基于深度学习技术的棉/大麻混纺纱混纺比检测
发布时间：2021-02-01 14:43
棉麻混纺纱结合了棉纤维和麻纤维的优良特性,制成的织物手感舒适,吸湿透气性好,因此备受广大消费者的喜爱。棉麻混纺比的测定是非常重要的一个指标,由于棉麻纤维同属于纤维素纤维,所以无法用化学溶解法、燃烧法等常规方法来进行定量分析。目前的显微镜观察法效率较低,且费时费力。近几年来随着深度学习的迅速发展,凭借可以自动提取被检测目标的特征来进行识别和定位,且精度往往比传统的图像处理技术高的优势应用到了各个领域。因此,本文基于深度学习技术探索其用于棉大麻纤维混纺比检测的可行性。本文的研究工作如下:（1）本文提出采用深度学习技术基于目标检测方法对棉大麻混纺纱混纺比进行检测。通过对棉和大麻纤维取样来获取图像、目标标注、数据集划分、训练等,探讨了纤维切片长度、纤维搭接、纤维状态、纤维样本量以及细小纤维存在对模型检测的影响,确定了最优的棉/大麻纤维检测模型。研究结果表明,本文提出的方法是有效的。（2）构建了基于目标检测对棉/大麻纤维的检测模型。棉/大麻数据集采用VOC2007格式,在数据集的准备中,对棉/大麻纤维图片的获取及纤维目标标注进行了统一的规定,并将数据集按照8:2划分训练集和测试集。在模型的建立及...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
大麻的
东华大学硕士论文第二章基于深度学习棉/大麻纤维检测总体设计及样品准备9第二章基于深度学习棉/大麻纤维检测总体设计及样品准备本章对于全文的结构做了总体阐述，包括棉麻检测的技术路线、棉麻检测模型的原理、衡量检测模型的评价指标、样本的准备方法、软硬件的配置等。2.1棉大麻检测的技术路线现阶段针对棉麻数字化检测方法有很多，但是都是利用图像处理技术来提取人为指定的目标特征。然而，通过图像处理的方法区分和识别棉麻纤维很难达到很高的正确率，并且操作上并不容易，所以目前商检系统测算棉麻混纺纱棉麻混纺比还是基于繁琐的，耗时耗力的显微投影法来进行操作。深度学习技术正好弥补了传统图像处理的弊端，该技术主要是利用了卷积神经网络（CNN）来进行识别，该网络不需要提取人为指定的特征，其会根据模型的需要来自动获取图片中的有效信息，且其不需要过多的对原始图片进行图像的预处理。因此本文引入了深度学习技术来检测棉和大麻纤维，并且按照获取深度学习模型步骤，设计了技术路线，图2-1是技术路线图。图2-1技术路线根据图2-1，可以看出，本文要先进行样本以及电脑软硬件的准备，然后对样本进行图像的采集。采集完图像后，由于训练深度学习模型是一个有监督的学习过程，所以需要图像的标注，原图加标注信息形成了模型训练的数据集。接着将数据集划分为训练集和测试集，训练集主要是帮助深度学习模型的构建，测试
东华大学硕士论文第二章基于深度学习棉/大麻纤维检测总体设计及样品准备10集是用来测试和评估模型的，模型评估完之后需要模型的优化，优化后的模型才能进行实际场景的应用。2.2棉麻纤维的目标检测原理目标检测原理主要体现在一个重要结构和两个重要的思想：分别为卷积神经网络（CNN）结构，锚框生成思想和非极大值抑制（NMS）思想。输入的图片将会首先经过卷积神经网络，卷积神经网络将会提取其中的特征，所有的特征信息将会体现在输出的特征图上，而锚框生成机制将会根据特征图大小预生成一定数量的锚框来拟合图片中真实目标的位置，NMS算法主要作用是将预生成的多余的锚框给过滤掉。2.2.1棉麻检测模型的卷积神经网络卷积神经网络主要是在目标检测模型中充当主干网络，该网络是由多个卷积层，激活函数层，池化层组成的基础模块构成的，图2-2所示是卷积神经网络示意图。图2-2卷积神经网络示意图纤维图片输入到卷积神经网络将会生成具有一定通道数量的特征图，该特征图将会作为后续实现目标分类以及目标定位功能的主要数据输入。卷积神经网络内部包含多个卷积核，每个卷积核都会有自己固定的尺寸大小，比如3*3、5*5等。卷积核会以滑框的形式按照设定的步长对图片中的每个角落进行扫描，该操作步骤类似于图像处理中的滤波，卷积核的含义可类比视觉皮层细胞的感受野[47]，其能提取局部的图片信息，又能通过多个卷积核组合来提取图片的所有信息。模型在训练的过程，会通过反向传播的方式来不断的调整卷积核内部的参数以降低损失值，从宏观上来看，就是能让模型更好的学习到目标的特征。
【参考文献】：
期刊论文
[1]基于迁移学习的自然环境下香梨目标识别研究[J]. 孟欣欣,阿里甫·库尔班,吕情深,周雷. 新疆大学学报(自然科学版). 2019(04)
[2]机器视觉中的人体检测算法优化[J]. 何倩倩,张荣芬,刘宇红. 激光与光电子学进展. 2020(10)
[3]基于多任务深度学习的铝材表面缺陷检测[J]. 沈晓海,栗泽昊,李敏,徐晓龙,张学武. 激光与光电子学进展. 2020(10)
[4]基于YOLOV3改进的实时车辆检测方法[J]. 李汉冰,徐春阳,胡超超. 激光与光电子学进展. 2020(10)
[5]基于YOLO v3的机场场面飞机检测方法[J]. 郭进祥,刘立波,徐峰,郑斌. 激光与光电子学进展. 2019(19)
[6]基于单片机的智能水下目标检测识别系统设计[J]. 卢言. 电子制作. 2019(01)
[7]棉麻混纺制品纤维含量测定方法分析[J]. 周梅,刘才容,经霓,王康建. 纺织检测与标准. 2017(06)
[8]近红外光谱在纤维成分含量定量分析中的应用研究进展[J]. 杨欣卉. 现代纺织技术. 2017(02)
[9]采用纤维细度仪进行麻/棉混纺产品定量分析技术的探讨[J]. 郭荣幸,程珊. 中国纤检. 2016(03)
[10]基于改进BP算法的纱线混纺比检测[J]. 王萍,郭晶,万凯,王振宇. 天津工业大学学报. 2014(06)
博士论文
[1]剑麻纤维增强聚乳酸复合材料的制备及性能研究[D]. 姜爱菊.华南理工大学 2012
[2]基于图像处理技术的苎麻和棉纤维纵向全自动识别系统[D]. 王荣武.东华大学 2007
硕士论文
[1]基于深度学习的小目标检测研究与应用[D]. 黄继鹏.南京大学 2019
本文编号：3012936
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
大麻的
东华大学硕士论文第二章基于深度学习棉/大麻纤维检测总体设计及样品准备9第二章基于深度学习棉/大麻纤维检测总体设计及样品准备本章对于全文的结构做了总体阐述，包括棉麻检测的技术路线、棉麻检测模型的原理、衡量检测模型的评价指标、样本的准备方法、软硬件的配置等。2.1棉大麻检测的技术路线现阶段针对棉麻数字化检测方法有很多，但是都是利用图像处理技术来提取人为指定的目标特征。然而，通过图像处理的方法区分和识别棉麻纤维很难达到很高的正确率，并且操作上并不容易，所以目前商检系统测算棉麻混纺纱棉麻混纺比还是基于繁琐的，耗时耗力的显微投影法来进行操作。深度学习技术正好弥补了传统图像处理的弊端，该技术主要是利用了卷积神经网络（CNN）来进行识别，该网络不需要提取人为指定的特征，其会根据模型的需要来自动获取图片中的有效信息，且其不需要过多的对原始图片进行图像的预处理。因此本文引入了深度学习技术来检测棉和大麻纤维，并且按照获取深度学习模型步骤，设计了技术路线，图2-1是技术路线图。图2-1技术路线根据图2-1，可以看出，本文要先进行样本以及电脑软硬件的准备，然后对样本进行图像的采集。采集完图像后，由于训练深度学习模型是一个有监督的学习过程，所以需要图像的标注，原图加标注信息形成了模型训练的数据集。接着将数据集划分为训练集和测试集，训练集主要是帮助深度学习模型的构建，测试
东华大学硕士论文第二章基于深度学习棉/大麻纤维检测总体设计及样品准备10集是用来测试和评估模型的，模型评估完之后需要模型的优化，优化后的模型才能进行实际场景的应用。2.2棉麻纤维的目标检测原理目标检测原理主要体现在一个重要结构和两个重要的思想：分别为卷积神经网络（CNN）结构，锚框生成思想和非极大值抑制（NMS）思想。输入的图片将会首先经过卷积神经网络，卷积神经网络将会提取其中的特征，所有的特征信息将会体现在输出的特征图上，而锚框生成机制将会根据特征图大小预生成一定数量的锚框来拟合图片中真实目标的位置，NMS算法主要作用是将预生成的多余的锚框给过滤掉。2.2.1棉麻检测模型的卷积神经网络卷积神经网络主要是在目标检测模型中充当主干网络，该网络是由多个卷积层，激活函数层，池化层组成的基础模块构成的，图2-2所示是卷积神经网络示意图。图2-2卷积神经网络示意图纤维图片输入到卷积神经网络将会生成具有一定通道数量的特征图，该特征图将会作为后续实现目标分类以及目标定位功能的主要数据输入。卷积神经网络内部包含多个卷积核，每个卷积核都会有自己固定的尺寸大小，比如3*3、5*5等。卷积核会以滑框的形式按照设定的步长对图片中的每个角落进行扫描，该操作步骤类似于图像处理中的滤波，卷积核的含义可类比视觉皮层细胞的感受野[47]，其能提取局部的图片信息，又能通过多个卷积核组合来提取图片的所有信息。模型在训练的过程，会通过反向传播的方式来不断的调整卷积核内部的参数以降低损失值，从宏观上来看，就是能让模型更好的学习到目标的特征。
【参考文献】：
期刊论文
[1]基于迁移学习的自然环境下香梨目标识别研究[J]. 孟欣欣,阿里甫·库尔班,吕情深,周雷. 新疆大学学报(自然科学版). 2019(04)
[2]机器视觉中的人体检测算法优化[J]. 何倩倩,张荣芬,刘宇红. 激光与光电子学进展. 2020(10)
[3]基于多任务深度学习的铝材表面缺陷检测[J]. 沈晓海,栗泽昊,李敏,徐晓龙,张学武. 激光与光电子学进展. 2020(10)
[4]基于YOLOV3改进的实时车辆检测方法[J]. 李汉冰,徐春阳,胡超超. 激光与光电子学进展. 2020(10)
[5]基于YOLO v3的机场场面飞机检测方法[J]. 郭进祥,刘立波,徐峰,郑斌. 激光与光电子学进展. 2019(19)
[6]基于单片机的智能水下目标检测识别系统设计[J]. 卢言. 电子制作. 2019(01)
[7]棉麻混纺制品纤维含量测定方法分析[J]. 周梅,刘才容,经霓,王康建. 纺织检测与标准. 2017(06)
[8]近红外光谱在纤维成分含量定量分析中的应用研究进展[J]. 杨欣卉. 现代纺织技术. 2017(02)
[9]采用纤维细度仪进行麻/棉混纺产品定量分析技术的探讨[J]. 郭荣幸,程珊. 中国纤检. 2016(03)
[10]基于改进BP算法的纱线混纺比检测[J]. 王萍,郭晶,万凯,王振宇. 天津工业大学学报. 2014(06)
博士论文
[1]剑麻纤维增强聚乳酸复合材料的制备及性能研究[D]. 姜爱菊.华南理工大学 2012
[2]基于图像处理技术的苎麻和棉纤维纵向全自动识别系统[D]. 王荣武.东华大学 2007
硕士论文
[1]基于深度学习的小目标检测研究与应用[D]. 黄继鹏.南京大学 2019
本文编号：3012936
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3012936.html
