки, а затем вводит карту объектов в полностью подключенный слой. Первый полностью связанный слой и второй полностью связанный слой заключаются в том, что каждый нейрон выполняет операцию свертки. В последней части каждого полностью связанного слоя следует добавить отсевающий слой, чтобы эффективно уменьшить количество нейронов и предотвратить переобучение. Последний слой — это выходной слой. Это также полностью подключенный уровень, который выполняет классифицированную работу. Нейронная сеть использует функцию потерь для измерения точности распознавания изображений, а затем распознавание изображений использует проверенную точность для различения изображения.
Передача обучения
Переносное обучение позволяет сократить время, необходимое для получения результатов, за счет обучения моделей с несколькими изображениями. Вычисления методов обучения могут быть сокращены за счет заимствования из нейронной сети для решения других задач. Эта концепция называется трансфертным обучением. Трансфертное обучение может преодолеть определенные вычислительные ограничения при использовании модели глубокого обучения.
Система классификации переработанной одежды
Существующая система классификации одежды такая же, как на рисунке 3, в том смысле, что работник классифицирует одежду, отправленную из пункта сбора переработанной одежды (коробки) в закрытом помещении. Этот метод имеет такие проблемы, как проблемы со здоровьем работающих работников, различные увеличения затрат, а также низкая скорость и эффективность работы. Для решения этой проблемы была предложена система классификации переработанной одежды с IoT и искусственным интеллектом, использующая технологию распознавания объектов, процесс которой показан на рисунках 4 и 5. Устройство Интернета вещей состоит из Raspberry Pi и камеры, которая делает снимки переработанной одежды, и данные изображения передаются в искусственный интеллект, который использует AlexNet, изученный при передаче, для классификации одежды по девяти классам, как показано на рисунке 5.
Подробная информация об экспериментальном оборудовании приведена в таблице 1. Чтобы классифицировать изображения одежды, собранные с помощью наборов данных изображений переработанной одежды, CNN использовала AlexNet, изученную при передаче. AlexNet, используемая в эксперименте, представляет собой предварительно обученный CNN, написанный в MATLAB, и глубокое обучение для идентификации окружающих объектов, которое обучается на более чем 1 миллионе изображений и может быть классифицировано в режиме реального времени по 1000 категориям, включая клавиатуры, кофейные кружки, карандаши и различных животных. Используя AlexNet, изученный при передаче, данные изображений переработанной одежды были разделены на девять групп: кардиганы, куртки, рубашки, футболки, трикотаж, джинсы, хлопчатобумажные брюки, короткие брюки и юбки, как показано на рисунке 6.
Состав экспериментального оборудования показан в таблице 1, а измерения показаны на рисунке 7. Порядок измерений для эксперимента был следующим. Сложность времени расчета связана с аппаратными элементами. В данной работе используется графический процессор 1EA (NVIDIA GeForce RTX 2080 Ti)
Во-первых, данные о переработанной одежде были собраны из 2400 данных чистого изображения без мятой или сложенной одежды и 900 данных изображения потери с мятой или сложенной одеждой. Эти данные (всего: 3300) были использованы в качестве входных данных для AlexNet. Для классификации изображений одежды, собранных с помощью наборов данных изображений одежды, CNN использовала AlexNet, написанную на MATLAB, с использованием технологии transfer-learn.
Мы обучили нашу модель с использованием стохастического градиентного спуска с размером пакета 64, эпохами 3 и начальной скоростью обучения 0,001.
4.2. Сбор и обработка данных
Данные об изображениях одежды, использованные в исследовании модели классификации изображений одежды на основе глубокого обучения, были собраны путем обхода изображения одежды, существующего в Google, как показано в таблице 2. Собранные изображения были сохранены как чистые изображения, а некоторые были удалены из чистых изображений и сохранены как потерянные изображения. Изображение потерь отражалось, когда одежда, помещенная на ленту конвейера, была смята или сложена на рабочем месте. Изображения разных размеров были изменены на единый размер 257 × 257.
Разработка и внедрение модели
Модель AlexNet использовалась в качестве модели классификации изображений одежды на основе глубокого обучения, модель метастатического обучения была такой же, как таблица, и использовалась MATLAB. Обучение продолжается в направлении уменьшения функции потерь перекрестной энтропии, которая совпадает с определением в следующей формуле:
Здесь ti и si — это основная истина, которая является правильным ответом, и последний выходной вектор модели, который является i-м элементом результирующего значения слоя softmax модели соответственно. Чтобы свести это к минимуму, обучение продолжается с использованием алгоритма SGD. Наконец, вероятность прогнозирования каждой категории вычисляется с помощью слоя softmax с использованием характеристик изображения глобального среднего уровня объединения, и с его помощью изучается классификация.
Для обучения модели результаты классификации были проверены с использованием 2400 данных для обучения и 900 данных для тестирования с соотношением 7: 3 для всех 3300 данных изображений одежды. Модель была обучена на 2310 изображениях в девяти классах и протестирована на 990 тестовых изображениях. Функция потерь, используемая моделью, представляла собой половину среднеквадратичной ошибки. Визуальное знание модели зависит от активации функции, вызванной последним слоем. Модель AlexNet с передачей обучения использовалась в качестве модели классификации изображений одежды на основе глубокого обучения, и результаты классификации данных изображений одежды, полученных с использованием Интернета вещей в качестве входных данных, следующие.
Результаты измерений классификационных экспериментов
Изображения очистки и потерь показаны на рисунке 8. Результаты классификации, полученные с помощью AlexNet, показаны на рисунке 9 и в таблице 4 с набором данных изображений одежды. Этот вывод подтверждает, что точность классификации повышается, когда в AlexNet в качестве входных данных предоставляется много изображений чистой одежды. Костюмы состояли из чистых образов, которые были идеальными образами, и образов потерь, учитывая трансформацию и наложение друг на друга. Данные об изображениях одежды были классифицированы по девяти типам: кардиган, куртка, рубашка, футболка, трикотаж, джинсы, хлопчатобумажные брюки, короткие брюки и юбки. Результаты измерений и классификации показали, что точность классификации всех изображений одежды (чистое (2400) + потеря (900)) при скорости обучения 0,001 и эпохе 10 составила приблизительно 68,28%. Система, которая классифицирует изображения в соответствии с одеждой, была обучена с использованием глубокого обучения, и классификация одежды была продемонстрирована с использованием набора данных изображения одежды, собранного предложенной моделью. Следовательно, изображения чистой одежды были классифицированы с точностью более 74%, а общие изображения (потертые и чистые) были классифицированы с точностью более 68%. Тестовые изображения одежды, сделанные с помощью устройств Интернета вещей (подключение камеры к raspberry pies), были отнесены к двум лучшим из девяти категорий с использованием AlexNet deep learning, и результаты показаны на рисунке 10.
Таблица 4
|
|||||||||||||||||||||
Выводы
Искусственный интеллект, которому способствовало машинное обучение и углубленное обучение наряду с новой технологией lead 4IR, был применен к реальному миру посредством различных исследований и разработок. С недавним выпуском нейронных сетей GoogLeNet и LesNet структура CNN, вероятно, продолжит углубляться и усложняться. Модели глубокого обучения не были фиксированными; поэтому их можно было настроить различными способами. Следовательно, если бы были представлены новые проблемы, можно было бы разработать новые модели нейронных сетей.
В этой статье мы предложили интеллектуальную систему классификации переработанной одежды, которая классифицирует ее с помощью Интернета вещей и глубокого обучения AlexNet. Одежда, перенесенная из места сбора переработанной одежды (коробки) на конвейерную ленту, была сфотографирована с помощью камеры, подключенной к Raspberry и устройству интернета вещей, и AlexNet deep learning классифицировала сфотографированные изображения одежды по девяти категориям. Для измерения были использованы 3300 наборов данных изображений одежды.
В результате этого исследования было подтверждено, что типы переработанной одежды с использованием искусственного интеллекта могут быть предсказаны и точная работа по классификации может быть выполнена вместо опыта и ноу-хау работающих на рабочем месте по классификации одежды, которое представляет собой закрытое пространство. Это приведет к инновационному направлению работы по классификации одежды для вторичной переработки, которая была выполнена людьми в существующей рабочей среде. Другими словами, ожидается, что будет достигнута стандартизация необходимых процессов, использование искусственного интеллекта, применение системы автоматизации, различное снижение затрат и повышение эффективности работы.
Если у Вас появилась заинтересованность в данной нейронной сети, и она может помочь Вам в реализации Ваших бизнес и других технических задачах, пожалуйста отправьте заявку на email info@ai2b.ru , или позвоните по телефону 8(495)661-61-09
Reviews
There are no reviews yet.