Modification d'un réseau de neurones convolutifs pour la classification des motifs de tissage

La qualité du tissu dans l'industrie textile est caractérisée par la texture (motif de tissage), car elle joue un rôle essentiel dans la production et la conception de tissus de la meilleure qualité. Les méthodes d'identification automatique du tissage proposées précédemment, basées sur des techniques de traitement d'image, dépendent énormément des conditions d'éclairage. Les méthodes d'apprentissage automatique ont montré une meilleure précision. Cependant, elles nécessitent des ensembles de données d'entraînement très volumineux, une puissance de traitement très élevée et un temps de calcul important. Cette étude propose une précision améliorée avec un ensemble de données plus petit et un temps de calcul réduit en proposant une modification du modèle VGG16 en ajoutant deux couches de pooling supplémentaires. En utilisant des métriques d'évaluation pour les deux modèles, les résultats du modèle modifié ont été analysés en fonction de la précision, de la précision équilibrée et du score F1. Sur la base des résultats d'enquête, une comparaison a été réalisée avec les travaux antérieurs. Les résultats montrent que le modèle VGG-16 proposé est capable d'atteindre une précision de pointe et d'éviter les fonctionnalités d'activation inutiles en gelant les principales couches de base convolutionnelles. En fin de compte, comme le prouve la performance du modèle d'apprentissage profond VGG-16 modifié, la méthode proposée a démontré une précision améliorée. Les résultats de l'étude montrent que l'algorithme VGG16 modifié proposé est capable de reconnaître les caractéristiques de la base de données fournie avec une précision de 90 % et un score F1 variant de 0,8 à 1.