坯布表面缺陷的检测与分类算法研究

发布时间：2021-04-14 10:41

　　随着纺织行业贸易竞争的日益激烈,严格把控纺织品的产品质量并降低检测成本成为重点研究方向。国内目前主要依靠人工完成坯布缺陷的检测,该方法准确率低、成本高,因此自动化检测成为替代人工检测的重要途径。本文利用卷积神经网络对坯布表面缺陷的检测与分类算法进行了研究。分别采用改进的AlexNet网络、改进的VGG16网络以及基于迁移学习的方法完成对坯布缺陷的分类;使用基于Faster RCNN与残差网络相结合的方法和基于SSD的方法完成对坯布缺陷的检测。具体研究内容如下:（1）研究了坯布缺陷的分类问题,对AlexNet网络及VGG16网络进行了改进。在改进的AlexNet网络中,使用批归一化层替换局部归一化层,通过实验验证了改进的有效性;在改进的VGG16网络中,在池化层和卷积层间添加批归一化层,当使用随机梯度下降法时,分类准确率为98.26%。（2）采用基于迁移学习的坯布缺陷分类算法。运用基于模型的迁移学习,将预训练得到的Inception V3的结构和参数进行迁移,再通过训练坯布缺陷数据集微调网络参数。实验证明,该方法能大量减少训练时长且对硬件设备要求不高。（3）使用Faster RCNN与残... 

【文章来源】：西安工程大学陕西省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

人工检测与自动检测

35(d) 折皱图 4-11 Faster RCNN+ResNet101 模型的部分检测结果4.4 本章小结本章主要采用了 Faster RCNN 分别与不同特征提取网络相结合的方法进行坯布表面缺陷检测。首先讲述了 Faster RCNN 模型的原理，将其模型分为了 RPN 网络和FastRCNN 检测网络两部分，阐述了可用于提取特征的残差网络。然后根据模型特性处理数据集，在实验平台下进行多次迭代训练。最后分析对比实验结果，并对模型参数调优。通过实验对比，得出 FasterRCNN+ResNet101 模型的效果要优于经典的 FasterRCNN+VGG16，其准确率经过多次合理的参数优化后可达 99.6%。Faster RCNN 与ResNet101 相结合的方法在实际中较适用于静态或对检测速率要求不高的环境。

【参考文献】：
期刊论文
[1]Faster RCNN模型在坯布疵点检测中的应用[J]. 晏琳,景军锋,李鹏飞.  棉纺织技术. 2019(02)
[2]染整坯布的分类、特点与选用[J]. 顾永星.  国际纺织导报. 2017(11)
[3]LBPV算法在织物瑕疵检测中的应用[J]. 项明,姚雪存,江有福.  丝绸. 2014(02)
[4]基于机器视觉和图像处理的织物疵点检测研究新进展[J]. 李文羽,程隆棣.  纺织学报. 2014(03)
[5]基于GMRF模型的统计特征畸变织物疵点识别[J]. 杨晓波.  纺织学报. 2013(04)
[6]基于AR模型的机织物线状疵点研究[J]. 朱俊岭,汪军,张孝南,李立轻,陈霞,庞明军.  纺织学报. 2012(08)
[7]基于互相关的印花织物疵点检测[J]. 潘如如,高卫东,钱欣欣,张晓婷.  纺织学报. 2010(12)

博士论文
[1]基于机器视觉的布匹疵点检测系统研究[D]. 毕明德.华中科技大学 2012

硕士论文
[1]基于小波和极速学习机的织物疵点检测和分类[D]. 马强.东华大学 2016
[2]布匹疵点在线检测的算法研究[D]. 邹超.华中科技大学 2006



本文编号：3137172