布匹瑕疵檢測是紡織行業(yè)生產(chǎn)和質(zhì)量管理的重要環(huán)節(jié)。目前的人工檢測有速度慢、勞動強度大、受主觀因素影響、缺乏一致性等缺點。傳統(tǒng)的處理布匹瑕疵的機器學(xué)習(xí)算法通常用來處理易提取、容易量化的特征,如顏色、面積、圓度、角度、長度等,但瑕疵特征由于其缺陷區(qū)域占比小、缺陷尺度變化大、缺陷形狀復(fù)雜無法很好地提取。卷積神經(jīng)網(wǎng)絡(luò)是圖像識別領(lǐng)域新興的重要方法,為此,本文將卷積神經(jīng)網(wǎng)絡(luò)用于布匹瑕疵的檢測識別,以提高識別的速度和精度。首先,分析了布匹瑕疵數(shù)據(jù)集的特點,針對相應(yīng)特點采用對應(yīng)的數(shù)據(jù)增強方法,分析了殘差網(wǎng)絡(luò)的構(gòu)成,建立了第一代ResNet50模型,實驗得到了初步精度基準。其次,針對布匹瑕疵類別不平衡的問題,采用了Focal Loss和多任務(wù)輔助Loss;針對瑕疵區(qū)域占比小的問題,提出了單尺度patch塊采樣策略;介紹了SE模塊的構(gòu)成,建立了基于SE模塊的SE-ResNet50模型,并提出了相應(yīng)的測試方法,不僅可以識別出缺陷種類,還進行了初步的缺陷定位,提升了檢測精度。接著,針對瑕疵區(qū)域尺度變化大的問題,分析了瑕疵區(qū)域尺度變化的特點,提出了多尺度patch塊采樣策略,建立了SE-ResNet50模型,提出... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

毛斑缺陷示意圖

從 2016 年初 AlphaGo[7]戰(zhàn)勝李世石，到 2016 年年底 Master 取得 60 連勝， AlphaGo Zero[8]誕生，人工智能這個概念被推上了歷史的新高度。2017 年國務(wù)發(fā)《新一代人工智能發(fā)展規(guī)劃》[9]，人工智能正式上升為國家戰(zhàn)略，谷歌，臉書度，阿里巴巴等一系列國內(nèi)外大公司紛紛對外宣布了人工智能將作為下一個戰(zhàn)心，在 AlphaGo，無人駕駛，人臉識別等最新技術(shù)的背后，深度學(xué)習(xí)是推動這術(shù)發(fā)展的核心力量。深度學(xué)習(xí)最早興起于圖像識別，但是在短短幾年的時間內(nèi)度學(xué)習(xí)推廣到了機器學(xué)習(xí)的各個領(lǐng)域，相比于傳統(tǒng)的需要人工提取特征的機器，深度學(xué)習(xí)可以自動的將簡單的特征組合成更加復(fù)雜的特征，并利用這些組合解決問題，是一種端到端的識別過程。圖 1-2 展示了深度學(xué)習(xí)和傳統(tǒng)機器學(xué)習(xí)程上的差異，圖 1-3 展示了深度學(xué)習(xí)算法可以從圖像的像素特征中逐漸組合出、邊、角、簡單形狀、復(fù)雜形狀等更加有效的復(fù)雜特征[10]。如今，深度學(xué)習(xí)在機器學(xué)習(xí)領(lǐng)域內(nèi)都有非常出色的表現(xiàn)，在圖像識別、語音識別、音頻處理、自言處理、機器人、生物信息處理、化學(xué)、電腦游戲、搜索引擎、醫(yī)療、金融等領(lǐng)域均有應(yīng)用研究。

圖 1- 3 深度學(xué)習(xí)在圖像分類問題上的算法流程樣例總之，深度學(xué)習(xí)是機器學(xué)習(xí)的一種方法。在過去幾十年的發(fā)展中，它大量借類關(guān)于人腦、統(tǒng)計學(xué)和應(yīng)用數(shù)學(xué)的知識。近年來，得益于更強大的計算機，數(shù)據(jù)集和能夠訓(xùn)練更深網(wǎng)絡(luò)的技術(shù)，深度學(xué)習(xí)的普及性和實用性都有了極大。未來幾年，深度學(xué)習(xí)更是充滿了進一步提高并應(yīng)用到新領(lǐng)域的挑戰(zhàn)和機將從卷積神經(jīng)網(wǎng)絡(luò)在圖像分類檢測上的研究現(xiàn)狀，布匹瑕疵檢測的研究現(xiàn)狀面展開。.1 布匹瑕疵檢測研究現(xiàn)狀隨著計算機技術(shù)，圖像識別技術(shù)的不斷發(fā)展和各類優(yōu)化算法的提出，使得基機視覺技術(shù)的布匹瑕疵檢測獲得發(fā)展的可能。20 世紀 90 年代開始，基于計覺的瑕疵檢測研究逐漸形成一個高潮。美國、日本、以色列等國家的學(xué)者陸了相關(guān)的論文，按照論文中圖像處理方法的不同，前人的布匹瑕疵檢測研究以分為三種：（1）基于圖像的灰度值在時域（空間域）進行計算，提取特Yoshio Shimizu 等通過圖像灰度共生矩陣提取瑕疵特征，建立基于貝葉斯決

【參考文獻】：
期刊論文
[1]國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》[J].   廣播電視信息. 2017(08)
[2]新型計算將成為人工智能繼續(xù)發(fā)展的關(guān)鍵支撐[J]. 陶利,梁智昊,安達.  中國戰(zhàn)略新興產(chǎn)業(yè). 2017(25)
[3]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)
[4]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang.  IEEE/CAA Journal of Automatica Sinica. 2016(02)
[5]基于機器視覺的織物疵點檢測方法綜述[J]. 鄒超,汪秉文,孫志剛.  天津工業(yè)大學(xué)學(xué)報. 2009(02)

博士論文
[1]制造物聯(lián)海量數(shù)據(jù)流處理方法研究[D]. 王建華.廣東工業(yè)大學(xué) 2015
[2]基于計算機視覺的織物疵點自動檢測研究[D]. 李立輕.東華大學(xué) 2003

碩士論文
[1]基于深度學(xué)習(xí)的圖像特征識別方法研究[D]. 譚龍?zhí)?沈陽理工大學(xué) 2016



本文編號：3413560