紡織業(yè)在國(guó)民經(jīng)濟(jì)中占據(jù)著十分重要的地位,通過(guò)織物疵點(diǎn)的自動(dòng)檢測(cè)可以發(fā)現(xiàn)有質(zhì)量問題的織物,并進(jìn)行及時(shí)的修復(fù)和預(yù)防,可以減少因各種原因?qū)е碌目椢镔|(zhì)量下降問題。深度學(xué)習(xí)算法具有檢測(cè)速度快、準(zhǔn)確率高、魯棒性強(qiáng)等優(yōu)點(diǎn),成為了目前織物疵點(diǎn)檢測(cè)算法的發(fā)展趨勢(shì)。在使用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)織物疵點(diǎn)進(jìn)行檢測(cè)時(shí),網(wǎng)絡(luò)卻很少重視卷積層中特征圖的空間信息和表達(dá)能力,該問題會(huì)導(dǎo)致網(wǎng)絡(luò)分類性能不佳。本文對(duì)這些問題進(jìn)行了研究,具體研究成果如下:（1）提出了一種基于改進(jìn)類激活映射（Class Activation Mapping,CAM）的織物疵點(diǎn)檢測(cè)方法。首先,針對(duì)傳統(tǒng)CAM改變卷積網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致分類性能下降的問題,將CNN中的深層和淺層卷積層進(jìn)行結(jié)合,并在卷積層后嵌入SE模塊,使得網(wǎng)絡(luò)在提高分類性能的同時(shí)能生成較細(xì)粒度的類激活圖;然后,為了提高疵點(diǎn)定位的準(zhǔn)確性,將兩種分辨率的類激活圖進(jìn)行融合來(lái)生成改進(jìn)的類激活圖。實(shí)驗(yàn)結(jié)果表明,本文算法對(duì)無(wú)疵點(diǎn)、孔、污漬、紗疵和斷紗五個(gè)類別的織物圖像識(shí)別準(zhǔn)確率達(dá)到了96.40%,比基線網(wǎng)絡(luò)準(zhǔn)確率提升了1.37%。不僅如此,在數(shù)據(jù)集只有圖像級(jí)標(biāo)注的情況下,該方法能夠?qū)崿F(xiàn)對(duì)織物疵點(diǎn)... 

【文章來(lái)源】：武漢紡織大學(xué)湖北省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究意義及背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于統(tǒng)計(jì)的檢測(cè)方法
        1.2.2 基于頻域的檢測(cè)方法
        1.2.3 基于模型的檢測(cè)方法
        1.2.4 基于學(xué)習(xí)的檢測(cè)方法
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文章節(jié)安排
    1.5 本章小結(jié)
2 相關(guān)工作
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 前向傳播和誤差反向傳播
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)
    2.2 類激活映射技術(shù)
    2.3 本章小結(jié)
3 基于改進(jìn)類激活映射的織物疵點(diǎn)檢測(cè)
    3.1 類激活映射技術(shù)存在的問題
    3.2 基于改進(jìn)類激活映射的織物疵點(diǎn)檢測(cè)
        3.2.1 SE模塊結(jié)構(gòu)
        3.2.2 改進(jìn)卷積網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.3 定位疵點(diǎn)區(qū)域
    3.3 實(shí)驗(yàn)結(jié)果和分析
        3.3.1 實(shí)驗(yàn)準(zhǔn)備
        3.3.2 結(jié)果與分析
    3.4 本章小結(jié)
4 基于DCL和注意力機(jī)制結(jié)合的織物疵點(diǎn)檢測(cè)
    4.1 基于DCL的織物疵點(diǎn)檢測(cè)
        4.1.1 DCL網(wǎng)絡(luò)介紹
        4.1.2 基于DCL的織物疵點(diǎn)檢測(cè)思想
    4.2 基于DCL和注意力機(jī)制結(jié)合的織物疵點(diǎn)檢測(cè)
        4.2.1 注意力模塊設(shè)計(jì)與嵌入
        4.2.2 DCL網(wǎng)絡(luò)參數(shù)設(shè)置
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)準(zhǔn)備
        4.3.2 結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的織物疵點(diǎn)檢測(cè)研究進(jìn)展[J]. 賀智明,彭亞楠.  毛紡科技. 2019(08)
[2]應(yīng)用GAN和Faster R-CNN的色織物缺陷識(shí)別[J]. 李明,景軍鋒,李鵬飛.  西安工程大學(xué)學(xué)報(bào). 2018(06)
[3]基于機(jī)器視覺的疵點(diǎn)檢測(cè)方法的研究進(jìn)展[J]. 王孟濤,李岳陽(yáng),杜帥.  現(xiàn)代紡織技術(shù). 2019(05)
[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(cè)控技術(shù). 2018(09)
[5]采用傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法[J]. 李東,萬(wàn)賢福,汪軍.  紡織學(xué)報(bào). 2017(05)
[6]基于顯著紋理特征的織物疵點(diǎn)檢測(cè)方法[J]. 石美紅,張正,郭仙草,陳永當(dāng).  紡織學(xué)報(bào). 2016(10)
[7]基于紋理結(jié)構(gòu)異常的織物疵點(diǎn)檢測(cè)算法研究[J]. 劉洲峰,趙全軍,李春雷,董燕,閆磊.  中原工學(xué)院學(xué)報(bào). 2014(03)
[8]基于GMRF模型的統(tǒng)計(jì)特征畸變織物疵點(diǎn)識(shí)別[J]. 楊曉波.  紡織學(xué)報(bào). 2013(04)
[9]基于AR模型的機(jī)織物線狀疵點(diǎn)研究[J]. 朱俊嶺,汪軍,張孝南,李立輕,陳霞,龐明軍.  紡織學(xué)報(bào). 2012(08)
[10]基于匹配Gabor濾波器的規(guī)則紋理缺陷檢測(cè)方法[J]. 貢玉南,華建興,黃秀寶.  中國(guó)圖象圖形學(xué)報(bào). 2001(07)

博士論文
[1]基于稀疏編碼的織物瑕疵檢測(cè)算法研究[D]. 朱秋平.武漢大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的織物疵點(diǎn)檢測(cè)研究[D]. 史甜甜.浙江理工大學(xué) 2019
[2]織物疵點(diǎn)檢測(cè)算法研究和系統(tǒng)實(shí)現(xiàn)[D]. 尉苗苗.江南大學(xué) 2017



本文編號(hào)：3472541