隨著社會對無紡布需求的日益增長,無紡布成為21世紀(jì)新興的朝陽產(chǎn)業(yè),并廣泛應(yīng)用在醫(yī)療衛(wèi)生、服裝、建筑、包裝和汽車等領(lǐng)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(diǎn)、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(shè)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(xué)習(xí)技術(shù)應(yīng)用于無紡布圖像缺陷分類檢測,使準(zhǔn)確率、精準(zhǔn)率和平均檢測一幅圖片樣本的時間達(dá)到工業(yè)實(shí)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(xué)習(xí)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(gòu)建深度學(xué)習(xí)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(luò)并訓(xùn)練模型,通過實(shí)驗(yàn)發(fā)現(xiàn)模型的不足,最后提出改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型。該模型在分類檢測的準(zhǔn)確率、精準(zhǔn)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(luò)適當(dāng)調(diào)整。采用足量樣本從頭訓(xùn)練模型和少量樣本遷移學(xué)習(xí)訓(xùn)練模型兩種訓(xùn)練方式。實(shí)驗(yàn)結(jié)果表明兩種訓(xùn)練方式對無紡布缺陷分類檢測的結(jié)果影響很小。準(zhǔn)確率和精準(zhǔn)率只有從...

【文章頁數(shù)】：68 頁

【學(xué)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(luò)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(jié)構(gòu)
    注釋
2 紡布缺陷分類檢測目標(biāo)及理論基礎(chǔ)
    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(biāo)和難點(diǎn)
    2.3 神經(jīng)元
    2.4 BP神經(jīng)網(wǎng)絡(luò)
    2.5 卷積神經(jīng)網(wǎng)絡(luò)
        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(jié)
    注釋
3 基于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)無紡布缺陷分類檢測方法
    3.1 網(wǎng)絡(luò)介紹
        3.1.1 GoogLeNet
        3.1.2 RestNet
        3.1.3 MobileNet
    3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
        3.2.1 從頭訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 遷移學(xué)習(xí)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 數(shù)據(jù)集
        3.2.4 訓(xùn)練條件
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 總體準(zhǔn)確率對比
        3.3.2 檢測時間對比
        3.3.3 各類別準(zhǔn)確率對比
        3.3.4 各類別精準(zhǔn)率對比
    3.4 本章小結(jié)
    注釋
4 基于改進(jìn)ALEXNET無紡布缺陷分類檢測方法
    4.1 ALEXNET相關(guān)理論
    4.2 卷積神經(jīng)網(wǎng)絡(luò)輸入層設(shè)計(jì)
        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(luò)結(jié)構(gòu)設(shè)計(jì)
        4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)方法
        4.3.2 Adv-AlexNet網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)
    4.4 訓(xùn)練參數(shù)與算法流程
        4.4.1 學(xué)習(xí)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(shè)計(jì)
        4.4.6 正則化
        4.4.7 訓(xùn)練算法流程
        4.4.8 測試算法流程
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)環(huán)境
        4.5.2 評價標(biāo)準(zhǔn)
        4.5.3 訓(xùn)練條件
        4.5.4 不同圖像預(yù)處理方式實(shí)驗(yàn)結(jié)果分析
        4.5.5 增加卷積層實(shí)驗(yàn)結(jié)果分析
    4.6 本章小結(jié)
    注釋
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
作者攻讀學(xué)位期間取得的研究成果



本文編號：3772498