【技术实现步骤摘要】
基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法
本专利技术涉及纺织品图像识别
，特别是指一种基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法。
技术介绍
目前纺织成品的生产成本往往会受到原始坯布的影响，服装行业中大部分质量问题都与织物缺陷有关，这是纺织业面临的主要问题之一。织物缺陷，常称为织物疵点，指在布匹织造过程中，由各种不利因素导致的产品外观上的缺陷。从纤维原料到成品织物，一般需经过纺纱、织造、印染等多道工序，在各加工环节中均有可能产生缺陷。而人工检测织物缺陷成本过高，且容易产生漏检。因此纺织品生产企业需要采用自动缺陷识别系统来保证织物的质量。目前国内外现有的织物缺陷检测方法主要有直方图特性分析、局部对比度增强、傅里叶变换、小波变换、字典学习和方向梯度直方图等。然而，随着整个社会纺织工业的不断发展和消费者欣赏水平的提高，现有的织物大多具有复杂的纹理和图案，而这些传统视觉识别算法往往自适应性较差，难以提取出有利于分类器识别疵点的视觉特征。所以传统织物缺陷识别方法只适用于单色坯布或纹理较规则的织物，而对于纹理和印染较复杂织物的缺陷识别，目前最适合利用深...
【技术保护点】
1.一种基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，其步骤如下：S1、配置织物缺陷识别系统的运行环境；S2、设计可因式分解卷积结构，并利用可因式分解卷积结构构建轻量级卷积神经网络LZFNet‑Fast；S3、采集织物图像样本数据，并对织物图像样本数据进行标准化，标准化后的织物图像样本数据分为训练图像集和测试图像集；S4、利用异步梯度下降的训练策略将训练图像集输入轻量级卷积神经网络LZFNet‑Fast中进行训练，得到LZFNet‑Fast模型；S5、将测试图像集输入步骤S4中得到的LZFNet‑Fast模型进行测试，验证LZFNet‑Fast模型的性能。
【技术特征摘要】
1.一种基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，其步骤如下：S1、配置织物缺陷识别系统的运行环境；S2、设计可因式分解卷积结构，并利用可因式分解卷积结构构建轻量级卷积神经网络LZFNet-Fast；S3、采集织物图像样本数据，并对织物图像样本数据进行标准化，标准化后的织物图像样本数据分为训练图像集和测试图像集；S4、利用异步梯度下降的训练策略将训练图像集输入轻量级卷积神经网络LZFNet-Fast中进行训练，得到LZFNet-Fast模型；S5、将测试图像集输入步骤S4中得到的LZFNet-Fast模型进行测试，验证LZFNet-Fast模型的性能。2.根据权利要求1所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，所述步骤S1中的织物缺陷识别系统的运行环境包括硬件系统和软件系统，硬件系统的处理器包括两个CPU和两个GPU，CPU的型号均为英特尔Xeon(R)e5-2650-v4，GPU的型号均为英伟达QuadroM5000；软件系统包括操作系统和卷积库，其中，操作系统为Windows10，卷积库为卷积神经网络加速库CUDNN7.0。3.根据权利要求1所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，所述步骤S2中的轻量级卷积神经网络LZFNet-Fast的构建方法为：定义一个局部感受野为3×3的二维面卷积层和一个1×1×n的三维信息融合层，然后将二维面卷积层和三维信息融合层编译为一个可因式分解卷积结构，并利用可因式分解卷积结构搭建轻量级卷积神经网络LZFNet-Fast。4.根据权利要求1或3所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，所述轻量级卷积神经网络LZFNet-Fast包含一个标准卷积层、九个可因式分解卷积结构、十九个批量正则化层、一个全局平均池化层、一个全连接层和一个Softmax分类器；一个可因式分解卷积结构包括一个二维面卷积层和一个三维信息融合层，一个标准卷积层、九个二维面卷积层和九个三维信息融合层共十九个卷积层，卷积层和批量正则化层一一对应，最后一个批量正则化层与全局平均池化层相连接，全局平均池化层与全连接层相连接，全连接层与Softmax分类器相连接。5.根据权利要求4所述的基于轻量级卷积神经网络...
【专利技术属性】
技术研发人员：刘洲峰，李春雷，张驰，丁淑敏，朱永胜，董燕，
申请(专利权)人：中原工学院，
类型：发明
国别省市：河南,41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。