System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于纺织生产线工艺领域,具体涉及一种基于深度学习的络筒机槽筒纱线缠绕检测方法。
技术介绍
1、槽筒是槽筒式络筒机上的关键卷绕部件之一。在纱线卷绕过程中,槽筒起着至关重要的作用,槽筒上的螺旋沟槽曲线形状直接影响着筒子的成形效果,它决定了纱线的张力和卷绕密度。槽筒还反映了纱线络筒时的运动规律以及纱圈在筒子上的分布状况。但是槽筒通常具有一定的表面粗糙度,这会增加槽筒表面与纱线之间的摩擦力。当纱线通过槽筒时,摩擦力会使纱线与槽筒表面产生一定的粘合力,导致纱线缠绕在槽筒上。当纱线缠绕在槽筒上会导致纱线拉断或损坏,影响织物的质量,此外,缠绕的纱线可能会在织物中产生杂质或瑕疵,从而进一步降低了产品的质量。目前,针对纱线是否缠绕在槽筒的问题,主要采用的是人工检测的方法,然而人工检测准确率低、时间消耗久、人工成本高。因此如何提高纺织生产线上槽筒纱线缠绕问题的检测效益是极其重要的。
2、近年来,人工智能高速发展,在纺织领域已有少数把深度学习引用到纺织生产线检查中,一定程度上提高了生产效率,推动智能化、自动化、数字化,但是识别精度和识别速度仍需提高。yolo作为一种单阶段目标监测算法,在各个领域的检测被广泛应用,因此本次专利技术提供一种基于深度学习的络筒机槽筒纱线缠绕检测方法。
技术实现思路
1、专利技术目的:本专利技术的目的在于提供一种基于深度学习的络筒机槽筒纱线缠绕检测方法,首先构建纱线缠绕槽筒图像数据集,其次构建基于改进yolov8的纱线缠绕槽筒检测模型并对模型进行训练,最后
2、技术方案:一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:包括如下步骤:
3、步骤s1、构建纱线缠绕槽筒图像数据集;
4、步骤s2、构建基于改进yolov8的纱线缠绕槽筒检测模型并对模型进行训练;
5、步骤s3、构建在线监测系统并对纱线缠绕槽筒实时监测。
6、作为优化:所述的步骤s1具体包括如下步骤:
7、s11、利用工业相机对纺织厂生产线上络筒机槽筒进行图像采集,分别采集无纱线缠绕的槽筒、一根纱线缠绕的槽筒以及多纱线杂乱缠绕的槽筒图像;
8、s12、对采集的图像进行翻转、移位、旋转、亮度和增加噪声等操作,对图像数据进行扩充,解决类别不均衡问题,提高模型的泛化能力;
9、s13、使用labelimg标注软件对扩充完的图像数据进行类别标注,处理完成图片保存为jpg格式,分别率为640×640,标注文件格式存储为xml文本;
10、s14、根据8:1:1的比例将数据集划分为训练集、验证机和测试集,分别用于模型的训练和测试。
11、作为优化:所述的步骤s2具体包括如下步骤:
12、s21、主干网络部分加入可变形卷积,具体包括:
13、a)选择第二代可变形卷积dcnv2,在偏置矩阵中加入不同权重实现选择性偏移,从而减少噪声干扰,提高纱线检测效果;
14、b)可变形卷积在模型训练过程中增加偏移量来适应纱线目标,增加的偏移量通过传统卷积进行计算,实现端到端的反向传播,扩大感受野,使得网络提取感兴趣特征,提高了模型得鲁棒性。可变形卷积输出的特征为:
15、
16、其中x和y分别为输入特征图和输出特征图,k和k分别为采样点的总数和枚举采样点,p0为当前像素,wk和pk分别为第k个采样点的投影权重和预定义卷积网络采样的第k个位置,δpk指与第k个采样位置对应的偏移量;
17、c)可变形dcnv2通过使用1×1卷积操作来改变输入特征的通道数,并使用split操作来切分特征,可以增大网络的感受野,多次堆叠可变形卷积模块并使用更多的跳跃连接,能够有效地提取纱线特征;
18、s22、主干网络尾部颈部添加ca注意力机制,ca注意力机制可以捕获跨通道信息,还能捕获定向感知和位置感知;首先,将水平和垂直方向的信息汇集在一起,并将它们进行融合;接下来,对融合后的特征图进行分割和卷积操作,以便同时关注水平和垂直的方向;这样,模块的输出将分为两部分特征图,分别精确指向目标对象的行和列,提高对感兴趣目标的准确定位能力,从而提高了不同背景下的准确率;
19、s23、loss方面采用wiou损失函数,具体包括:
20、1)yolov8使用的是ciou损失函数,ciou损失函数公式为:
21、
22、
23、
24、其中w和h分别表示预测框的宽和高,wgt和hgt分别表示真实框的宽和高,b和bgt分别表示预测框和真实框的边界中心点,p表示b和bgt之间的欧式距离,wc和hc为预测框和真实框的最小外接矩形的宽和高,iou为交并比;
25、2)训练数据集中存在低质量样本,距离、纵横比等几何度量会加剧对低质量样本的惩罚从而使模型的泛化性能下降,因此使用具有动态非单调聚焦机制的wiou损失函数对样本进行平衡,wiou损失函数公式为:
26、lwiou=rwiouliou
27、
28、其中(x,y)在目标框的对应位置为(xgt,ygt),rwiou为高质量锚框损失。
29、作为优化:所述的步骤s3具体包括如下步骤:
30、s31、搭建在线监测系统的图形化界面,用于图像监测结果进行可视化展示,方便工作人员进行监控管理;
31、s32、加载已经训练好的纱线缠绕槽筒的目标检测模型,同时打开摄像头,获取一帧图像,用加载好的模型精测刚获取的图像,得到检测结果;
32、s33、对检测结果进行判断,如果未检测到纱线缠绕槽筒,则报警指示图标显示为绿色;如果监测到纱线缠绕槽筒,则报警指示图标显示为红色,并生成报警文本信息“纱线缠绕槽筒,请注意”;
33、s34、通过tts模块将报警文本信息转换为语音信息,对纺织生产线工作人员进行提醒。
34、本专利技术的有益效果是:
35、1)本专利技术提供的一种基于深度学习的络筒机槽筒纱线缠绕检测方法,该方法是一种数据处理手段,由计算机视觉软件实现。用机器视觉技术及图像处理方法对络筒机槽筒纱线缠绕现象进行检测处理显然能够克服人工检测的诸多弊端,极大提高检测精度和检测效率。
36、2)本专利技术在yolov8主干网络部分加入可变形卷积,在主干网络尾部颈部添加ca注意力机制,使用wiou损失函数代替了ciou损失函数,有效地提高了络筒机槽筒纱线缠绕的检测精度,减少噪声干扰,提高生产线不同背景下的检测准确率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:所述的步骤S1具体包括如下步骤:
3.根据权利要求1所述的一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:所述的步骤S2具体包括如下步骤:
4.根据权利要求1所述的一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于,所述的步骤S3具体包括如下步骤:
【技术特征摘要】
1.一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的络筒机槽筒纱线缠绕检测方法,其特征在于:所述的步骤s1具体包括如下步骤:
3.根据权利...
【专利技术属性】
技术研发人员:胡建华,华亮,袁银龙,叶鸿飞,
申请(专利权)人:南通崇天纺纱有限公司,
类型:发明
国别省市:
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。