基于深度学习的陶瓷类目识别

曾铭杰

摘要：从二维图像自动生成三维模型是产品建模的重要方法，依据图像准确识别产品类型，利用产品类型特征快速建模有助于提高建模的准确率。本文针对各种陶瓷器皿，引用 keras 模型来提取陶瓷茶杯、瓷盘、花瓶和茶壶的训练特征，进一步学习并分类，从而训练出高精度的陶瓷茶杯、瓷盘、花瓶和茶壶分类模型，为准确建立陶瓷产品三维建模奠定基础。

关键词：图像分类;陶瓷;深度学习

中图分类号：TP311     文献标识码：A

文章编号：1009-3044（2021）13-0174-02

应用新一代信息技术改造提升传统产业是陶瓷产业发展的必经之路。陶瓷产品数字化设计和自动化建模是陶瓷工业数字化转型的基础。本文尝试通过对平面图像中陶瓷器型特征的提取进行分类，并依据器型特征快速建立三维模型，为陶瓷产品的数字化设计与数字化制造奠定基础。

依据陶瓷平面图像进行产品分类的主要难点是表面特征相互交错，不能简单通过它是否存在某一特征来判断其类型。对于陶瓷这种相互交错的特征采用深度学习算法，自主学习提取图片特征，进而根据产品器型进行准确分类，为下一步三维建模提供支撑。

1图片采集和处理

1.1 图片采集

拥有完整并且丰富的图像数据是基于深度学习的图像识别算法的一个重要部分[1]。为了使卷积神经网络的准确率更高，需要收集的陶瓷器型图片训练样本，应该尽量多样化。为此，通过爬虫技术对搜狗图片进行爬取，在搜狗的搜索引擎中输入关键字“陶瓷杯子”“陶瓷盘子”“陶瓷花瓶”和“陶瓷壶”，获取大量陶瓷器型图片，再经过筛选，剔除分类错误和格式错误的图片，形成训练样本。

1.2图片处理

为了使模型能应用更多的场景和增加分类的准确率，将之前收集好的图片进行一定的预处理[2]。首先进行亮度的调整和旋转等操作，处理出有效样本10823张，再将全部图片进行归一化处理，让每张图片的大小均为150*150像素，以使其满足卷积神经网络的训练需要。最后将所有图片打上标签再随机排序并且将80%作为数据的训练集，剩下的20%作为数据的测试集。并将训练准确率最好的一个模型保存。

2 keras模型

keras模型具有简单的API、使用简单和更好的扩展性，从而吸引了更多的初学者进行深度学习[3]。本文使用Sequential的卷积网络结构如表1所示，将输入大小为150*150*3的图片经过四次的卷积和四次的池化转化为7*7*128，再由三个全连接层输出4个结果分别对应“茶杯”“瓷盘”“花瓶”和“茶壶”。从而卷积网络通过一层一层地映射和大量数据的输入，使得输入和输出关系不需要具体的数学公式来表达，只需要通过设定好的模式和编辑好的卷积网络训练。并且CNN是一种输出权值越来越大的倒三角形态，这样就可以很好地避免在神经网络中反向传播时梯度过快。

卷积核内容如下：

3结果分析

将图片经过上述的操作和处理后，再对图片进行随机分成两份，两者比例大约为80%和20%，用80%的图片数据作为训练集使用能为模型提供更多的信息以便模型能更加准确，而用剩下的20%作为测试集更能直接反映出准确率的高低。本文选择步长为128，经过40次的迭代训练。

最终得出损失值val_loss： 0.4515 和准确率 val_accuracy： 0.9509，但因第35次迭代时准确率最高，所以选择准确率最高的进行模型保存（损失值val_loss： 0.4287 和准确率 val_accuracy： 0.9524）。

4调用模型预测实例

本实例为了增加干扰信号，选择采用一张盘子上印有杯子的图片进行预测。预测结果如图4所示，预测约91%为“瓷盘”，表示预测结果良好且准确。

5结论

随着陶瓷行业的发展，实现数字化制造是必由之路。通过对平面图像的识别进行三维快速建模，将极大提升陶瓷產品设计效率，推进陶瓷产业的数字化设计和数字化制造，进而促进整个陶瓷产业的发展。

参考文献：

[1]戴冰燕，郑志硕.基于迁移学习的可回收垃圾识别分类研究[J].中国科技信息，2021（5）：86-88.

[2]付安安. 基于深度学习的食用水果图像识别应用研究[D].南昌：南昌大学，2020.

[3]王恒涛.基于TensorFlow、Keras与OpenCV的图像识别集成系统[J].电子测试，2020（24）：53-54，124.

【通联编辑：李雅琪】