Determination of various fabric defects using different machine learning techniques

人工智能 特征提取 模式识别(心理学) 计算机科学 支持向量机 特征选择 主成分分析 决策树 k-最近邻算法
作者
Fatma Günseli Yaşar Çıklaçandır,Semih Utku,Hakan Özdemir
出处
期刊:Journal of The Textile Institute [Informa]
卷期号:115 (5): 733-743 被引量:5
标识
DOI:10.1080/00405000.2023.2201978
摘要

Automatic systems are needed to recognize the fabric defects in textile manufacturing. For many years, systems that detect defects in the shortest time and with high accuracy have been researched. However, the multiplicity of the type of defect and the variability of the background made it difficult to recognize the defects. In this study, seven different feature sets based on Discrete Cosine Transform, Principal Component Analysis, Gray Level Co-occurrence Matrix, and Deep Learning Architectures have been used to detect defects. The extracted features have been classified by three different classification techniques (K-Nearest Neighbor, Support Vector Machine, and Decision Tree). The aim of this study is to investigate the effects of different feature extraction methods. The paper provides examination of the performances of different feature extraction methods and different classifiers. Methods have been evaluated in terms of precision, recall, F1-measure, and accuracy on two different datasets. mRMR feature selection after ResNet18 based feature extraction has enabled to obtain the features with the highest results in the study (0.831). Experimental results show that CNN-based feature extraction is more successful than statistical-based feature extraction methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
loong完成签到 ,获得积分10
1秒前
小蚊子发布了新的文献求助10
3秒前
ip07in13完成签到,获得积分10
3秒前
怡然斩完成签到,获得积分10
5秒前
CipherSage应助我是大葱明采纳,获得30
5秒前
6秒前
6秒前
6秒前
holy应助qin采纳,获得10
8秒前
搞科研的小郭完成签到 ,获得积分10
8秒前
marmota完成签到 ,获得积分10
9秒前
ymy123完成签到,获得积分10
9秒前
碗碗发布了新的文献求助10
10秒前
10秒前
李健应助菲菲采纳,获得10
10秒前
努力努力再努力完成签到,获得积分10
10秒前
会笑的猪猪猫完成签到,获得积分10
11秒前
科研薯条发布了新的文献求助10
11秒前
wl发布了新的文献求助10
11秒前
lililili发布了新的文献求助10
12秒前
SciGPT应助轧贝葡胺采纳,获得20
12秒前
隐形曼青应助zhuzhu采纳,获得10
13秒前
Winks发布了新的文献求助50
13秒前
14秒前
Jasmine发布了新的文献求助10
16秒前
好运连连完成签到 ,获得积分10
17秒前
maxi完成签到,获得积分10
18秒前
19秒前
科研通AI2S应助冷静映安采纳,获得10
19秒前
CipherSage应助zzzzx采纳,获得30
20秒前
386T发布了新的文献求助20
23秒前
24秒前
深情的若翠完成签到,获得积分10
24秒前
24秒前
浪客完成签到 ,获得积分10
24秒前
lina完成签到,获得积分10
26秒前
TJN完成签到 ,获得积分10
27秒前
ppp完成签到,获得积分10
28秒前
pluto应助qin采纳,获得10
28秒前
29秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256267
求助须知:如何正确求助?哪些是违规求助? 2898511
关于积分的说明 8301297
捐赠科研通 2567706
什么是DOI,文献DOI怎么找? 1394629
科研通“疑难数据库(出版商)”最低求助积分说明 652895
邀请新用户注册赠送积分活动 630548