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】
本专利技术涉及纺织生产分类检测领域,尤其涉及一种基于深度学习的细纱管分类检测方法。
技术介绍
1、细纱工序是纺纱生产的最后一道工序,它是将粗纱纺成具有一定特数、符合质量标准或一定要求的细纱,细纱管固定在高速运转的锭子上,通过细纱机的将粗纱纺成细纱收集在纱管上。细纱管通过自动络筒机退绕纱线后,通过传送带杂乱的进入纱管储备箱,纱管储备箱内的细纱管颜色各异并且留有残纱,需要对细纱管进行分拣,以便下次使用。目前,针对细纱管分拣的问题,主要采用的是人工检测的方法,然而人工检测效率低下、时间消耗久、人工成本高,不能满足实际纺织生产的需求。因此如何提高纺织生产线上细纱管的分类效率是极其重要的。
2、近年来,人工智能快速发展,在纺织领域已有少数把深度学习引用到纺织生产线检测中,一定程度上提高了生产效率,推动纺织生产智能化、自动化、数字化,但是识别精度和识别速度仍需提高。faster r-cnn作为一种两阶段目标检测算法,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细纱管分类检测方法。
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细纱管分类检测方法,首先构构建细纱管图像数据集,其次构建基于改进faster r-cnn的纱管分类检测模型并对模型进行训练,最后构建在线监测系统并对细纱管进行监测和判断。本专利技术有效地实现对细纱管较好的识别与定位,极大提高了细纱管检测精度和检测效率,能够满足纺织领域需求。
2、技术方案:本专利技术
3、步骤1、构建细纱管图像数据集;
4、步骤2、构建基于改进faster r-cnn的纱管分类检测模型并对模型进行训练;
5、步骤3、构建在线监测系统并对细纱管进行监测和判断;
6、进一步地,所述步骤一包含如下步骤:
7、1-1)、利用工业相机对纺织厂生产线上细纱管进行图像采集,分别采集不同颜色种类、纱管余纱量不同的细纱管图像。
8、1-2)、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、1-3)、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、1-4)、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、进一步地,所述步骤二包含如下步骤:
12、2-1)、选择改进faster r-cnn算法实现对细纱管分类,faster r-cnn为两阶段目标检测算法,主要分为基础特征提取网络、候选框提取网络(rpn)和fast r-cnn检测网络。
13、2-2)、选择densenet密集连接网络作为基础特征提取网络,特征提取具体流程包括:
14、a)、将细纱管图像输入到网络中。
15、b)、通过一组卷积核对细纱管图像进行卷积操作,提取低级特征。
16、c)、在dense block中,每个卷积层的输出作为自己后面所有层的输入,同时作为之前所有层的输入,形成了一种密集连接,从而使密集块的浅层特征能够进行重复利用,一定程度上缓解梯度消失问题,并且使得少量卷积核生成大量的特征。densenet网络结构中,第l层的输出表示为:
17、yl=hl(xl)=hl([y0,y1,...yl-2,yl-1])
18、hl(·)为一种非线性转化函数,由卷积、激活函数和批归一化三部分组成,[y0,y1,...yl-2,yl-1]为密集连接效果,连接将前l-1层输出连接到某一维度上。
19、d)、在过渡层中(transition layer),过渡层由一个1×1卷积层和一个2×2平均池化层组成,用来控制通道数和降低空间分辨率。本次采用4个dense block,再连接rpn及roi池化层。
20、2-3)、在rpn前使用k-means聚类算法来生成更准确的基准候选框,提高锚点的定位精度。具体流程包括:
21、a)、随机选择k个数据点作为初始聚类中心点,一般选择数据集的随机位置。
22、b)、对于每个数据点,计算其与当前中心点的距离,并将其分配到与中心点距离最近的簇中。
23、c)、对于每个簇,计算簇中所有样本的平均值作为新的中心点。
24、d)、重复步骤b与步骤c,直到中心点的变化稳定。
25、2-4)、根据rpn网络的输出,从候选框中选择一定数量的高质量候选框,称为感兴趣区域(roi,region ofinterest)。在感兴趣趋于进行roi池化操作,固定感兴趣区域的大小。将特征传至全连接层用于分类和边界框回归,同时计算分类损失与边界框损失。
26、2-5)、训练模型使用adam优化算法,初始学习率设置为0.001,权重衰减系数为0.0001,迭代周期为100,动量参数为0.9,使用交叉熵损失函数训练优化模型,通过反向传播和随机梯度下降算法更新网络参数,重复进行迭代周期的训练,直到损失收敛,生成目标检测模型。
27、进一步地,所述步骤三中包含如下步骤:
28、3-1)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。
29、3-2)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。
30、3-3)对检测结果进行判断,判断细纱管颜色,同时判断细纱管是否为空管、残纱管还是满纱管,如果为空管,指示为红色;如果为残纱管,指示为黄色;如果为满纱管,指示为绿色,同时生成文本信息。
31、3-4)通过tts模块将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。
32、本专利技术的有益效果是:
33、1)本专利技术提供的一种基于深度学习的细纱管分类检测方法,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细纱管不同颜色及纱管状态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。
34、2)本专利技术densenet网络作为基础特征提取网络,使得每一层都与其他层连接,可以更好地利用特征的重用性,从而提高细纱管检测的准确性和效率。
35、3)rpn前使用k-means聚类算法,可以生成更准确、更高质量的基准候选框,减少计算量,实现对细纱管目标较好的识别与定位。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的细纱管分类检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的细纱管分类检测方法,其特征在于:所述步骤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细纱管分类检测方法,其特征在于:所述步骤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细纱管分类检测方法,其特征在于,所述步骤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细纱管分类检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的细纱管分类检测方法,其特征在于:所述步骤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:陈勇,华亮,叶鸿飞,袁银龙,
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。