基于深度学习的细纱断头检测模型

发布时间：2021-07-12 13:05

　　传统的图像处理方法不能准确地对环锭纺细纱机细纱断头进行检测,而经典的深度学习模型直接用于细纱断头的检测其效果也不甚理想,针对这些问题,提出一种基于卷积神经网络的DBYC分类模型,该模型包括改进深度可分离卷积核、提出通道交换操作、添加局部响应值归一化层和使用Dropout层。最后,将模型部署在CPU处理器上。试验结果表明,该模型具有更好的识别效果和更强的泛化能力。 

【文章来源】：天津纺织科技. 2020,(02)

【文章页数】：6 页

【部分图文】：

试验装置图

常用的轻量化卷积神经网络模型，以ShuffleNet v2[5]为例，多用于语义分割场景，对于纱线这种小物体来说特征提取效果不甚理想，如果直接将ShuffleNet v2模型用于纱线的检测，将会导致最终的分类结果十分不准确，因此本文基于ShuffleNet v2模型提出一种分类模型DBYC模型，用于分类环锭纺细纱机纱线这种具有线性目标以及一定空间结构的图像。DBYC模型的网络整体结构见表1。它包含了Channel Ex change Improved Depthwise Separable Convolution（基于通道交换的改进的深度可分离卷积，简称CEIDSConv-branch）卷积单元以及Downsampling（下采样）单元。下采样单元由一个Stride（步长）是2的标准卷积层和一个步长为1的最大池化层组成，它能够使神经网络增加更多的上下文信息，并且减少计算量。通过堆叠一些连续的CEIDSConv-branch卷积单元来构建DBYC模型，它由Stage1-4和Classification Layer（分类层）5部分组成。图3 断头检测任务示意图

断头检测任务示意图

【参考文献】：
期刊论文
[1]细纱断头原因分析及改善措施[J]. 张磊,李华庆.  天津纺织科技. 2019(01)
[2]传统环锭细纱机大牵伸工艺实践[J]. 曾永红,周衡书.  天津纺织科技. 2019(01)
[3]圆柱坐标机器人在针织圆纬机中的应用[J]. 陈永明,刘德滨,李炳超,林清助,刘明举,邓才参.  针织工业. 2018(09)
[4]应用优化霍夫变换的细纱断头检测[J]. 王雯雯,刘基宏.  纺织学报. 2018(04)
[5]降低多比例混纺纱断头率的探讨[J]. 胡晓毅.  天津纺织科技. 2015(02)
[6]集合器式压力棒控制细纱前区纤维运动的分析及实践效果[J]. 王伟.  天津纺织科技. 2014(01)
[7]一种新型针织用环锭纱[J]. 刘颖杰,杨昆.  针织工业. 2010(11)
[8]纱线结构对纯棉针织物性能的影响[J]. 凌群民,宋丽娜.  针织工业. 2010(03)
[9]紧密纺高支棉纱的经编编织工艺探讨[J]. 徐颖,蒋高明,缪旭红.  针织工业. 2008(06)

硕士论文
[1]细纱机纱线断头检测软件系统开发[D]. 王文远.浙江理工大学 2018



本文编号：3279968