基于深度学习的织物瑕疵小目标检测技术研究

发布时间：2023-03-26 21:35

　　对于纺织企业来讲,提高生产效率、降低生产成本是其重要目标,但保证织物产品的质量是实现这一目标的前提。尽管现代先进的纺织机械能够有效降低织物产品瑕疵的出现,但其制造工艺中造成的各种瑕疵依然无法避免。目前,织物瑕疵的检查任务大多由人工完成,这种劳动密集型工作并不能保证产品的一致性评价。针对织物瑕疵检测方法中存在的问题,本文以机器学习和计算机视觉为基础,提出一种基于深度学习的织物瑕疵小目标检测技术,实现对织物瑕疵的实时检测和准确定位,能有效提高织物瑕疵的检测精度和效率。本文的主要工作包含以下几点:(1)搭建图像采集平台,实时采集织物瑕疵图像,并对采集到的图像预处理操作,构建织物瑕疵数据集。(2)针对SSD模型和DSSD模型在目标检测应用中的弊端,对两种网络做出改进,并提出一种基于深度学习的多尺度特征融合MFDSSD(Multi-scale Fusion Deconvolutional Single Shot Detector,MFDSSD)织物瑕疵小目标检测方法。将多层特征提取和融合策略集成到MFDSSD网络中,并对SSD网络的先验框进行优化,提升模型对小尺寸瑕疵的检测能力。对网络进行训练和...

【文章页数】：87 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究进展
        1.2.1 织物瑕疵视觉检测算法介绍
        1.2.2 常用织物瑕疵视觉检测方法对比
        1.2.3 深度学习在目标检测中的应用
    1.3 论文的研究内容与结构安排
第二章 织物瑕疵的图像识别理论基础
    2.1 常见织物疵点及纹理描述
        2.1.1 常见织物疵点
        2.1.2 织物纹理
    2.2 卷积神经网络基础
        2.2.1 卷积神经网络的基本组成
        2.2.2 卷积神经网络深层架构的起源
    2.3 常用的卷积神经网络架构
        2.3.1 AlexNet网络
        2.3.2 VGG网络
        2.3.3 GoogLeNet网络
        2.3.4 ResNet网络
    2.4 深度学习目标检测算法
        2.4.1 二阶段目标检测算法
        2.4.2 一阶段目标检测算法
    2.5 本章小结
第三章 织物瑕疵数据获取及预处理
    3.1 瑕疵图像数据集
    3.2 织物瑕疵获取
        3.2.1 光源配置
        3.2.2 相机选型
        3.2.3 镜头选型
    3.3 数据集预处理
        3.3.1 直方图均衡化
        3.3.2 滤波降噪
        3.3.3 数据增强
    3.4 本章小结
第四章 织物瑕疵检测的MFDSSD算法
    4.1 SSD检测算法
    4.2 SSD算法的局限性
    4.3 SSD瑕疵检测模型的改进
        4.3.1 DSSD目标检测算法
        4.3.2 MFDSSD网络模型建立
        4.3.3 MFDSSD网络多元信息提取
        4.3.4 MFDSSD网络的融合模块
    4.4 MFDSSD网络的优化算法
        4.4.1 BN(Batch Normalization)
        4.4.2 Adam算法
        4.4.3 先验框调整
    4.5 MFDSSD网络训练与测试
        4.5.1 模型训练
        4.5.2 模型测试
    4.6 本章小结
第五章 织物瑕疵检测实验及应用
    5.1 实验环境设置
    5.2 瑕疵性能评价指标
    5.3 实验准备
        5.3.1 数据集标注
        5.3.2 参数初始化
        5.3.3 实验数据分布
    5.4 不同先验框比例的MFDSSD实验性能分析
    5.5 不同模型对织物瑕疵的检测结果分析
        5.5.1 定性分析
        5.5.2 定量分析
    5.6 织物瑕疵检测系统
        5.6.1 系统需求
        5.6.2 用户程序界面设计
    5.7 本章小结
总结与展望
参考文献
攻读学位期间获得的科研成果
致谢



本文编号：3771778