基于卷积神经网络的布匹瑕疵检测方法研究
发布时间：2021-09-29 10:32
布匹瑕疵检测是纺织行业生产和质量管理的重要环节。目前的人工检测有速度慢、劳动强度大、受主观因素影响、缺乏一致性等缺点。传统的处理布匹瑕疵的机器学习算法通常用来处理易提取、容易量化的特征,如颜色、面积、圆度、角度、长度等,但瑕疵特征由于其缺陷区域占比小、缺陷尺度变化大、缺陷形状复杂无法很好地提取。卷积神经网络是图像识别领域新兴的重要方法,为此,本文将卷积神经网络用于布匹瑕疵的检测识别,以提高识别的速度和精度。首先,分析了布匹瑕疵数据集的特点,针对相应特点采用对应的数据增强方法,分析了残差网络的构成,建立了第一代ResNet50模型,实验得到了初步精度基准。其次,针对布匹瑕疵类别不平衡的问题,采用了Focal Loss和多任务辅助Loss;针对瑕疵区域占比小的问题,提出了单尺度patch块采样策略;介绍了SE模块的构成,建立了基于SE模块的SE-ResNet50模型,并提出了相应的测试方法,不仅可以识别出缺陷种类,还进行了初步的缺陷定位,提升了检测精度。接着,针对瑕疵区域尺度变化大的问题,分析了瑕疵区域尺度变化的特点,提出了多尺度patch块采样策略,建立了SE-ResNet50模型,提出...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
毛斑缺陷示意图
从 2016 年初 AlphaGo[7]战胜李世石，到 2016 年年底 Master 取得 60 连胜， AlphaGo Zero[8]诞生，人工智能这个概念被推上了历史的新高度。2017 年国务发《新一代人工智能发展规划》[9]，人工智能正式上升为国家战略，谷歌，脸书度，阿里巴巴等一系列国内外大公司纷纷对外宣布了人工智能将作为下一个战心，在 AlphaGo，无人驾驶，人脸识别等最新技术的背后，深度学习是推动这术发展的核心力量。深度学习最早兴起于图像识别，但是在短短几年的时间内度学习推广到了机器学习的各个领域，相比于传统的需要人工提取特征的机器，深度学习可以自动的将简单的特征组合成更加复杂的特征，并利用这些组合解决问题，是一种端到端的识别过程。图 1-2 展示了深度学习和传统机器学习程上的差异，图 1-3 展示了深度学习算法可以从图像的像素特征中逐渐组合出、边、角、简单形状、复杂形状等更加有效的复杂特征[10]。如今，深度学习在机器学习领域内都有非常出色的表现，在图像识别、语音识别、音频处理、自言处理、机器人、生物信息处理、化学、电脑游戏、搜索引擎、医疗、金融等领域均有应用研究。
图 1- 3 深度学习在图像分类问题上的算法流程样例总之，深度学习是机器学习的一种方法。在过去几十年的发展中，它大量借类关于人脑、统计学和应用数学的知识。近年来，得益于更强大的计算机，数据集和能够训练更深网络的技术，深度学习的普及性和实用性都有了极大。未来几年，深度学习更是充满了进一步提高并应用到新领域的挑战和机将从卷积神经网络在图像分类检测上的研究现状，布匹瑕疵检测的研究现状面展开。.1 布匹瑕疵检测研究现状随着计算机技术，图像识别技术的不断发展和各类优化算法的提出，使得基机视觉技术的布匹瑕疵检测获得发展的可能。20 世纪 90 年代开始，基于计觉的瑕疵检测研究逐渐形成一个高潮。美国、日本、以色列等国家的学者陆了相关的论文，按照论文中图像处理方法的不同，前人的布匹瑕疵检测研究以分为三种：（1）基于图像的灰度值在时域（空间域）进行计算，提取特Yoshio Shimizu 等通过图像灰度共生矩阵提取瑕疵特征，建立基于贝叶斯决
【参考文献】：
期刊论文
[1]国务院印发《新一代人工智能发展规划》[J]. 广播电视信息. 2017(08)
[2]新型计算将成为人工智能继续发展的关键支撑[J]. 陶利,梁智昊,安达. 中国战略新兴产业. 2017(25)
[3]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[4]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[5]基于机器视觉的织物疵点检测方法综述[J]. 邹超,汪秉文,孙志刚. 天津工业大学学报. 2009(02)
博士论文
[1]制造物联海量数据流处理方法研究[D]. 王建华.广东工业大学 2015
[2]基于计算机视觉的织物疵点自动检测研究[D]. 李立轻.东华大学 2003
硕士论文
[1]基于深度学习的图像特征识别方法研究[D]. 谭龙田.沈阳理工大学 2016
本文编号：3413560
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
毛斑缺陷示意图
从 2016 年初 AlphaGo[7]战胜李世石，到 2016 年年底 Master 取得 60 连胜， AlphaGo Zero[8]诞生，人工智能这个概念被推上了历史的新高度。2017 年国务发《新一代人工智能发展规划》[9]，人工智能正式上升为国家战略，谷歌，脸书度，阿里巴巴等一系列国内外大公司纷纷对外宣布了人工智能将作为下一个战心，在 AlphaGo，无人驾驶，人脸识别等最新技术的背后，深度学习是推动这术发展的核心力量。深度学习最早兴起于图像识别，但是在短短几年的时间内度学习推广到了机器学习的各个领域，相比于传统的需要人工提取特征的机器，深度学习可以自动的将简单的特征组合成更加复杂的特征，并利用这些组合解决问题，是一种端到端的识别过程。图 1-2 展示了深度学习和传统机器学习程上的差异，图 1-3 展示了深度学习算法可以从图像的像素特征中逐渐组合出、边、角、简单形状、复杂形状等更加有效的复杂特征[10]。如今，深度学习在机器学习领域内都有非常出色的表现，在图像识别、语音识别、音频处理、自言处理、机器人、生物信息处理、化学、电脑游戏、搜索引擎、医疗、金融等领域均有应用研究。
图 1- 3 深度学习在图像分类问题上的算法流程样例总之，深度学习是机器学习的一种方法。在过去几十年的发展中，它大量借类关于人脑、统计学和应用数学的知识。近年来，得益于更强大的计算机，数据集和能够训练更深网络的技术，深度学习的普及性和实用性都有了极大。未来几年，深度学习更是充满了进一步提高并应用到新领域的挑战和机将从卷积神经网络在图像分类检测上的研究现状，布匹瑕疵检测的研究现状面展开。.1 布匹瑕疵检测研究现状随着计算机技术，图像识别技术的不断发展和各类优化算法的提出，使得基机视觉技术的布匹瑕疵检测获得发展的可能。20 世纪 90 年代开始，基于计觉的瑕疵检测研究逐渐形成一个高潮。美国、日本、以色列等国家的学者陆了相关的论文，按照论文中图像处理方法的不同，前人的布匹瑕疵检测研究以分为三种：（1）基于图像的灰度值在时域（空间域）进行计算，提取特Yoshio Shimizu 等通过图像灰度共生矩阵提取瑕疵特征，建立基于贝叶斯决
【参考文献】：
期刊论文
[1]国务院印发《新一代人工智能发展规划》[J]. 广播电视信息. 2017(08)
[2]新型计算将成为人工智能继续发展的关键支撑[J]. 陶利,梁智昊,安达. 中国战略新兴产业. 2017(25)
[3]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[4]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[5]基于机器视觉的织物疵点检测方法综述[J]. 邹超,汪秉文,孙志刚. 天津工业大学学报. 2009(02)
博士论文
[1]制造物联海量数据流处理方法研究[D]. 王建华.广东工业大学 2015
[2]基于计算机视觉的织物疵点自动检测研究[D]. 李立轻.东华大学 2003
硕士论文
[1]基于深度学习的图像特征识别方法研究[D]. 谭龙田.沈阳理工大学 2016
本文编号：3413560
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3413560.html
最近更新
教材专著
