Colour Difference Classification for Dyed Fabrics Based on Differential Evolution with Dynamic Parameter Selection to Optimise the Output Regularisation Extreme Learning Machine

• Autorzy: Zhou Zhiyu , Liu Dexin , Zhang Jianxin , Zhu Zefei , Yang Donghe , Jiang Likai

Identyfikatory

DOI

10.5604/01.3001.0014.7794

Warianty tytułu

PL

Wybór parametrów w celu optymalizacji regularyzacji wyjściowej maszyny uczącej się

• Języki publikacji: EN

Abstrakty

EN

A novel optimisation technique based on the differential evolution (DE) algorithm with dynamic parameter selection (DPS-DE) is proposed to develop a colour difference classification model for dyed fabrics, improve the classification accuracy, and optimise the output regularisation extreme learning machine (RELM). The technique proposed is known as DPS-DE-RELM and has three major differences compared with DE-ELM: (1) Considering that the traditional ELM provides an illness solution based on the output weights, DE is proposed to optimise the output of the RELM. (2) Considering the simple parameter setting of the traditional algorithm, the DE algorithm with DPS is adopted. (3) For DPS, an optimal range of parameters is chosen, and the efficiency of the algorithm is significantly improved. This study analyses the colour difference classification of fabric images captured under standard lighting based on the DPS-DE-RELM algorithm. First, the colour difference of the fabric images is calculated and six color-difference-related features extracted, and second the features are classified into five different levels based on the perception of humans. Finally, a colour difference classification model is built based on the DPS-DERELM algorithm, and then the optimal classification model suitable for this study is selected. The experimental results show that the output method with regularisation parameters can achieve a maximum classification accuracy of 98.87%, which is higher compared with the aforementioned optimised original ELM algorithm, which can achieve a maximum accuracy of 84.67%. Therefore, the method proposed has the advantages of greater convergence speed, high classification accuracy, and robustness.

PL

W pracy zaproponowano nowatorską technikę optymalizacji opartą na algorytmie ewolucji różnicowej (DE) z doborem parametrów (DPS-DE) w celu opracowania modelu klasyfikacji różnicy kolorów dla tkanin barwionych, poprawy dokładności klasyfikacji i optymalizacji regularyzacji wyjściowej maszyny do uczącej się (RELM). Zaproponowana technika jest znana jako DPS-DE-RELM i cechuje się trzema głównymi różnicami w porównaniu do DE-ELM: (1) Biorąc pod uwagę, że tradycyjny ELM zapewnia rozwiązanie w oparciu o wagi wyjściowe, proponuje się DE w celu optymalizacji wydajności RELM. (2) Biorąc pod uwagę proste ustawienie parametrów tradycyjnego algorytmu, przyjęto algorytm DE z DPS. (3) W przypadku DPS wybierany jest optymalny zakres parametrów, a wydajność algorytmu znacznie się poprawia. Podczas badania przeanalizowano klasyfikację różnic kolorów obrazów tkanin zarejestrowanych w standardowym oświetleniu w oparciu o algorytm DPS-DE-RELM. Po pierwsze, obliczono różnicę kolorów obrazów tkanin i wyodrębniono sześć cech związanych z różnicą kolorów, a po drugie cechy te zaklasyfikowano na pięciu różnych poziomach w oparciu o percepcję ludzi. Na koniec zbudowano model klasyfikacji różnicy kolorów w oparciu o algorytm DPS-DE-RELM, a następnie wybrano optymalny model klasyfikacji odpowiedni do tego badania. Wyniki eksperymentalne pokazały, że metoda wyjściowa z parametrami regularyzacji może osiągnąć maksymalną dokładność klasyfikacji wynoszącą 98,87%, czyli wyższą w porównaniu z zoptymalizowanym oryginalnym algorytmem ELM, który może osiągnąć maksymalną dokładność na poziomie 84,67%. Stwierdzono, że zaproponowana metoda niesie ze sobą korzyści w postaci większej szybkości zbieżności, wysokiej dokładności klasyfikacji i odporności.

Słowa kluczowe

EN

colour difference classification; differential evolution; extreme learning machine; output regularisation; parameter selection

PL

klasyfikacja różnicy kolorów; ewolucja różnicowa; maszyna ucząca się; regularyzacja wyjściowa; dobór parametru

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2021
• Tom: Vol. 29, no. 3 (147)
• Strony: 97--102
• Opis fizyczny: Bibliogr. 24 poz., rys., tab.

Twórcy

autor

Zhou Zhiyu

• Zhejiang Sci-Tech University, School of Information Science and Technology, Hangzhou 310018, China

• https://orcid.org/0000-0003-4487-8192

autor

Liu Dexin

• Zhejiang Sci-Tech University, School of Information Science and Technology, Hangzhou 310018, China

autor

Zhang Jianxin

• Zhejiang Sci-Tech University, Ministry of Education, The Research Centre of Modern Textile Machinery Technology, Hangzhou, 310018, China

autor

Zhu Zefei

• Hangzhou Dianzi University, School of Mechanical Engineering, Hangzhou, 310018, China

autor

Yang Donghe

• Zhejiang Sci-Tech University, School of Information Science and Technology, Hangzhou 310018, China

autor

Jiang Likai

• Zhejiang Sci-Tech University, School of Information Science and Technology, Hangzhou 310018, China

Bibliografia

• 1. Huang M. Testing Uniform Color Spaces ad Color-Difference Formulae Using Printed Samples. Color Research and Application 2012; 36: 326-335.
• 2. Shaw Q, Allebach P, Delp J. Color Difference Weighted Adaptive Residual Preprocessing Using Perceptual Modeling for Video Compression. Signal Processing: Image Communication 2015; 39: 355-368.
• 3. Tzu-Tsung W. A Hybrid Discretization Method for Naïve Bayesian Classifiers. Pattern Recognition 2012; 45: 2321-2325.
• 4. Zhang J, Yang C. Evaluation Model of Color Difference for Dyed Fabrics Based on the Support Vector Machine. Textile Research Journal 2014; 84: 1-14.
• 5. Rocco L. LS-SVM Based Spectral Clustering and Regression for Predicting Maintenance of Industrial Machines. Engineering Applications of Artificial Intelligence 2015; 37: 268-278.
• 6. Guo D, Zhang Y, Xiao Z, Mao M, Liu J. Common Nature of Learning Between BP-Type and Hopfield-Type Neural Networks. Neurocomputing 2015; 167: 578-586.
• 7. Huang G, Zhu Q. Extreme Learning Machine: A New Learning Scheme Of Feed Forward Neural Networks. IEEE International Joint Conference on Neural Networks 2004; 2: 985-990.
• 8. Barreto G, Barros A. A Robust Extreme Learning Machine for Pattern Classification with Outliers. Neurocomputing 2015; 176: 3-13.
• 9. Kiaee F, Hamid S, Samaneh E. Sparse Bayesian Mixed-Effects Extreme Learning Machine, An Approach for Unobserved Clustered Heterogeneity. Neurocomputing 2016; 17: 411-420.
• 10. Zhou Z, Wang C, Gao X, Zhu Z, Hu X, Zheng X, Jiang L. Fabric Defect Detection and Classifier via Multi-Scale Dictionary Learning and an Adaptive Differential Evolution Optimized Regularization Extreme Learning Machine. FIBRES & TEXTILES in Eastern Europe 2019; 27, 1(133): 67-77. DOI: 10.5604/01.3001.0012.7510.
• 11. Zhou Z, Gao X, Zhang J, et al., A Novel Hybrid Model Using the Rotation Forest-Based Differential Evolution online Sequential Extreme Learning Machine for Illumination Correction of Dyed Fabrics. Textile Research Journal 2019; 89(7): 1180-1197.
• 12. Zhang K. Outlier-Robust Extreme Learning Machine for Regression Problems. Neurocomputing 2015; 151: 1519-1527.
• 13. Li J, Shi W, Yang D. Color Difference Classification of Dyed Fabrics via a Kernel Extreme Learning Machine Based on an Improved Grasshopper Optimization Algorithm. Color Research and Application, Early Access, (2020).
• 14. Yi W. An Improved Adaptive Differential Evolution Algorithm for Continuous Optimization. Expert Systems with Applications 2016; 44: 1-12.
• 15. Soham S, Das S, Sheli C. Hyper-Spectral Image Segmentation Using Rényi Entropy Based Multi-Level Thresholding Aided with Differential Evolution. Expert Systems with Applications 2016; 50: 120-129.
• 16. Maulik U, Indrajit S. Modified Differential Evolution Based Fuzzy Clustering for Pixel Classification in Remote Sensing Imagery. Pattern Recognition 2009; 42: 2135-2149.
• 17. Sarkar S, Swagatam D, Chaudhuri S. A Multilevel Color Image Thresholding Scheme Based on Minimum Cross Entropy and Differential Evolution. Pattern Recognition Letters 2015; 54: 27-35.
• 18. Qu Y, Deng A. The Optimization for Local Coupled Extreme Learning Machine Using Differential Evolution. Mathematical Problems in Engineering 2015; 18: 37-45.
• 19. Bazi Y. Differential Evolution Extreme Learning Machine for the Classification of Hyperspectral Images. IEEE Geoscience and Remote Sensing Letters 2014; 11: 1066-1070.
• 20. Mallipeddi R. Differential Evolution Algorithm with Ensemble of Parameters and Mutation Strategies. Applied Soft Computing 2011; 11: 1679-1696.
• 21. Sarker A, Elsayed M, Tapabrata R. Differential Evolution with Dynamic Parameters Selection for Optimization Problems, IEEE Transactions On Evolutionary Computation 2014; 18: 689-707.
• 22. Wang S. Densenet-201-Based Deep Neural Network with Composite Learning Factor and Precomputation for Multiple Sclerosis Classification. ACM Transactions on Multimedia Computing Communications and Applications 2020; 16(2s), Article Number: 60.
• 23. Zhang Y. Advances in Multimodal Data Fusion in Neuroimaging: Overview, Challenges, and Novel Orientation. Information Fusion 2020; 64: 149-187.
• 24. Govindaraj VV., Covid-19 Classification by FGCNet with Deep Feature Fusion from Graph Convolutional Network and Convolutional Neural Network. Information Fusion 2021; 67: 208-229.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).