隨著社會對無紡布需求的日益增長,無紡布成為21世紀新興的朝陽產(chǎn)業(yè),并廣泛應用在醫(yī)療衛(wèi)生、服裝、建筑、包裝和汽車等領域。但是無紡布在生產(chǎn)過程中,由于環(huán)境和人為因素,容易產(chǎn)生臟點、褶皺、缺紗和斷裂等質(zhì)量問題,這些問題影響企業(yè)的生產(chǎn)質(zhì)量和效益。傳統(tǒng)的人工檢測方式存在效率低、誤檢率高、專業(yè)設備檢測方式價格昂貴、定制檢測困難的問題。針對以上問題,將深度學習技術應用于無紡布圖像缺陷分類檢測,使準確率、精準率和平均檢測一幅圖片樣本的時間達到工業(yè)實時檢測的基本要求。本文的研究對象是無紡布樣本圖片,通過深度學習方法得到分類檢測模型,將模型用于無紡布缺陷圖像分類檢測。首先構建深度學習所需要的數(shù)據(jù)集,其次選取三種經(jīng)典的卷積神經(jīng)網(wǎng)絡并訓練模型,通過實驗發(fā)現(xiàn)模型的不足,最后提出改進的卷積神經(jīng)網(wǎng)絡模型。該模型在分類檢測的準確率、精準率和檢測時間上滿足企業(yè)要求。主要研究內(nèi)容如下:(1)選取經(jīng)典的GoogLeNet、RestNet和MobileNet,將以上三種網(wǎng)絡適當調(diào)整。采用足量樣本從頭訓練模型和少量樣本遷移學習訓練模型兩種訓練方式。實驗結果表明兩種訓練方式對無紡布缺陷分類檢測的結果影響很小。準確率和精準率只有從...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 布匹缺陷檢測研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡用于表面缺陷檢測的研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容和結構
    注釋
2 紡布缺陷分類檢測目標及理論基礎
    2.1 無紡布樣本說明
        2.1.1 無紡布缺陷種類
        2.1.2 無紡布數(shù)據(jù)集
    2.2 本課題研究目標和難點
    2.3 神經(jīng)元
    2.4 BP神經(jīng)網(wǎng)絡
    2.5 卷積神經(jīng)網(wǎng)絡
        2.5.1 卷積層
        2.5.2 池化層
        2.5.3 全連接層與Softmax層
        2.5.4 激活函數(shù)
        2.5.5 損失函數(shù)
        2.5.6 代價函數(shù)
    2.6 本章小結
    注釋
3 基于經(jīng)典卷積神經(jīng)網(wǎng)絡無紡布缺陷分類檢測方法
    3.1 網(wǎng)絡介紹
        3.1.1 GoogLeNet
        3.1.2 RestNet
        3.1.3 MobileNet
    3.2 卷積神經(jīng)網(wǎng)絡訓練
        3.2.1 從頭訓練卷積神經(jīng)網(wǎng)絡
        3.2.2 遷移學習訓練卷積神經(jīng)網(wǎng)絡
        3.2.3 數(shù)據(jù)集
        3.2.4 訓練條件
    3.3 實驗結果及分析
        3.3.1 總體準確率對比
        3.3.2 檢測時間對比
        3.3.3 各類別準確率對比
        3.3.4 各類別精準率對比
    3.4 本章小結
    注釋
4 基于改進ALEXNET無紡布缺陷分類檢測方法
    4.1 ALEXNET相關理論
    4.2 卷積神經(jīng)網(wǎng)絡輸入層設計
        4.2.1 圖像幾何變換
        4.2.2 圖像去中值
        4.2.3 圖像歸一化
    4.3 卷積神經(jīng)網(wǎng)絡結構設計
        4.3.1 網(wǎng)絡結構改進方法
        4.3.2 Adv-AlexNet網(wǎng)絡結構參數(shù)
    4.4 訓練參數(shù)與算法流程
        4.4.1 學習率
        4.4.2 批樣本數(shù)量
        4.4.3 迭代次數(shù)
        4.4.4 周期
        4.4.5 優(yōu)化器參數(shù)設計
        4.4.6 正則化
        4.4.7 訓練算法流程
        4.4.8 測試算法流程
    4.5 實驗結果與分析
        4.5.1 實驗環(huán)境
        4.5.2 評價標準
        4.5.3 訓練條件
        4.5.4 不同圖像預處理方式實驗結果分析
        4.5.5 增加卷積層實驗結果分析
    4.6 本章小結
    注釋
5 總結與展望
    5.1 總結
    5.2 展望
作者攻讀學位期間取得的研究成果



本文編號：3772498