Abstract
<jats:p>У роботі досліджено вплив аугментації зображень на якість нейромережевої класифікації текстильних матеріалів за мікрозображеннями для задач автоматизованого сортування текстильних відходів за складом волокна. Вихідні дані отримано з відкритого набору «Fabric Fiber Composition Micro Image Dataset», сформованого авторами та оприлюдненого на платформі Kaggle; вибірка містить 756 мікрозображень трьох класів («30 – 50», «50 – 70», «70 – 100») із близьким до рівномірного розподілом. Експеримент виконано за фіксованим протоколом поділу даних із виділенням незалежної тестової множини 50% та навчальної та валідаційної частин 40%/10%. Як базову модель застосовано компактний класифікатор на основі MobileNetV2 з попереднім навчанням на ImageNet у режимі замороженого екстрактора ознак і класифікаційної голови, навчання проводили протягом 3 епох за незмінних гіперпараметрів. Порівняно п’ять типів аугментації (горизонтальне віддзеркалення, поворот, масштабування, зміна контрасту, зсув) із базовим варіантом без аугментації; якість оцінювали за accuracy та macro-Precision, macro-Recall, macro-F1 на валідаційній і тестовій множинах, а також за показниками по кожному класу та різницею ΔF1 відносно базового варіанта. На тесті найкращий інтегральний результат показало масштабування: macro-F1=0.7968 проти 0.7814 без аугментації (приріст близько 0.015), тоді як на валідації максимальний macro-F1 забезпечила зміна контрасту (0.7842). Клас-специфічний аналіз виявив неоднорідність ефектів: для класу «30 – 50» масштабування дало ΔF1=+0.067, тоді як для класу «70 – 100» поворот і масштабування знижували якість (ΔF1=-0.025 та -0.023 відповідно). Стабільність висновків підтверджено повторними запусками: для масштабування test macro-F1=0.8047±0.0052. Отримані результати обґрунтовують доцільність підбору аугментацій з урахуванням балансу якості між класами та перевірки відтворюваності на незалежній тестовій множині</jats:p>