織物瑕疵檢測是控制織物產(chǎn)品質(zhì)量的重要步驟,傳統(tǒng)的織物瑕疵檢測方法檢測效率低,勞動強(qiáng)度大。因此,針對傳統(tǒng)檢測方法存在的問題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的分類算法用于實現(xiàn)織物瑕疵檢測。網(wǎng)絡(luò)是在VGG16的基礎(chǔ)上進(jìn)行減枝,通過優(yōu)化網(wǎng)絡(luò)參數(shù)實現(xiàn)最優(yōu)結(jié)果。首先,由于織物瑕疵大小差別較大,提出將瑕疵邊緣作為檢測的目標(biāo),這樣就可以將大尺度圖片分割為64×64的小尺度圖片用于網(wǎng)絡(luò)訓(xùn)練,既提高了網(wǎng)絡(luò)的分類準(zhǔn)確率,又解決了織物瑕疵圖像搜集困難的問題。其次,在測試過程中,提出對大尺度圖片進(jìn)行有重疊的分割,然后對分割后的圖片進(jìn)行分類,根據(jù)每張圖片的輸出標(biāo)簽和位置來實現(xiàn)大尺度圖片的瑕疵檢測。實驗結(jié)果表明,本文所提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于傳統(tǒng)的VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu),具有檢測速度快、檢測精度高等優(yōu)勢。 

【文章來源】：信息技術(shù)與網(wǎng)絡(luò)安全. 2020,39(11)

【文章頁數(shù)】：7 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)的卷積和池化過程

圖像歸一化前后對比

其中，是網(wǎng)絡(luò)輸出層的非歸一化分?jǐn)?shù)，pn是第n個類別的概率，N指輸出層中神經(jīng)元個數(shù)，即所要分類的類別數(shù)，n,k∈[1,N],p,y∈RN。損失函數(shù)的第一項是交叉熵?fù)p失函數(shù)，第二項為權(quán)重的正則化損失函數(shù)。Adam算法對網(wǎng)絡(luò)的優(yōu)化過程如下：

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在表面質(zhì)量檢測方面的應(yīng)用[J]. 肖書浩,吳蕾,何為,彭煜.  機(jī)械設(shè)計與制造. 2020(01)
[2]基于改進(jìn)的加權(quán)中值濾波與K-means聚類的織物缺陷檢測[J]. 張緩緩,馬金秀,景軍鋒,李鵬飛.  紡織學(xué)報. 2019(12)
[3]全連接神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)與應(yīng)用研究[J]. 吳辰斌,王劍.  電子世界. 2019(09)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的織物表面缺陷分類方法[J]. 景軍鋒,劉嬈.  測控技術(shù). 2018(09)
[5]基于改進(jìn)SAE網(wǎng)絡(luò)的織物疵點(diǎn)檢測算法[J]. 景軍鋒,黨永強(qiáng),蘇澤斌,李鵬飛,張宏偉.  電子測量與儀器學(xué)報. 2017(08)
[6]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測[J]. 景軍鋒,范曉婷,李鵬飛,洪良.  紡織學(xué)報. 2017(02)
[7]基于Gabor濾波器組與BP神經(jīng)網(wǎng)絡(luò)的簾子布疵點(diǎn)檢測研究與實現(xiàn)[J]. 張五一,楊揚(yáng),林聰,溫盛軍.  中原工學(xué)院學(xué)報. 2014(03)
[8]基于GMRF模型的統(tǒng)計特征畸變織物疵點(diǎn)識別[J]. 楊曉波.  紡織學(xué)報. 2013(04)



本文編號：3240709