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,其質量是決定成品品質的一個關鍵。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。目前工業(yè)領域對這兩個參數(shù)的測量主要靠手工檢測,耗時、耗力,且對具有復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,造成在實際生產(chǎn)過程中只能進行人工抽檢,無法對每一片裁片都進行檢測。從而時常發(fā)生花紋裁片質量不合格而未能發(fā)現(xiàn)的情況,導致成品質量下降,引發(fā)經(jīng)濟損失。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,建立裁片自動化檢測系統(tǒng),對提高裁片生產(chǎn)企業(yè)的生產(chǎn)水平與生產(chǎn)力具有重要的意義。本文結合圖像處理技術與深度學習理論,提出了一種基于改進的Faster R-CNN的裁片花紋檢測及參數(shù)測量方法。首先,本文設計了一套由二維機械臂和面陣相機組成的圖像采集系統(tǒng),機械臂在前后、左右兩個空間維度上運動,通過控制運動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)絡的多周期花紋定位方法,并且引入花紋角度預測功能對傾斜的花紋進行有效的檢測。此外,通過對ROI池化原理的分析,... 

【文章來源】：天津工業(yè)大學天津市

【文章頁數(shù)】：84 頁

【學位級別】：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提高了對所需目標的定位能力，已經(jīng)大量的運用在紡織領域。目前，深度學習中包括兩種類型的目標檢測方法：一種取決于區(qū)域建議，如R-CNN（區(qū)域卷積神經(jīng)網(wǎng)絡）[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)域提案并直接估計候選目標建議，例如SSD[27]和YOLO[28]系列�；贔asterR-CNN的目標檢測方法具有目標檢測速度快，網(wǎng)絡成熟度高等優(yōu)點，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鍵步驟�；谏鲜鲇懻�，本文選取FasterR-CNN網(wǎng)絡作為裁片多周期花紋的定位器，并且結合傳統(tǒng)圖像處理方法進一步提取花紋周期測量所需參數(shù)。1.4論文研究內容本文提出了一種基于改進的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）、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)大學碩士學位論文12圖2-1卷積運算過程2.2.2池化層在卷積神經(jīng)網(wǎng)絡中，為了減少圖像在訓練過程中的計算量，下采樣操作（池化層）往往跟在卷積操作后面進行。池化層主要的作用包括提取對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；隨機池化是按概率隨機選取圖像區(qū)域中的元素作為池化值；空間金字塔池化的設計思想來源于空間金字塔模型（SpatialPyramidModel），它將一個尺度的池化變成了多個尺度的池化操作。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)絡訓練過程中常用的最大池化、平均池化以及隨機池化的計算過程。圖2-2池化運算過程

【參考文獻】：
期刊論文
[1]基于深度學習的織物缺陷在線檢測算法[J]. 王理順,鐘勇,李振東,賀宜龍.  計算機應用. 2019(07)
[2]基于樹莓派的深度學習色織物疵點檢測研究[J]. 曹振軍,景軍鋒,蘇澤斌,張緩緩.  棉紡織技術. 2019(01)
[3]應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.  東華大學學報(自然科學版). 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.  紡織學報. 2015(12)
[5]基于詞向量特征的循環(huán)神經(jīng)網(wǎng)絡語言模型[J]. 張劍,屈丹,李真.  模式識別與人工智能. 2015(04)
[6]基于改進歸一化距離匹配函數(shù)的紋理周期自動提取方法[J]. 蔣圣,湯國安,陶旸.  模式識別與人工智能. 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. 2013(03)
[8]基于紋理周期性分析的織物疵點檢測方法[J]. 祝雙武,郝重陽.  計算機工程與應用. 2012(21)
[9]基于并行灰度級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標準[J]. 楊斌,馮岑.  四川絲綢. 2006(04)

碩士論文
[1]基于Faster R-CNN的交通標志檢測方法[D]. 楊夢夢.湖北工業(yè)大學 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡的織物瑕疵檢測方法研究[D]. 陳宇俊.廣東工業(yè)大學 2018
[3]基于深度學習的織物圖像疵點區(qū)域定位算法研究[D]. 劉祥惠.中原工學院 2018
[4]紡織品圖案和紋理的周期性研究[D]. 齊菲.東華大學 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 2016



本文編號：3341175