基于卷积神经网络和TOPSIS的皮革匹配方法研究

魏大顺，杨崇倡，冯培，倪聪

（东华大学 机械工程学院，上海 201620）

0 引言

为了响应“中国制造2025”智能制造战略计划部署[1]，服装企业积极打造以数字化、自动化、柔性化为核心的服装个性化定制智能制造工厂[2]。然而皮革服装“选皮配皮”、裁剪等生产工序还主要依赖人工感官来判别，“选皮配皮”工艺是指在一批皮革中，挑选出在纹理、颜色、光泽、厚度等方面相近的皮革，以备将其裁剪缝纫至一件衣服。因此如何将人工皮革匹配经验转变为自动化生产控制成为目前皮革服装工业面临的难题。

目前已有很多研究人员[3～5]对皮革纹理以及颜色进行皮革分类，并取得一定的效果，然而其分类指标单一，仅通过纹理或者颜色特征难以解决皮装生产中皮革匹配问题。因此本文综合考虑皮革的纹理、颜色、光泽、厚度等多特征信息，通过将标样皮革和待匹配皮革之间匹配度进行排序，在待匹配皮革中找出与标样皮匹配度最大的皮革。首先通过卷积神经网络对皮革表面纹理特征量化，利用传感器技术对皮革颜色、光泽度、厚度进行定量处理，并构建皮革特征矩阵。其次结合专家的主观经验以及皮革数据的客观规律，利用组合赋权法确定皮革各特征的权重值。最后基于TOPSIS排序法对待匹配皮革与目标皮革组进行排序，根据排序结果实现皮革的最优匹配。

1 构建皮革匹配指标体系

通过研究人工匹配皮革发现，可以将皮革匹配指标分为定量和定性两种指标，如图1所示。

图1 皮革匹配指标体系

1.1 基于卷积神经网络纹理特征量化

纹理是皮革匹配环节中的一项重要参数，因此对纹理特征进行准确分析尤为重要。传统的纹理特征提取算法主要分为四大类：统计分析法、结构分析法、模型分析法、信号分析法，而这些方法对拍摄图片的质量要求较高，极易受环境光照、噪点等因素的影响，导致结果准确率较低。而本文采用深度卷积神经网络对皮革纹理特征进行提取，多层网络结构能更精准地提取样本的细节特征，为后续皮革匹配铺垫。

为了满足实际自动化皮革匹配应用需求，本文使用轻量化的神经网络结构来加速提取纹理特征。MobileNet[6]是由Google在2017年设计的一个轻量级深度神经网络，其主要特点是采用深度可分离卷积替换了普通卷积，具有参数少，延时低等特点。MobileNet首先采用通道分离，将M维通道的输入特征图分解为M个大小为Df×Df的二维特征图，对每一个二维特征图采用大小为Dk×Dk的卷积核进行单独卷积运算，紧接着采用N个大小为1×1，深度为M的卷积核进行处理，其运算量为：

而对于传统卷积运算，采用卷积核大小为Dk×Dk，则此时运算量为：

因此，分离通道后计算量与传统卷积计算量之比为：

MobileNet V2的网络结构如表1所示，其中：t表示扩展因子，c表示输出通道数，n表示重复次数，s表示步长stride。该模型共有21层，输入图像的维度是224×224×3，因此首先对拍摄的彩色纹理图像进行预处理，将其大小变为224×224。纹理特征量化的具体操作如下：

表1 MobileNet V2的网络结构

1）第一层为标准的卷积操作，将3维通道的输入图片扩张为32维，有利于提取更详细的纹理特征。

2）紧接着是17个线性瓶颈层，因为ReLU层会造成低维信息的丢失，在皮革纹理特征提取上，细密的纹理特征会被抹除，准确率降低，而线性瓶颈相比于非线性转换可以保留更多信息。瓶颈层的具体结构如下表所示。输入通过1×1的conv+ReLU层将维度从k维增加到tk维，之后通过3×3conv+ReLU可分离卷积对图像进行降采样（stride>1时），此时特征维度已经为tk维度，最后通过1×1conv（无ReLU）进行降维，维度从tk降低到k维。

3）经过瓶颈层的纹理图片维度变为7×7×320，再经过1280个1×1的卷积核将其维度变为1280维，进行7×7的平均池化操作；

4）本文共将纹理划分为3级，将平均池化后的结果与3个1×1卷积核进行运算，得到1×1×3的特征向量，以此来提取皮革纹理特征，为了方便后续的皮革匹配度计算，按式(4)计算纹理特征值。

表2 瓶颈层

1.2 皮革定量特征量化

为了准确采集到皮革相关特征信息，本文利用传感器等技术对皮革颜色、光泽度、厚度特征进行定量采集，并通过色差、光泽度差、厚度差对标样皮革和待匹配皮革进行定量描述。

1）颜色[7]

式(5)中，表示为两者被测对象的色差；L为亮度，a为红绿程度；b黄蓝程度。

2）光泽度

式(6)中，为待匹配皮革光泽度值、为目标皮革的光泽度值。

3）厚度

式(7)中，为待匹配皮革厚度值、为目标皮革的厚度值。

1.3 建立特征矩阵

特征矩阵是实现皮革匹配度排序的前提，对皮革各匹配特征量化后，建立特征矩阵Xij=[xij]m×n，其中xij为第i张皮革、第j项标样皮革和待匹配皮革特征差值。对皮革不同特征的进行无量纲处理，即对特征矩阵做归一化处理:

则可得规范化矩阵:Y=[yij]m×n

2 权重的确定

特征权重的准确性直接影响最终的排序结果可靠性，目前常用的赋权法分为主观赋权法、客观赋权法、组合赋权法，本文采用专家评判法和变异系数法相结合的组合赋权法，既考虑了专家经验又保证赋权的客观性。

专家评价法是[8]将不同专家分别给出独立的权数，进行综合权数处理，建立一个评价矩阵的方法，为了简化计算，本文将专家形成的独立评估矩阵进行规范化处理，在求取每列算术平方数，如式所示。

变异系数[9]是统计中常用的衡量数据差异的统计指标，该方法根据各个指标在所有被评价对象上观测值的变异程度大小来对其赋权。为避免指标的量纲和数量级不同所带来的影响，该方法直接用变异系数归一化处理后的数值作为各指标的权数。

第一步：计算各项指标的变异系数，即各指标变异程度：

式(11)中，σi为第i项指标的标准差；-xi是第i项指标的平均数。

第二步：对各指标的变异系数进行归一化处理，得到各指标的权数。

本文采用乘法合成组合法，将专家评价法以及变异系数法同一指标的权数进行相乘，然后进行归一化处理得到组合权数，计算公式为：

3 基于TOPSIS法皮革排序实现

TOPSIS法[10]是多目标决策分析中一种常用的有效方法。在有限的评价对象与理想化目标的接近程度进行排序的方法，本文通过TOPSIS法对皮革之间的匹配程度进行排序，其具体的操作步骤如下：

Step1：将规范化矩阵Y与组合权值ω相乘得到标准化矩阵Q：

Step2：确定正理想解以及负理想解：

Step3：计算正负理想解的距离：

Step4：计算相对贴近度并排序：

计算标样皮革和待匹配皮革之间的Si值，并将Si从大到小进行排序，由于特征矩阵反映的是标样皮革和待匹配皮革之间的差值，因此Si越小表示与标样皮革越匹配。

4 实例验证与分析

为了验证上述皮革匹配方法的可行性和合理性，本文以某皮装生产的天然皮革为例，在8张待匹配的皮革中匹配出与标样皮革最匹配的一张皮革。首先通过卷积卷积神经网络以及传感器技术对皮革匹配指标信息进行提取，并按照式(5)～式(7)进行预处理，相关信息如表3所示。

表3 皮革特征信息

从表3提取目标皮革特征参数，形成特征矩阵X，按照式(8)进行归一化处理得到标准矩阵Y。

同时邀请8位专家对皮革4个匹配指标的权重进行赋值，得到评价矩阵B：

根据式(9)～式(13)可求解出皮革匹配各指标权重为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)可求解出贴近度S：S=[0.769,0.259,0.525,0.347,0.708,0.762,0.855,0.544]

最后，可对8个目标皮革进行排序：

本文将TOPSIS法排序结果和专家排序结果进行分析，该匹配排序结果与主观经验一致，可以说明该方法的合理性。

5 结语

本文提出一种基于卷积神经网络和TOPSIS皮革匹配方法，将皮革分类转化为皮革匹配排序问题，在一定程度上更加符合皮装匹配裁剪生产需求。案例验证的结果表明，运用卷积神经网络对皮革纹理特征指标进行量化处理，区别于常规模糊评价体系，表明深度学习在图像特征识别等方面有着巨大的潜力。结合专家经验以及变异系数法对皮革指标进行权重赋值，运用TOPSIS法对待匹配皮革和目标皮革匹配度进行排序。通过实际案例验证了皮革之间匹配排序的可行性和有效性，为涉及到相关的多特征综合分类问题提供新的思路和方法。