本文主要研究内容
作者史甜甜（2019）在《基于深度学习的织物疵点检测研究》一文中研究指出：在织物布匹生产过程中,由于机器设备故障和人为因素,无法避免出现断经、污渍、拖纱等问题,这就需要对织物进行检测。由于现今的织物瑕疵检测算法仍存在误检率高和检测率低的现象,所以需要设计出具有高检测率、低误检率、实时性高的织物疵点检测算法。本文以正常类型织物样本和常见的织物疵点类型为研究对象。提出了基于深层特征融合的SRC-CNN织物疵点检测算法和基于Fisher准则的深层卷积神经网络织物疵点检测方法。本文主要的研究工作和成果概括如下:(1)基于深层特征融合的SRC-CNN织物疵点检测算法。在有限的已经被标注织物疵点样本量情况下,首先,利用迁移学习理论对AlexNet模型进行改进设计出13层的卷积神经网络结构。其次,在基于迁移学习的卷积神经网络模型上提取织物疵点的深层特征,并进行深层多特征融合。最后,将稀疏表示分类框架应用至深层多特征融合中进行分类表示。实验结果表明:在有限的黑色织物数据集上分类率为95.34%和误检率4.95%;在有限的粉色格子织物数据集上的分类率为94.56%和误检率5.76%。该算法与流行的网络模型和传统算法相比分类率得到提高,且误检率下降。(2)基于Fisher准则的深层卷积神经网络织物疵点检测算法。为了解决卷积神经网络模型的复杂度高和运行时间过长的问题,引入深度可分离卷积对Vgg16模型进行改进设计出小型的深层卷积神经网络(DCNN)。此外,为了进一步提高织物疵点分类准确率,则对DCNN网络模型的softmax层增加Fisher准则约束,减小类内距离和增大类间距离,并不断更新整个网络参数。实验结果表明:在TILDA数据集上,网络参数量、运行时间和分类准确率分别为1.8百万、1375秒和97.89%。在彩色格子数据集上,网络参数量、运行时间和分类准确率分别为1.8百万、1737秒和98.16%。该算法可以大大地减小网络参数量、降低运行时间和提高分类准确率。本文基于深度学习算法相关理论,对织物疵点检测方法展开了研究。一方面有助于织物布料的质量得到进一步的提高,另一方面增强了纺织品出口的竞争力,对社会和经济具备着重要的意义。
Abstract
zai zhi wu bu pi sheng chan guo cheng zhong ,you yu ji qi she bei gu zhang he ren wei yin su ,mo fa bi mian chu xian duan jing 、wu zi 、tuo sha deng wen ti ,zhe jiu xu yao dui zhi wu jin hang jian ce 。you yu xian jin de zhi wu xia ci jian ce suan fa reng cun zai wu jian lv gao he jian ce lv di de xian xiang ,suo yi xu yao she ji chu ju you gao jian ce lv 、di wu jian lv 、shi shi xing gao de zhi wu ci dian jian ce suan fa 。ben wen yi zheng chang lei xing zhi wu yang ben he chang jian de zhi wu ci dian lei xing wei yan jiu dui xiang 。di chu le ji yu shen ceng te zheng rong ge de SRC-CNNzhi wu ci dian jian ce suan fa he ji yu Fisherzhun ze de shen ceng juan ji shen jing wang lao zhi wu ci dian jian ce fang fa 。ben wen zhu yao de yan jiu gong zuo he cheng guo gai gua ru xia :(1)ji yu shen ceng te zheng rong ge de SRC-CNNzhi wu ci dian jian ce suan fa 。zai you xian de yi jing bei biao zhu zhi wu ci dian yang ben liang qing kuang xia ,shou xian ,li yong qian yi xue xi li lun dui AlexNetmo xing jin hang gai jin she ji chu 13ceng de juan ji shen jing wang lao jie gou 。ji ci ,zai ji yu qian yi xue xi de juan ji shen jing wang lao mo xing shang di qu zhi wu ci dian de shen ceng te zheng ,bing jin hang shen ceng duo te zheng rong ge 。zui hou ,jiang xi shu biao shi fen lei kuang jia ying yong zhi shen ceng duo te zheng rong ge zhong jin hang fen lei biao shi 。shi yan jie guo biao ming :zai you xian de hei se zhi wu shu ju ji shang fen lei lv wei 95.34%he wu jian lv 4.95%;zai you xian de fen se ge zi zhi wu shu ju ji shang de fen lei lv wei 94.56%he wu jian lv 5.76%。gai suan fa yu liu hang de wang lao mo xing he chuan tong suan fa xiang bi fen lei lv de dao di gao ,ju wu jian lv xia jiang 。(2)ji yu Fisherzhun ze de shen ceng juan ji shen jing wang lao zhi wu ci dian jian ce suan fa 。wei le jie jue juan ji shen jing wang lao mo xing de fu za du gao he yun hang shi jian guo chang de wen ti ,yin ru shen du ke fen li juan ji dui Vgg16mo xing jin hang gai jin she ji chu xiao xing de shen ceng juan ji shen jing wang lao (DCNN)。ci wai ,wei le jin yi bu di gao zhi wu ci dian fen lei zhun que lv ,ze dui DCNNwang lao mo xing de softmaxceng zeng jia Fisherzhun ze yao shu ,jian xiao lei nei ju li he zeng da lei jian ju li ,bing bu duan geng xin zheng ge wang lao can shu 。shi yan jie guo biao ming :zai TILDAshu ju ji shang ,wang lao can shu liang 、yun hang shi jian he fen lei zhun que lv fen bie wei 1.8bai mo 、1375miao he 97.89%。zai cai se ge zi shu ju ji shang ,wang lao can shu liang 、yun hang shi jian he fen lei zhun que lv fen bie wei 1.8bai mo 、1737miao he 98.16%。gai suan fa ke yi da da de jian xiao wang lao can shu liang 、jiang di yun hang shi jian he di gao fen lei zhun que lv 。ben wen ji yu shen du xue xi suan fa xiang guan li lun ,dui zhi wu ci dian jian ce fang fa zhan kai le yan jiu 。yi fang mian you zhu yu zhi wu bu liao de zhi liang de dao jin yi bu de di gao ,ling yi fang mian zeng jiang le fang zhi pin chu kou de jing zheng li ,dui she hui he jing ji ju bei zhao chong yao de yi yi 。
论文参考文献
论文详细介绍
论文作者分别是来自浙江理工大学的史甜甜，发表于刊物浙江理工大学2019-05-08论文，是一篇关于卷积神经网络论文,模型论文,深层多特征融合论文,稀疏表示分类论文,深度可分离卷积论文,准则约束论文,织物疵点分类论文,浙江理工大学2019-05-08论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自浙江理工大学2019-05-08论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：卷积神经网络论文; 模型论文; 深层多特征融合论文; 稀疏表示分类论文; 深度可分离卷积论文; 准则约束论文; 织物疵点分类论文; 浙江理工大学2019-05-08论文;