基于深度学习的无纺布缺陷分类检测方法研究

发布时间：2023-03-27 05:35

　　随着社会对无纺布需求的日益增长,无纺布成为21世纪新兴的朝阳产业,并广泛应用在医疗卫生、服装、建筑、包装和汽车等领域。但是无纺布在生产过程中,由于环境和人为因素,容易产生脏点、褶皱、缺纱和断裂等质量问题,这些问题影响企业的生产质量和效益。传统的人工检测方式存在效率低、误检率高、专业设备检测方式价格昂贵、定制检测困难的问题。针对以上问题,将深度学习技术应用于无纺布图像缺陷分类检测,使准确率、精准率和平均检测一幅图片样本的时间达到工业实时检测的基本要求。本文的研究对象是无纺布样本图片,通过深度学习方法得到分类检测模型,将模型用于无纺布缺陷图像分类检测。首先构建深度学习所需要的数据集,其次选取三种经典的卷积神经网络并训练模型,通过实验发现模型的不足,最后提出改进的卷积神经网络模型。该模型在分类检测的准确率、精准率和检测时间上满足企业要求。主要研究内容如下:(1)选取经典的GoogLeNet、RestNet和MobileNet,将以上三种网络适当调整。采用足量样本从头训练模型和少量样本迁移学习训练模型两种训练方式。实验结果表明两种训练方式对无纺布缺陷分类检测的结果影响很小。准确率和精准率只有从...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 布匹缺陷检测研究现状
        1.2.2 卷积神经网络用于表面缺陷检测的研究现状
    1.3 本文主要研究内容和结构
    注释
2 纺布缺陷分类检测目标及理论基础
    2.1 无纺布样本说明
        2.1.1 无纺布缺陷种类
        2.1.2 无纺布数据集
    2.2 本课题研究目标和难点
    2.3 神经元
    2.4 BP神经网络
    2.5 卷积神经网络
        2.5.1 卷积层
        2.5.2 池化层
        2.5.3 全连接层与Softmax层
        2.5.4 激活函数
        2.5.5 损失函数
        2.5.6 代价函数
    2.6 本章小结
    注释
3 基于经典卷积神经网络无纺布缺陷分类检测方法
    3.1 网络介绍
        3.1.1 GoogLeNet
        3.1.2 RestNet
        3.1.3 MobileNet
    3.2 卷积神经网络训练
        3.2.1 从头训练卷积神经网络
        3.2.2 迁移学习训练卷积神经网络
        3.2.3 数据集
        3.2.4 训练条件
    3.3 实验结果及分析
        3.3.1 总体准确率对比
        3.3.2 检测时间对比
        3.3.3 各类别准确率对比
        3.3.4 各类别精准率对比
    3.4 本章小结
    注释
4 基于改进ALEXNET无纺布缺陷分类检测方法
    4.1 ALEXNET相关理论
    4.2 卷积神经网络输入层设计
        4.2.1 图像几何变换
        4.2.2 图像去中值
        4.2.3 图像归一化
    4.3 卷积神经网络结构设计
        4.3.1 网络结构改进方法
        4.3.2 Adv-AlexNet网络结构参数
    4.4 训练参数与算法流程
        4.4.1 学习率
        4.4.2 批样本数量
        4.4.3 迭代次数
        4.4.4 周期
        4.4.5 优化器参数设计
        4.4.6 正则化
        4.4.7 训练算法流程
        4.4.8 测试算法流程
    4.5 实验结果与分析
        4.5.1 实验环境
        4.5.2 评价标准
        4.5.3 训练条件
        4.5.4 不同图像预处理方式实验结果分析
        4.5.5 增加卷积层实验结果分析
    4.6 本章小结
    注释
5 总结与展望
    5.1 总结
    5.2 展望
作者攻读学位期间取得的研究成果



本文编号：3772498