基于轻量级卷积神经网络的织物缺陷识别算法研究

发布时间：2020-11-04 21:45

【摘要】：织物缺陷智能识别是纺织品质量控制的关键环节,而基于机器视觉及图像处理的传统织物缺陷检测方法存在一定的局限性,不适用于检测纹理和图案较丰富的织物。本文将人工智能领域的最新研究成果与行业需求相结合,深入研究织物缺陷智能识别方法,针对实际生产过程中织物纹理多尺度、多样性问题,构造了一个对纹理、疵点具有鲁棒性,且支持在线学习的新型轻量级卷积神经网络结构,该模型在保持高识别精度的前提下,极大地减少对硬件计算能力和内存容量的依赖,使深度神经网络更容易在工业现场运行。本文的主要研究成果如下:1)提出了一种基于VGGNet的织物缺陷识别方法。该方法为了克服目前复杂模式织物难以有效“检测”、“分割”疵点的问题,转而采用“识别”这种与主流方法截然不同的方式来判决织物中的缺陷,并首次将VGGNet应用于织物缺陷识别。本文分析传统特征提取模型的不足,详细介绍了VGGNet的结构配置和训练方法,并利用该卷积神经网络实现复杂模式织物的缺陷识别,在一定程度上缓解了目前复杂模式织物无法有效检测的行业难题,为后续研究提供了理论基础。2)提出了一种基于深度特征可视化改进的卷积神经网络LZFNet-V1。卷积神经网络对目标织物图像的特征提取过程是不可见的,那么研究者就无法更具针对性地调整网络结构,这给模型的优化工作带来了极大的困难。为了能在保持模型识别精度的前提下简化深度卷积神经网络,本文利用一种先进的卷积神经网络特征可视化手段,对VGGNet进行深度特征可视化分析。然后根据织物图像的特点更具针对性地调整网络结构,不仅提高了模型的识别精度,而且缩减了90%以上的网络参数,构造了一种新的专用于织物缺陷识别的卷积神经网络LZFNet-V1。3)提出了一种基于可因式分解卷积网络的织物缺陷识别方法。虽然卷积神经网络的性能非常强大,但大规模神经网络需要消耗大量的硬件计算资源和存储带宽。然而在实际应用中,织物缺陷识别任务需要在计算能力有限的平台上实时完成。为了进一步降低深度卷积神经网络的计算复杂度,本文在前人的研究基础上提出一种可对卷积神经网络中卷积层进行因式分解的轻量级卷积结构,然后将LZFNet-V1中的标准卷积层替换成可因式分解卷积层,在不影响识别准确率的前提下达到压缩神经网络体积和减少织物缺陷识别系统计算消耗的目的。4)提出了一种针对织物缺陷快速识别的新型轻量级卷积神经网络结构LZFNet-V2。该网络结构在LZFNet-V1的研究基础上融入模式识别领域当前最新的残差映射和线性瓶颈技术,以构成线性瓶颈卷积模块,并利用线性瓶颈模块构造了一个专用于织物缺陷智能识别的新型轻量级卷积神经网络。实验结果表明,该模型与目前世界上有影响力的卷积神经网络相比,无论是识别精度还是计算效率都具有一定的优势,非常适用于计算资源受限条件下的织物缺陷识别。本研究所提出的所有模型均可在TensorFlow环境下运行,使得轻量级卷积神经网络更容易在工业现场部署。同时,本研究也为解决其它工业产品表面缺陷智能识别问题提供了新思路。
【学位授予单位】：中原工学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TS107
【图文】：

图 1.1 复杂模式织物样例的任务时可能存在一些冗余参数[11]。为了克服这些局限性，Zeiler 和 Fergus 在 2014 年欧洲计算机视觉大会上阐述了一种在卷积神经网络卷积层中可视化任何单个激活特征图的方法[12]。该技术还允许研究人员观察网络中特征的演化并诊断模型中的潜在问题。利用这些工具，本文研究了传统卷积网络的体系结构，并针对不同的网络配置进行了评估，找到了在织物缺陷识别方面优于传统卷积神经网络的新结构，而模型的体积和计算量分别仅占原始模型的 8.2%和 23%。近年来卷积神经网络发展的趋势是搭建更深更复杂的网络结构，以达到更高的识别精度。然而，这些提高模型识别准确率的新技术并不一定使得系统在运行速度和内存占用方面更加有效。例如在工业产品表面缺陷检测等许多实际应用中，自动识别系统需要在计算和内存受限的硬件设备上实时运行。为了进一步降低深度卷积神经网络的计算复杂度，本文在前人的研究基础上提出一种可对标准卷积层进行因式分解的轻量级卷积结构，从而构建出一种易于和嵌入式系统或移

经网络体系结构具有良好的数据局部性，因为卷积滤波器可以在不同的地方复。最早的卷积神经网络在 1989 年被 LeCun 等人提出[7]，用于手写阿拉伯数字别。直到 2012 年，AlexNet 在 ImageNet 大规模视觉识别分类挑战大赛上的惊表现使得卷积神经网络成为模式识别领域内的热点话题。图 1.2 LeNet 网络结构图图 1.3 AlexNet 网络结构图

而且目前许多关于轻量级神经网络的论文只关注于模型体积压缩，而不络的运行速度[23,24,25]。最近两年与人工智能相关的实际应用产品的迅猛发展表明，研究者对于建的卷积神经网络已经产生了越来越多的关注。简化深度卷积模型的不同方可以分为：压缩经过充分训练的模型和直接优化网络内部的卷积结构。压已经过完整训练模型的主要方法包括：挤压、分解和剪枝[11,26,27,28,29]。本的可因式分解卷积层属于直接优化网络内部的卷积结构这种加速方式，最考文献[30]提出，随后在谷歌公司提出的 GoogLeNet[31]中使用，以减少网层的卷积计算量。本文使用的模型优化手段类似于参考文献[32,33]所采用，设计灵感主要来自于当前最先进的轻量级卷积神经网络 MobileNet[34]ffleNet[35]。
【相似文献】

中国期刊全文数据库 前10条

1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期

2 李青华;李翠平;张静;陈红;王绍卿;;深度神经网络压缩综述[J];计算机科学;2019年09期

3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期

4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期

5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期

6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期

7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期

8 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期

9 陈晓燕;;浅析简单神经网络的发展及简单模型[J];数字技术与应用;2019年05期

10 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期

中国博士学位论文全文数据库 前10条

1 王娜;地质大数据功能分析及其分类算法研究[D];吉林大学;2019年

2 李嘉;基于卷积神经网络的心律失常自动分类关键技术研究[D];吉林大学;2019年

3 王金玲;基于连续和离散复杂系统的稳定性及耗散性分析[D];新疆大学;2019年

4 徐梦佳;基于深度卷积神经网络的多模态医学影像分析方法研究[D];东北大学;2017年

5 刘梅;网络系统的稳定和同步行为研究[D];新疆大学;2017年

6 靳然;基于神经网络和支持向量机的麦蚜发生动态预测研究[D];山西农业大学;2017年

7 李骁;基于深度卷积神经网络MSCT对小肾肿瘤病理分型的预测研究[D];中国人民解放军海军军医大学;2018年

8 李若霞;基于忆阻的神经网络的动力学分析及应用[D];东南大学;2017年

9 项延德;基于卷积神经网络的心电信号检测和分类研究[D];浙江大学;2018年

10 李一鸣;结合知识和神经网络的文本表示方法的研究[D];浙江大学;2018年

中国硕士学位论文全文数据库 前10条

1 郭青山;基于卷积神经网络的航拍车辆检测与跟踪[D];西南科技大学;2019年

2 黄占鳌;基于卷积神经网络的变电站道路场景图像语义分割技术研究[D];西南科技大学;2019年

3 王文光;基于图像语义的场景识别研究[D];西南科技大学;2019年

4 曹川;基于深度学习的人脸识别算法研究[D];西南科技大学;2019年

5 叶远征;基于卷积神经网络的目标检测算法研究与应用[D];西南科技大学;2019年

6 赵逸翔;基于BP神经网络的无约束优化方法研究及应用[D];东北农业大学;2019年

7 谢崇波;基于循环神经网络的城市空气质量预测研究[D];西南科技大学;2019年

8 田东;基于卷积神经网络的深度学习算法研究与实现[D];上海交通大学;2017年

9 王沫沅;基于深度神经网络和集成方法的蛋白质相互作用预测研究[D];吉林大学;2019年

10 徐哲;基于深度学习的农作物叶片识别系统的设计与分析[D];吉林大学;2019年

本文编号：2870647