棉麻混紡紗結(jié)合了棉纖維和麻纖維的優(yōu)良特性,制成的織物手感舒適,吸濕透氣性好,因此備受廣大消費(fèi)者的喜愛。棉麻混紡比的測定是非常重要的一個(gè)指標(biāo),由于棉麻纖維同屬于纖維素纖維,所以無法用化學(xué)溶解法、燃燒法等常規(guī)方法來進(jìn)行定量分析。目前的顯微鏡觀察法效率較低,且費(fèi)時(shí)費(fèi)力。近幾年來隨著深度學(xué)習(xí)的迅速發(fā)展,憑借可以自動(dòng)提取被檢測目標(biāo)的特征來進(jìn)行識(shí)別和定位,且精度往往比傳統(tǒng)的圖像處理技術(shù)高的優(yōu)勢(shì)應(yīng)用到了各個(gè)領(lǐng)域。因此,本文基于深度學(xué)習(xí)技術(shù)探索其用于棉大麻纖維混紡比檢測的可行性。本文的研究工作如下:（1）本文提出采用深度學(xué)習(xí)技術(shù)基于目標(biāo)檢測方法對(duì)棉大麻混紡紗混紡比進(jìn)行檢測。通過對(duì)棉和大麻纖維取樣來獲取圖像、目標(biāo)標(biāo)注、數(shù)據(jù)集劃分、訓(xùn)練等,探討了纖維切片長度、纖維搭接、纖維狀態(tài)、纖維樣本量以及細(xì)小纖維存在對(duì)模型檢測的影響,確定了最優(yōu)的棉/大麻纖維檢測模型。研究結(jié)果表明,本文提出的方法是有效的。（2）構(gòu)建了基于目標(biāo)檢測對(duì)棉/大麻纖維的檢測模型。棉/大麻數(shù)據(jù)集采用VOC2007格式,在數(shù)據(jù)集的準(zhǔn)備中,對(duì)棉/大麻纖維圖片的獲取及纖維目標(biāo)標(biāo)注進(jìn)行了統(tǒng)一的規(guī)定,并將數(shù)據(jù)集按照8:2劃分訓(xùn)練集和測試集。在模型的建立及... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：83 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

大麻的

東華大學(xué)碩士論文第二章基于深度學(xué)習(xí)棉/大麻纖維檢測總體設(shè)計(jì)及樣品準(zhǔn)備9第二章基于深度學(xué)習(xí)棉/大麻纖維檢測總體設(shè)計(jì)及樣品準(zhǔn)備本章對(duì)于全文的結(jié)構(gòu)做了總體闡述，包括棉麻檢測的技術(shù)路線、棉麻檢測模型的原理、衡量檢測模型的評(píng)價(jià)指標(biāo)、樣本的準(zhǔn)備方法、軟硬件的配置等。2.1棉大麻檢測的技術(shù)路線現(xiàn)階段針對(duì)棉麻數(shù)字化檢測方法有很多，但是都是利用圖像處理技術(shù)來提取人為指定的目標(biāo)特征。然而，通過圖像處理的方法區(qū)分和識(shí)別棉麻纖維很難達(dá)到很高的正確率，并且操作上并不容易，所以目前商檢系統(tǒng)測算棉麻混紡紗棉麻混紡比還是基于繁瑣的，耗時(shí)耗力的顯微投影法來進(jìn)行操作。深度學(xué)習(xí)技術(shù)正好彌補(bǔ)了傳統(tǒng)圖像處理的弊端，該技術(shù)主要是利用了卷積神經(jīng)網(wǎng)絡(luò)（CNN）來進(jìn)行識(shí)別，該網(wǎng)絡(luò)不需要提取人為指定的特征，其會(huì)根據(jù)模型的需要來自動(dòng)獲取圖片中的有效信息，且其不需要過多的對(duì)原始圖片進(jìn)行圖像的預(yù)處理。因此本文引入了深度學(xué)習(xí)技術(shù)來檢測棉和大麻纖維，并且按照獲取深度學(xué)習(xí)模型步驟，設(shè)計(jì)了技術(shù)路線，圖2-1是技術(shù)路線圖。圖2-1技術(shù)路線根據(jù)圖2-1，可以看出，本文要先進(jìn)行樣本以及電腦軟硬件的準(zhǔn)備，然后對(duì)樣本進(jìn)行圖像的采集。采集完圖像后，由于訓(xùn)練深度學(xué)習(xí)模型是一個(gè)有監(jiān)督的學(xué)習(xí)過程，所以需要圖像的標(biāo)注，原圖加標(biāo)注信息形成了模型訓(xùn)練的數(shù)據(jù)集。接著將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，訓(xùn)練集主要是幫助深度學(xué)習(xí)模型的構(gòu)建，測試

東華大學(xué)碩士論文第二章基于深度學(xué)習(xí)棉/大麻纖維檢測總體設(shè)計(jì)及樣品準(zhǔn)備10集是用來測試和評(píng)估模型的，模型評(píng)估完之后需要模型的優(yōu)化，優(yōu)化后的模型才能進(jìn)行實(shí)際場景的應(yīng)用。2.2棉麻纖維的目標(biāo)檢測原理目標(biāo)檢測原理主要體現(xiàn)在一個(gè)重要結(jié)構(gòu)和兩個(gè)重要的思想：分別為卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)，錨框生成思想和非極大值抑制（NMS）思想。輸入的圖片將會(huì)首先經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)將會(huì)提取其中的特征，所有的特征信息將會(huì)體現(xiàn)在輸出的特征圖上，而錨框生成機(jī)制將會(huì)根據(jù)特征圖大小預(yù)生成一定數(shù)量的錨框來擬合圖片中真實(shí)目標(biāo)的位置，NMS算法主要作用是將預(yù)生成的多余的錨框給過濾掉。2.2.1棉麻檢測模型的卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)主要是在目標(biāo)檢測模型中充當(dāng)主干網(wǎng)絡(luò)，該網(wǎng)絡(luò)是由多個(gè)卷積層，激活函數(shù)層，池化層組成的基礎(chǔ)模塊構(gòu)成的，圖2-2所示是卷積神經(jīng)網(wǎng)絡(luò)示意圖。圖2-2卷積神經(jīng)網(wǎng)絡(luò)示意圖纖維圖片輸入到卷積神經(jīng)網(wǎng)絡(luò)將會(huì)生成具有一定通道數(shù)量的特征圖，該特征圖將會(huì)作為后續(xù)實(shí)現(xiàn)目標(biāo)分類以及目標(biāo)定位功能的主要數(shù)據(jù)輸入。卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部包含多個(gè)卷積核，每個(gè)卷積核都會(huì)有自己固定的尺寸大小，比如3*3、5*5等。卷積核會(huì)以滑框的形式按照設(shè)定的步長對(duì)圖片中的每個(gè)角落進(jìn)行掃描，該操作步驟類似于圖像處理中的濾波，卷積核的含義可類比視覺皮層細(xì)胞的感受野[47]，其能提取局部的圖片信息，又能通過多個(gè)卷積核組合來提取圖片的所有信息。模型在訓(xùn)練的過程，會(huì)通過反向傳播的方式來不斷的調(diào)整卷積核內(nèi)部的參數(shù)以降低損失值，從宏觀上來看，就是能讓模型更好的學(xué)習(xí)到目標(biāo)的特征。

【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)的自然環(huán)境下香梨目標(biāo)識(shí)別研究[J]. 孟欣欣,阿里甫·庫爾班,呂情深,周雷.  新疆大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]機(jī)器視覺中的人體檢測算法優(yōu)化[J]. 何倩倩,張榮芬,劉宇紅.  激光與光電子學(xué)進(jìn)展. 2020(10)
[3]基于多任務(wù)深度學(xué)習(xí)的鋁材表面缺陷檢測[J]. 沈曉海,栗澤昊,李敏,徐曉龍,張學(xué)武.  激光與光電子學(xué)進(jìn)展. 2020(10)
[4]基于YOLOV3改進(jìn)的實(shí)時(shí)車輛檢測方法[J]. 李漢冰,徐春陽,胡超超.  激光與光電子學(xué)進(jìn)展. 2020(10)
[5]基于YOLO v3的機(jī)場場面飛機(jī)檢測方法[J]. 郭進(jìn)祥,劉立波,徐峰,鄭斌.  激光與光電子學(xué)進(jìn)展. 2019(19)
[6]基于單片機(jī)的智能水下目標(biāo)檢測識(shí)別系統(tǒng)設(shè)計(jì)[J]. 盧言.  電子制作. 2019(01)
[7]棉麻混紡制品纖維含量測定方法分析[J]. 周梅,劉才容,經(jīng)霓,王康建.  紡織檢測與標(biāo)準(zhǔn). 2017(06)
[8]近紅外光譜在纖維成分含量定量分析中的應(yīng)用研究進(jìn)展[J]. 楊欣卉.  現(xiàn)代紡織技術(shù). 2017(02)
[9]采用纖維細(xì)度儀進(jìn)行麻/棉混紡產(chǎn)品定量分析技術(shù)的探討[J]. 郭榮幸,程珊.  中國纖檢. 2016(03)
[10]基于改進(jìn)BP算法的紗線混紡比檢測[J]. 王萍,郭晶,萬凱,王振宇.  天津工業(yè)大學(xué)學(xué)報(bào). 2014(06)

博士論文
[1]劍麻纖維增強(qiáng)聚乳酸復(fù)合材料的制備及性能研究[D]. 姜愛菊.華南理工大學(xué) 2012
[2]基于圖像處理技術(shù)的苧麻和棉纖維縱向全自動(dòng)識(shí)別系統(tǒng)[D]. 王榮武.東華大學(xué) 2007

碩士論文
[1]基于深度學(xué)習(xí)的小目標(biāo)檢測研究與應(yīng)用[D]. 黃繼鵬.南京大學(xué) 2019



本文編號(hào)：3012936