【摘要】：織物缺陷智能識別是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié),而基于機器視覺及圖像處理的傳統(tǒng)織物缺陷檢測方法存在一定的局限性,不適用于檢測紋理和圖案較豐富的織物。本文將人工智能領(lǐng)域的最新研究成果與行業(yè)需求相結(jié)合,深入研究織物缺陷智能識別方法,針對實際生產(chǎn)過程中織物紋理多尺度、多樣性問題,構(gòu)造了一個對紋理、疵點具有魯棒性,且支持在線學(xué)習(xí)的新型輕量級卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),該模型在保持高識別精度的前提下,極大地減少對硬件計算能力和內(nèi)存容量的依賴,使深度神經(jīng)網(wǎng)絡(luò)更容易在工業(yè)現(xiàn)場運行。本文的主要研究成果如下:1)提出了一種基于VGGNet的織物缺陷識別方法。該方法為了克服目前復(fù)雜模式織物難以有效“檢測”、“分割”疵點的問題,轉(zhuǎn)而采用“識別”這種與主流方法截然不同的方式來判決織物中的缺陷,并首次將VGGNet應(yīng)用于織物缺陷識別。本文分析傳統(tǒng)特征提取模型的不足,詳細介紹了VGGNet的結(jié)構(gòu)配置和訓(xùn)練方法,并利用該卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)復(fù)雜模式織物的缺陷識別,在一定程度上緩解了目前復(fù)雜模式織物無法有效檢測的行業(yè)難題,為后續(xù)研究提供了理論基礎(chǔ)。2)提出了一種基于深度特征可視化改進的卷積神經(jīng)網(wǎng)絡(luò)LZFNet-V1。卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)織物圖像的特征提取過程是不可見的,那么研究者就無法更具針對性地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),這給模型的優(yōu)化工作帶來了極大的困難。為了能在保持模型識別精度的前提下簡化深度卷積神經(jīng)網(wǎng)絡(luò),本文利用一種先進的卷積神經(jīng)網(wǎng)絡(luò)特征可視化手段,對VGGNet進行深度特征可視化分析。然后根據(jù)織物圖像的特點更具針對性地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),不僅提高了模型的識別精度,而且縮減了90%以上的網(wǎng)絡(luò)參數(shù),構(gòu)造了一種新的專用于織物缺陷識別的卷積神經(jīng)網(wǎng)絡(luò)LZFNet-V1。3)提出了一種基于可因式分解卷積網(wǎng)絡(luò)的織物缺陷識別方法。雖然卷積神經(jīng)網(wǎng)絡(luò)的性能非常強大,但大規(guī)模神經(jīng)網(wǎng)絡(luò)需要消耗大量的硬件計算資源和存儲帶寬。然而在實際應(yīng)用中,織物缺陷識別任務(wù)需要在計算能力有限的平臺上實時完成。為了進一步降低深度卷積神經(jīng)網(wǎng)絡(luò)的計算復(fù)雜度,本文在前人的研究基礎(chǔ)上提出一種可對卷積神經(jīng)網(wǎng)絡(luò)中卷積層進行因式分解的輕量級卷積結(jié)構(gòu),然后將LZFNet-V1中的標(biāo)準(zhǔn)卷積層替換成可因式分解卷積層,在不影響識別準(zhǔn)確率的前提下達到壓縮神經(jīng)網(wǎng)絡(luò)體積和減少織物缺陷識別系統(tǒng)計算消耗的目的。4)提出了一種針對織物缺陷快速識別的新型輕量級卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)LZFNet-V2。該網(wǎng)絡(luò)結(jié)構(gòu)在LZFNet-V1的研究基礎(chǔ)上融入模式識別領(lǐng)域當(dāng)前最新的殘差映射和線性瓶頸技術(shù),以構(gòu)成線性瓶頸卷積模塊,并利用線性瓶頸模塊構(gòu)造了一個專用于織物缺陷智能識別的新型輕量級卷積神經(jīng)網(wǎng)絡(luò)。實驗結(jié)果表明,該模型與目前世界上有影響力的卷積神經(jīng)網(wǎng)絡(luò)相比,無論是識別精度還是計算效率都具有一定的優(yōu)勢,非常適用于計算資源受限條件下的織物缺陷識別。本研究所提出的所有模型均可在TensorFlow環(huán)境下運行,使得輕量級卷積神經(jīng)網(wǎng)絡(luò)更容易在工業(yè)現(xiàn)場部署。同時,本研究也為解決其它工業(yè)產(chǎn)品表面缺陷智能識別問題提供了新思路。
【學(xué)位授予單位】：中原工學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183;TS107
【圖文】：

圖 1.1 復(fù)雜模式織物樣例的任務(wù)時可能存在一些冗余參數(shù)[11]。為了克服這些局限性，Zeiler 和 Fergus 在 2014 年歐洲計算機視覺大會上闡述了一種在卷積神經(jīng)網(wǎng)絡(luò)卷積層中可視化任何單個激活特征圖的方法[12]。該技術(shù)還允許研究人員觀察網(wǎng)絡(luò)中特征的演化并診斷模型中的潛在問題。利用這些工具，本文研究了傳統(tǒng)卷積網(wǎng)絡(luò)的體系結(jié)構(gòu)，并針對不同的網(wǎng)絡(luò)配置進行了評估，找到了在織物缺陷識別方面優(yōu)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的新結(jié)構(gòu)，而模型的體積和計算量分別僅占原始模型的 8.2%和 23%。近年來卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的趨勢是搭建更深更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，以達到更高的識別精度。然而，這些提高模型識別準(zhǔn)確率的新技術(shù)并不一定使得系統(tǒng)在運行速度和內(nèi)存占用方面更加有效。例如在工業(yè)產(chǎn)品表面缺陷檢測等許多實際應(yīng)用中，自動識別系統(tǒng)需要在計算和內(nèi)存受限的硬件設(shè)備上實時運行。為了進一步降低深度卷積神經(jīng)網(wǎng)絡(luò)的計算復(fù)雜度，本文在前人的研究基礎(chǔ)上提出一種可對標(biāo)準(zhǔn)卷積層進行因式分解的輕量級卷積結(jié)構(gòu)，從而構(gòu)建出一種易于和嵌入式系統(tǒng)或移

經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)具有良好的數(shù)據(jù)局部性，因為卷積濾波器可以在不同的地方復(fù)。最早的卷積神經(jīng)網(wǎng)絡(luò)在 1989 年被 LeCun 等人提出[7]，用于手寫阿拉伯?dāng)?shù)字別。直到 2012 年，AlexNet 在 ImageNet 大規(guī)模視覺識別分類挑戰(zhàn)大賽上的驚表現(xiàn)使得卷積神經(jīng)網(wǎng)絡(luò)成為模式識別領(lǐng)域內(nèi)的熱點話題。圖 1.2 LeNet 網(wǎng)絡(luò)結(jié)構(gòu)圖圖 1.3 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)圖

而且目前許多關(guān)于輕量級神經(jīng)網(wǎng)絡(luò)的論文只關(guān)注于模型體積壓縮，而不絡(luò)的運行速度[23,24,25]。最近兩年與人工智能相關(guān)的實際應(yīng)用產(chǎn)品的迅猛發(fā)展表明，研究者對于建的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)產(chǎn)生了越來越多的關(guān)注。簡化深度卷積模型的不同方可以分為：壓縮經(jīng)過充分訓(xùn)練的模型和直接優(yōu)化網(wǎng)絡(luò)內(nèi)部的卷積結(jié)構(gòu)。壓已經(jīng)過完整訓(xùn)練模型的主要方法包括：擠壓、分解和剪枝[11,26,27,28,29]。本的可因式分解卷積層屬于直接優(yōu)化網(wǎng)絡(luò)內(nèi)部的卷積結(jié)構(gòu)這種加速方式，最考文獻[30]提出，隨后在谷歌公司提出的 GoogLeNet[31]中使用，以減少網(wǎng)層的卷積計算量。本文使用的模型優(yōu)化手段類似于參考文獻[32,33]所采用，設(shè)計靈感主要來自于當(dāng)前最先進的輕量級卷積神經(jīng)網(wǎng)絡(luò) MobileNet[34]ffleNet[35]。
【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計算機科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王娜;地質(zhì)大數(shù)據(jù)功能分析及其分類算法研究[D];吉林大學(xué);2019年

2 李嘉;基于卷積神經(jīng)網(wǎng)絡(luò)的心律失常自動分類關(guān)鍵技術(shù)研究[D];吉林大學(xué);2019年

3 王金玲;基于連續(xù)和離散復(fù)雜系統(tǒng)的穩(wěn)定性及耗散性分析[D];新疆大學(xué);2019年

4 徐夢佳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)醫(yī)學(xué)影像分析方法研究[D];東北大學(xué);2017年

5 劉梅;網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定和同步行為研究[D];新疆大學(xué);2017年

6 靳然;基于神經(jīng)網(wǎng)絡(luò)和支持向量機的麥蚜發(fā)生動態(tài)預(yù)測研究[D];山西農(nóng)業(yè)大學(xué);2017年

7 李驍;基于深度卷積神經(jīng)網(wǎng)絡(luò)MSCT對小腎腫瘤病理分型的預(yù)測研究[D];中國人民解放軍海軍軍醫(yī)大學(xué);2018年

8 李若霞;基于憶阻的神經(jīng)網(wǎng)絡(luò)的動力學(xué)分析及應(yīng)用[D];東南大學(xué);2017年

9 項延德;基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號檢測和分類研究[D];浙江大學(xué);2018年

10 李一鳴;結(jié)合知識和神經(jīng)網(wǎng)絡(luò)的文本表示方法的研究[D];浙江大學(xué);2018年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 郭青山;基于卷積神經(jīng)網(wǎng)絡(luò)的航拍車輛檢測與跟蹤[D];西南科技大學(xué);2019年

2 黃占鰲;基于卷積神經(jīng)網(wǎng)絡(luò)的變電站道路場景圖像語義分割技術(shù)研究[D];西南科技大學(xué);2019年

3 王文光;基于圖像語義的場景識別研究[D];西南科技大學(xué);2019年

4 曹川;基于深度學(xué)習(xí)的人臉識別算法研究[D];西南科技大學(xué);2019年

5 葉遠征;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究與應(yīng)用[D];西南科技大學(xué);2019年

6 趙逸翔;基于BP神經(jīng)網(wǎng)絡(luò)的無約束優(yōu)化方法研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2019年

7 謝崇波;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量預(yù)測研究[D];西南科技大學(xué);2019年

8 田東;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法研究與實現(xiàn)[D];上海交通大學(xué);2017年

9 王沫沅;基于深度神經(jīng)網(wǎng)絡(luò)和集成方法的蛋白質(zhì)相互作用預(yù)測研究[D];吉林大學(xué);2019年

10 徐哲;基于深度學(xué)習(xí)的農(nóng)作物葉片識別系統(tǒng)的設(shè)計與分析[D];吉林大學(xué);2019年

本文編號：2870647