針對傳統(tǒng)的織物缺陷檢測算法普適性不足的問題,提出一種基于改進(jìn)DANN網(wǎng)絡(luò)的織物缺陷檢測算法。分析了對抗遷移學(xué)習(xí)領(lǐng)域的DANN網(wǎng)絡(luò)存在的僅考慮源域和目標(biāo)域間特征相似的情況和對于復(fù)雜圖片提取到的特征能力較差的問題。提出了改進(jìn)的方法,通過在網(wǎng)絡(luò)中加入MMD層,可以對提取到的目標(biāo)域特征賦予不同的權(quán)重,并使用ResNet50作為特征提取器。將原DANN網(wǎng)絡(luò)和改進(jìn)的MMD-DANN網(wǎng)絡(luò)在織物缺陷圖庫中進(jìn)行了測試并對比了二者的缺陷檢測結(jié)果。結(jié)果表明,改進(jìn)后網(wǎng)絡(luò)相比于原網(wǎng)絡(luò)的準(zhǔn)確率平均提高了5%左右,且實(shí)時性良好,能滿足實(shí)際工業(yè)需求。 

【文章來源】：現(xiàn)代紡織技術(shù). 2020,28(05)

【文章頁數(shù)】：7 頁

【部分圖文】：

DANN網(wǎng)絡(luò)結(jié)構(gòu)

G f new (xt; θ f )= 1 ΜΜD(G f (x s ;θ f ),G f (x t ;θ f )) G f (x t ;θf) (4)使用ResNet50[27]作為特征提取網(wǎng)絡(luò)。相比于LeNet網(wǎng)絡(luò),ResNet50具有更深的網(wǎng)絡(luò)結(jié)構(gòu),對于較復(fù)雜的圖像能夠提取更多高層特征,同時,與傳統(tǒng)的深度卷積網(wǎng)絡(luò)不同的是其特有的Residual的結(jié)構(gòu),如圖3所示。該網(wǎng)絡(luò)在原有的深度卷積網(wǎng)絡(luò)基礎(chǔ)上增加了恒等映射(identitymapping),將原始所需要學(xué)的函數(shù)H(x)轉(zhuǎn)換成F(x)+x,盡管這兩種表達(dá)的效果相同,但是優(yōu)化的難度卻并不相同,F(x)的優(yōu)化會比H(x)簡單得多。這一想法也是源于圖像處理中的殘差向量編碼,通過一個reformulation,將一個問題分解成多個尺度直接的殘差問題,能夠很好的起到優(yōu)化訓(xùn)練的效果[28]。該結(jié)構(gòu)的加入可以有效地解決深度卷積神經(jīng)網(wǎng)絡(luò)越深,訓(xùn)練錯誤越多的問題。

Residual結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]應(yīng)用GAN和Faster R-CNN的色織物缺陷識別[J]. 李明,景軍鋒,李鵬飛.  西安工程大學(xué)學(xué)報. 2018(06)
[2]基于改進(jìn)SAE網(wǎng)絡(luò)的織物疵點(diǎn)檢測算法[J]. 景軍鋒,黨永強(qiáng),蘇澤斌,李鵬飛,張宏偉.  電子測量與儀器學(xué)報. 2017(08)
[3]基于GoogLeNet的色織物花型分類[J]. 張宏偉,張凌婕,李鵬飛,宋執(zhí)環(huán).  紡織科技進(jìn)展. 2017(07)
[4]基于小波域多尺度Markov隨機(jī)場的織物印花圖案分割[J]. 景軍鋒,李陽,李鵬飛,焦洋.  紡織學(xué)報. 2014(01)
[5]基于自適應(yīng)離散小波變換的混合特征畸變織物疵點(diǎn)識別[J]. 楊曉波.  紡織學(xué)報. 2013(01)

博士論文
[1]數(shù)學(xué)形態(tài)學(xué)及其應(yīng)用[D]. 任獲榮.西安電子科技大學(xué) 2004

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的色織物疵點(diǎn)檢測與分類算法研究[D]. 董阿梅.西安工程大學(xué) 2018
[2]基于圖像分析的色織物疵點(diǎn)檢測研究[D]. 朱丹丹.江南大學(xué) 2014



本文編號：3221130