紡織裁片是汽車座椅、服裝等諸多行業(yè)中成品加工過程中裁床裁切的中間件,其質(zhì)量是決定成品品質(zhì)的一個(gè)關(guān)鍵。其中,在多周期花紋裁片中,花紋的偏斜角與周期長度是衡量裁片是否合格的重要的指標(biāo)。目前工業(yè)領(lǐng)域?qū)@兩個(gè)參數(shù)的測量主要靠手工檢測,耗時(shí)、耗力,且對(duì)具有復(fù)雜花紋的裁片檢測效率更低。除此之外,由于裁片花紋種類繁多,造成在實(shí)際生產(chǎn)過程中只能進(jìn)行人工抽檢,無法對(duì)每一片裁片都進(jìn)行檢測。從而時(shí)常發(fā)生花紋裁片質(zhì)量不合格而未能發(fā)現(xiàn)的情況,導(dǎo)致成品質(zhì)量下降,引發(fā)經(jīng)濟(jì)損失。因此,提出一種多周期花紋裁片花紋偏斜角與周期長度的測量方法,建立裁片自動(dòng)化檢測系統(tǒng),對(duì)提高裁片生產(chǎn)企業(yè)的生產(chǎn)水平與生產(chǎn)力具有重要的意義。本文結(jié)合圖像處理技術(shù)與深度學(xué)習(xí)理論,提出了一種基于改進(jìn)的Faster R-CNN的裁片花紋檢測及參數(shù)測量方法。首先,本文設(shè)計(jì)了一套由二維機(jī)械臂和面陣相機(jī)組成的圖像采集系統(tǒng),機(jī)械臂在前后、左右兩個(gè)空間維度上運(yùn)動(dòng),通過控制運(yùn)動(dòng)可采集任何部位清晰的花紋紋理圖像。其次,提出了一種基于Faster R-CNN網(wǎng)絡(luò)的多周期花紋定位方法,并且引入花紋角度預(yù)測功能對(duì)傾斜的花紋進(jìn)行有效的檢測。此外,通過對(duì)ROI池化原理的分析,... 

【文章來源】：天津工業(yè)大學(xué)天津市

【文章頁數(shù)】：84 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多周期花紋裁片圖像及偏斜角與周期長度測量示意圖

第一章緒論7提高了對(duì)所需目標(biāo)的定位能力，已經(jīng)大量的運(yùn)用在紡織領(lǐng)域。目前，深度學(xué)習(xí)中包括兩種類型的目標(biāo)檢測方法：一種取決于區(qū)域建議，如R-CNN（區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）[21]，F(xiàn)astR-CNN[22]，F(xiàn)asterR-CNN[23-25]和R-FCN[26]；另一種不依賴于區(qū)域提案并直接估計(jì)候選目標(biāo)建議，例如SSD[27]和YOLO[28]系列�；贔asterR-CNN的目標(biāo)檢測方法具有目標(biāo)檢測速度快，網(wǎng)絡(luò)成熟度高等優(yōu)點(diǎn)，為多周期花紋的檢測提供了很好的花紋定位方法，成為了花紋周期提取的關(guān)鍵步驟�；谏鲜鲇懻�，本文選取FasterR-CNN網(wǎng)絡(luò)作為裁片多周期花紋的定位器，并且結(jié)合傳統(tǒng)圖像處理方法進(jìn)一步提取花紋周期測量所需參數(shù)。1.4論文研究內(nèi)容本文提出了一種基于改進(jìn)的FasterR-CNN的多周期花紋檢測及參數(shù)測量方法，其總框架圖如圖1-2所示。本文主要研究內(nèi)容包括：多周期花紋粗定位（基于FasterR-CNN的花紋檢測）、花紋精確定位（提取花紋中心點(diǎn)）、花紋周期提取及參數(shù)測量三大部分。圖1-2本文方法總體框圖

天津工業(yè)大學(xué)碩士學(xué)位論文12圖2-1卷積運(yùn)算過程2.2.2池化層在卷積神經(jīng)網(wǎng)絡(luò)中，為了減少圖像在訓(xùn)練過程中的計(jì)算量，下采樣操作（池化層）往往跟在卷積操作后面進(jìn)行。池化層主要的作用包括提取對(duì)于圖像平移和小變形過程中的不變的特征、壓縮特征圖的尺寸減少參數(shù)量，能夠有效的抑制過擬合現(xiàn)象。池化的種類分為最大池化、平均池化、隨機(jī)池化以及空金字塔池化等。最大池化是選取圖像區(qū)域的最大值作為池化值；平均池化是將圖像區(qū)域的平均值作為池化值；隨機(jī)池化是按概率隨機(jī)選取圖像區(qū)域中的元素作為池化值；空間金字塔池化的設(shè)計(jì)思想來源于空間金字塔模型（SpatialPyramidModel），它將一個(gè)尺度的池化變成了多個(gè)尺度的池化操作。用不同大小池化窗口作用于卷積特征，能夠達(dá)到輸入不同尺寸圖像卻可以得到相同尺寸特征圖輸出的效果。圖2-2展示了卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中常用的最大池化、平均池化以及隨機(jī)池化的計(jì)算過程。圖2-2池化運(yùn)算過程

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的織物缺陷在線檢測算法[J]. 王理順,鐘勇,李振東,賀宜龍.  計(jì)算機(jī)應(yīng)用. 2019(07)
[2]基于樹莓派的深度學(xué)習(xí)色織物疵點(diǎn)檢測研究[J]. 曹振軍,景軍鋒,蘇澤斌,張緩緩.  棉紡織技術(shù). 2019(01)
[3]應(yīng)用頻域分析與距離匹配函數(shù)的織物紋理周期測量[J]. 周建,王靜安,潘如如,高衛(wèi)東.  東華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[4]采用距離匹配函數(shù)的印花織物圖案周期測定[J]. 景軍鋒,楊盼盼,李鵬飛.  紡織學(xué)報(bào). 2015(12)
[5]基于詞向量特征的循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型[J]. 張劍,屈丹,李真.  模式識(shí)別與人工智能. 2015(04)
[6]基于改進(jìn)歸一化距離匹配函數(shù)的紋理周期自動(dòng)提取方法[J]. 蔣圣,湯國安,陶旸.  模式識(shí)別與人工智能. 2014(12)
[7]基于灰度共生矩陣的織物紋理研究[J]. 李靜,楊玉倩,沈偉,李丹,周華.  現(xiàn)代紡織技術(shù). 2013(03)
[8]基于紋理周期性分析的織物疵點(diǎn)檢測方法[J]. 祝雙武,郝重陽.  計(jì)算機(jī)工程與應(yīng)用. 2012(21)
[9]基于并行灰度級(jí)差共生矩陣的圖像紋理檢測[J]. 葉苗.  激光與紅外. 2011(11)
[10]汽車座椅用紡織品的性能要求和檢驗(yàn)標(biāo)準(zhǔn)[J]. 楊斌,馮岑.  四川絲綢. 2006(04)

碩士論文
[1]基于Faster R-CNN的交通標(biāo)志檢測方法[D]. 楊夢夢.湖北工業(yè)大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究[D]. 陳宇俊.廣東工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的織物圖像疵點(diǎn)區(qū)域定位算法研究[D]. 劉祥惠.中原工學(xué)院 2018
[4]紡織品圖案和紋理的周期性研究[D]. 齊菲.東華大學(xué) 2017
[5]單色周期圖案布匹瑕疵檢測算法研究[D]. 徐莉莉.吉林大學(xué) 2016



本文編號(hào)：3341175