針對化纖絲餅毛羽人工檢測效率低、漏檢率高且存在二次污染的問題,提出應用激光三角測量法和改進的SSD模型檢測絲餅毛羽。首先搭建絲餅毛羽圖像采集裝置,通過激光三角測量法直接獲取毛羽表面信息。然后構建改進的SSD絲餅毛羽檢測模型,在前端網絡中采用Mobilenet作為新的特征提取器,后端網絡中采用特征融合的方式設計多級特征金字塔。最后對訓練的絲餅毛羽檢測模型進行驗證。結果表明:模型對絲餅毛羽檢測的平均精確率均值為97.7%,檢測速度達到40幀·s^-1。該方法實現了絲餅毛羽的自動化檢測,檢測精度高、速度快,具有重要的工業(yè)應用價值。

【文章頁數】：7 頁

【部分圖文】：

圖3圖像采集裝置

卷繞成形后的化纖絲餅內部無法檢測,當前檢測的絲餅毛羽僅為絲餅外層表面存在的毛羽,包括上、下端面和柱面,屬于大面積毛羽抽樣檢測。為直接得到絲餅表面清晰的毛羽圖像,搭建上述激光三角測量法設計的絲餅毛羽圖像采集裝置,如圖3所示。該裝置由計算機、旋轉控制臺、激光光源、工業(yè)面陣相機、光電開....

圖4絲餅毛羽圖像

從圖4中可以看出,應用激光三角測量法采集的絲餅毛羽與自身背景分離且邊緣清晰,不需要進行圖像預處理過程,簡化檢測流程。同時毛羽圖像為二值圖,可以減少絲餅毛羽檢測模型訓練的參數量,提高檢測效率。2改進的SSD絲餅毛羽檢測

圖5SSD框架

SSD是一種基于回歸思想的單次階段深度學習目標檢測模型,其基本框架如圖5所示,主要由前、后兩端網絡組成[18]:前端網絡是以截斷的VGG16網絡作為基礎的特征提取器,首先去除深度卷積神經網絡的分類層,然后用卷積層替換FC6、FC7全連接層,用于目標特征初步提取。后端網絡是以級聯網....

圖6基礎CNN卷積

式中:K為當前層卷積核的個數;D為數據通道數;F為卷積核大小;N為輸入數據的寬和高。深度可分卷積由深度卷積(depthwiseconvolution,DC)和逐點卷積(pointwiseconvolution,PC)組成,利用DSC算法改進卷積核運算,深度可分卷積計算如圖7所....

本文編號：3931027