深度神经网络在色织衬衫裁片缺陷检测中的研究与应用

发布时间：2020-06-19 11:33

【摘要】：色织衬衫花型美观大方,是我国出口创汇能力最强的服装产品之一,每年为国家创汇60亿美元以上。但是,随着定制化和小批量市场需求的增长,大批量生产、小批量生产及定制化生产之间任意切换的柔性制造技术成为色织衬衫企业亟需解决的重大问题。其中,色织衬衫裁片缺陷自动检测是色织衬衫生产过程柔性制造问题的重要组成部分。色织衬衫裁片的缺陷严重影响色织衬衫的质量,但是目前尚缺少有效的裁片缺陷检测方法。本文利用深度卷积神经网络进行色织衬衫裁片缺陷检测算法的研究。利用经典卷积神经网络AlexNet和GoogLeNet进行了色织衬衫裁片花型分类预实验,证明了卷积神经网络提取花型特征的有效性,在此基础上进一步展开基于RetinaNet、Faster RCNN和YOLOv2的色织衬衫裁片缺陷检测算法模型。本文首先建立了一个大规模的色织衬衫裁片缺陷标记图像数据库;其次,以此数据集为基础,构建了基于RetinaNet、Faster RCNN和YOLOv2的深度卷积神经网络色织衬衫裁片缺陷检测的模型,从而进行色织衬衫裁片缺陷检测模型的训练和测试,最后,分别在GPU平台和嵌入式平台进行色织衬衫裁片缺陷检测模型的测试。研究内容主要包括以下几个方面:(1)针对传统图像特征工程和浅层机器学习方法对于色织衬衫裁片缺陷检测误检率较高的问题,本文建立了基于RetinaNet的色织衬衫裁片缺陷检测模型。该模型利用改进的交叉熵损失函数Focal Loss,并融合了深度残差网络模型结构。(2)针对带纱类缺陷检测精度较低的问题,提出了一种基于Faster RCNN网络模型的色织衬衫裁片缺陷检测算法。首先通过算法框架结合VGG16网络模型对色织衬衫裁片缺陷的特征进行提取,然后使用RPN区域生成网络预测候选区域,最后对候选区域进行检测与分类,最终模型提高了对带纱类缺陷的检测精度。(3)针对RetinaNet与Faster RCNN模型的实时性相对较低的问题,提出了一种基于改进的YOLOv2网络的色织衬衫裁片缺陷检测算法。该方法通过对初始模型的选择,训练数据的扩增,训练批量和裁片尺度的选择,特殊anchor box的生成,以及最终网络模型结构的调整,得到了一个适用于色织衬衫裁片缺陷检测的优化模型。该模型对色织衬衫裁片缺陷在检测性能上显著优于RetinaNet与Faster RCNN,色织衬衫裁片缺陷检测模型在GPU平台上均可实现缺陷的训练和实时检测,并将优化的YOLOv2色织衬衫裁片缺陷检测模型移植到NVIDIA JetsonTX2嵌入式AI硬件平台上,也获得了实时性较好的色织衬衫裁片缺陷检测实验结果,验证了色织衬衫裁片缺陷检测深度学习模型终端部署的可行性。(4)对已完成的研究工作进行总结,并对未来的课题发展进行展望。图27幅,表15个,参考文献53篇。
【学位授予单位】：西安工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TS941.713;TP391.41;TP183
【图文】：

结构图,结构图,卷积

出合并在一起构成了下一层的输入，具体来说先使用 1 1 卷积量子来进行 3 3 和 5 5 的卷积操作，这样尺寸不同的卷积核就可以提取不同这种 Inception 模型既能大大提升卷积提取特征的能力，又不会使计算而 GoogLeNet 就是由这种模型逐步构建出来的。模型的特点是采用了、使用平均池化代替全连接层以及增加了两个辅助 softmax 函数用于前避免梯度消失。同时，为了优化网络质量，采用了 Hebbian 原理和多尺ogLeNet 在分类和检测上都取得了不错的效果。最为关键的是，Googogle 团队并由其维护，其卷积网络的结构易于工程化实现，适合于色织分类研究和后期的实用化推广。该结构将卷积神经网络中常用的卷积（ 5）、池化操作（3 3）堆叠在一起（卷积、池化后的尺寸相同，将通道相加了网络的宽度，另一方面也增加了网络对尺度的适应性。网络卷积层提取输入的每一个细节信息，同时 5 5 的滤波器也能够覆盖大部分接还可以进行一个池化操作，以减少空间大小，降低过度拟合。在这些层卷积层后都要做一个 ReLU 操作，以增加网络的非线性特征。

条纹,色织物,色织,花型

西安工程大学硕士学位论文积神经网络的色织衬衫裁片花型分类深度卷积网络模型对色织物花型分类的有效性，分别对如图型色织物以及 263 张条纹花型色织物进行图像采集。并对图像理，每个花型图像集合中随机挑选出 75%用于训练，25%用于lexNet 与 GoogLeNet 的色织物花型分类模型，进行实验验证提为了评价深度学习模型的优劣，优化训练迭代期和学习率参数模时间作为衡量基准。其中，分类准确率由准确分类的待测色测色织物花型样本总数之比得出，按照 2.1.1 节、2.1.2 节和，在模型的学习率固定为 0.01 的情况下，分别建立基于 Alt 网络的织物花型分类模型，测试两种模型在训练迭代分别为0，200 的准确率和建模时间。

【相似文献】