由于異性纖維影響紗線的質(zhì)量,目前主要根據(jù)圖像處理方法設(shè)計(jì)異纖分揀機(jī),進(jìn)行異纖的檢測(cè)和剔除,但剔除效果普遍不理想,很多企業(yè)需要進(jìn)行二次人工檢測(cè)。本課題以多參數(shù)優(yōu)化方法為研究手段,采用不同的神經(jīng)網(wǎng)絡(luò),對(duì)異纖分揀機(jī)圖像檢測(cè)參數(shù)、風(fēng)機(jī)頻率和相機(jī)白平衡值等進(jìn)行了研究,以提高異纖的檢出率。依據(jù)異纖檢測(cè)和剔除工藝過(guò)程,分析預(yù)測(cè)模型的復(fù)雜度和精度,采用核主元素分析法(Kernel Principal Component Analysis,KPCA)算法,對(duì)異纖檢出率的影響因素進(jìn)行篩選,提取主元素。進(jìn)一步分析異纖檢出率影響因素,通過(guò)徑向基(Radical Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)對(duì)主元素和檢出率進(jìn)行擬合,推導(dǎo)異纖檢出率預(yù)測(cè)模型。分析圖像檢測(cè)參數(shù)對(duì)檢出率的影響,對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了改進(jìn),建立了圖像檢測(cè)最優(yōu)參數(shù)預(yù)測(cè)模型;根據(jù)異纖種類劃分,對(duì)圖像檢測(cè)參數(shù)進(jìn)行優(yōu)化,并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。以圖像檢測(cè)最優(yōu)參數(shù)為基礎(chǔ),以RBF神經(jīng)網(wǎng)絡(luò)異纖檢出率預(yù)測(cè)模型為目標(biāo)函數(shù),通過(guò)多島遺傳算法(Multi-islands Genetic Algorithms,MIGA)算法分析多參數(shù)優(yōu)化過(guò)程,確定圖像檢...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1異纖檢出率影響因素魚骨圖

天津工業(yè)大學(xué)碩士學(xué)位論文12圖2-1異纖檢出率影響因素魚骨圖圖2-1的異纖檢出率影響因素魚骨圖中剔除系統(tǒng)，共分布16個(gè)電磁閥，每個(gè)電磁閥控制4個(gè)噴嘴，即共64個(gè)噴嘴，所有噴嘴都由一個(gè)32位的數(shù)字量輸出卡，通過(guò)實(shí)驗(yàn)可知，其開關(guān)速度達(dá)到4KHz，滿足控制的要求，所以其中的噴氣延時(shí)、噴....

圖3-1參數(shù)調(diào)節(jié)面板示意圖

第三章基于GA-BP神經(jīng)網(wǎng)絡(luò)圖像檢測(cè)參數(shù)優(yōu)化17基于GA-BP神經(jīng)網(wǎng)絡(luò)圖像檢測(cè)參數(shù)優(yōu)化通過(guò)KPCA算法對(duì)影響異纖檢出率的主要影響因素進(jìn)行提取，最終確定主元素為圖像檢測(cè)參數(shù)、相機(jī)白平衡值和風(fēng)機(jī)頻率，其中，圖像檢測(cè)參數(shù)的貢獻(xiàn)率占比38.7751%，在實(shí)際進(jìn)行異纖檢測(cè)時(shí)，圖像檢測(cè)參數(shù)對(duì)....

圖3-2實(shí)驗(yàn)

天津工業(yè)大學(xué)碩士學(xué)位論文20采用600mm*600mm的棉花作為載體，將每種異纖取一份放置在棉花載體上，模擬含有異纖的原棉，在輸棉系統(tǒng)的風(fēng)力作用下，將帶有模擬異纖的棉花引入棉流通道，在異纖檢測(cè)區(qū)域進(jìn)行異纖的檢測(cè)以及剔除等。實(shí)驗(yàn)樣本如圖3-2所示。（a）模擬異纖（b）異纖載體（c）....

圖3-2實(shí)驗(yàn)樣本示意圖

天津工業(yè)大學(xué)碩士學(xué)位論文20采用600mm*600mm的棉花作為載體，將每種異纖取一份放置在棉花載體上，模擬含有異纖的原棉，在輸棉系統(tǒng)的風(fēng)力作用下，將帶有模擬異纖的棉花引入棉流通道，在異纖檢測(cè)區(qū)域進(jìn)行異纖的檢測(cè)以及剔除等。實(shí)驗(yàn)樣本如圖3-2所示。（a）模擬異纖（b）異纖載體（c）....

本文編號(hào)：3992004