CN109871906A - 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 - Google Patents
一种基于深度卷积神经网络的管纱外观缺陷的分类方法 Download PDFInfo
- Publication number
- CN109871906A CN109871906A CN201910197130.1A CN201910197130A CN109871906A CN 109871906 A CN109871906 A CN 109871906A CN 201910197130 A CN201910197130 A CN 201910197130A CN 109871906 A CN109871906 A CN 109871906A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- convolutional neural
- neural networks
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的管纱外观缺陷的分类方法,包括以下步骤:S1、图像切割;S2、人工分拣;S3、数据清洗;S4、数据再组织;S5、数据增广;S6、神经网络结构;S7、模型训练;S8、参数调节;S9、模型测试;S10、得到最优数据后再从步骤S3开始,直到验证集的损失值趋近于0且无法在下降,最终得到最优模型。本发明相比传统的机器视觉图像处理方法基于卷积神经网络的玻纤管纱外观检测方法将图片中提取的表层特征数据进行数学拟合,得到可靠的特征分类,最后使用简单的分类器就能达到令人满意的结果,从而提高了可靠性和检测速度,并且降低了劳动成本。
Description
技术领域
本发明涉及一种基于深度卷积神经网络的管纱外观缺陷的分类方法。
背景技术
玻纤管纱经过捻纱机后,形成一个个的管纱,管纱需要经过去皮,测量Tex、外观检测、称重、包装等环节,才能够出厂。目前外观检测都是由大量的人工来完成,其需要工人有很强经验和观察能力来区分特征,存在偶然性强,可靠性低,无法精确检测玻纤管纱外观缺陷的问题。目前基于深度学习的方法已经远远超过传统机器视觉检测识别算法,卷积神经网络是深度学习计算机视觉类别的较为成熟的方法之一,它是一种前馈神经网络,它的每个神经元可以相应一部分覆盖范围内的周围单元,尤其对于大型图像处理有无可比拟的优势。
卷积神经网络通过对图像进行分层次卷积和池化操作,逐次提取图像的高阶特征,在使用神经网络对特征进行特征表层分类,从而达到模式识别的功能。相比传统的机器视觉图像处理方法基于卷积神经网络的玻纤管纱外观检测方法是将图片中提取的表层特征数据进行数学拟合,得到可靠的特征分类,这样最后在使用一个简单的分类器就能达到令人满意的结果,从而提高可靠性。
发明内容
本发明的目的在于为了克服现有玻纤管纱外观缺陷检测分类方法的不足,提供了一种基于深度卷积神经网络的玻纤管纱外观检测与分类方法,以解决现有玻纤管纱外观缺陷检测需要工人有很强经验和观察能力来区分特征,存在偶然性强,可靠性低,无法精确检测玻纤管纱外观缺的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于深度卷积神经网络的管纱外观缺陷的分类方法,具体包括以下步骤:
S1、图像切割:对管纱缺陷图片进行切割,将图片中的疑似疵点的部分切出并作为待分类数据;
S2、人工分拣:将步骤S1中所述的待分类数据按照毛羽、毛夹、毛圈做人工粗分类;
S3、数据清洗:
a、采用预训练模型全链接层前的中间特征层获取输入图片的特征向量;
b、在将特征数据复制成两组,一组保持原有向量顺序,另一组做T转置;
c、将对两组数据中的原数据与T转置数据做向量点乘积计算出相似度;
d、重复步骤c将相似度大于80%的数据排除;
S4、数据再组织:以图像数据量最少类别为基准,将其它类别做数据均衡,将每个类别数据分为80%训练集和20%验证集;
S5、数据增广:对训练集数据增加随机镜像、随机亮度、随机噪声以降低其对属性的依赖;
S6、神经网络结构:
图像数据进入5个卷积块,之后在对其进行全局平均池化,最后做输出全连接;
S7、模型训练:
a、将输入数据统一为128×128的大小;
b、对输出数据和标签采用交叉熵损失函数作为损失计算方法;
c、在模型训练过程中同时对训练集和验证集计算损失;
S8、参数调节:
a、模型训练中采用的优化函数为梯度下降法(SGD);
b、模型训练过程中学习率随着训练深度不断的衰减以调控其收敛速度;
c、模型训练过程中衰减率随着训练深度不断的衰减以防过拟合;
S9、模型测试:将测试集数据集导入推理模型,计算出推理结果,对分类出错的数据做人工剔除;
S10、得到最优数据后再从步骤S3开始,直到验证集的损失值趋近于0且无法在下降,最终得到最优模型。
与现有技术相比,本发明所达到的有益效果是:本发明中卷积神经网络通过对图像进行分层次卷积和池化操作,逐次提取图像的高阶特征,再使用神经网络对特征进行特征表层分类,从而达到模式识别的功能,相比传统的机器视觉图像处理方法基于卷积神经网络的玻纤管纱外观检测方法将图片中提取的表层特征数据进行数学拟合,得到可靠的特征分类,最后使用简单的分类器就能达到令人满意的结果,从而提高了可靠性和检测速度,并且降低了劳动成本。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明步骤S2中毛羽的示意图;
图2为本发明步骤S2中毛圈的示意图;
图3为本发明步骤S2中毛夹的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于深度卷积神经网络的管纱外观缺陷的分类方法,具体包括以下步骤:
S1、图像切割:对管纱缺陷图片进行切割,将图片中的疑似疵点的部分切出并作为待分类数据;
S2、人工分拣:将步骤S1中所述的待分类数据按照毛羽、毛夹、毛圈做人工粗分类;
S3、数据清洗:
a、采用预训练模型全链接层前的中间特征层获取输入图片的特征向量;
b、在将特征数据复制成两组,一组保持原有向量顺序,另一组做T转置;
c、将对两组数据中的原数据与T转置数据做向量点乘积计算出相似度;
d、重复步骤c将相似度大于80%的数据排除;
S4、数据再组织:以图像数据量最少类别为基准,将其它类别做数据均衡,将每个类别数据分为80%训练集和20%验证集;
S5、数据增广:对训练集数据增加随机镜像、随机亮度、随机噪声以降低其对属性的依赖;
S6、神经网络结构:
图像数据进入5个卷积块,之后在对其进行全局平均池化,最后做输出全连接;
S7、模型训练:
a、将输入数据统一为128×128的大小;
b、对输出数据和标签采用交叉熵损失函数作为损失计算方法;
c、在模型训练过程中同时对训练集和验证集计算损失;
S8、参数调节:
a、模型训练中采用的优化函数为梯度下降法(SGD);
b、模型训练过程中学习率随着训练深度不断的衰减以调控其收敛速度;
c、模型训练过程中衰减率随着训练深度不断的衰减以防过拟合;
S9、模型测试:将测试集数据集导入推理模型,计算出推理结果,对分类出错的数据做人工剔除;
S10、得到最优数据后再从步骤S3开始,直到验证集的损失值趋近于0且无法在下降,最终得到最优模型。
本发明中卷积神经网络通过对图像进行分层次卷积和池化操作,逐次提取图像的高阶特征,再使用神经网络对特征进行特征表层分类,从而达到模式识别的功能,相比传统的机器视觉图像处理方法基于卷积神经网络的玻纤管纱外观检测方法将图片中提取的表层特征数据进行数学拟合,得到可靠的特征分类,最后使用简单的分类器就能达到令人满意的结果,从而提高了可靠性和检测速度,并且降低了劳动成本。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于深度卷积神经网络的管纱外观缺陷的分类方法,其特征在于,具体包括以下步骤:
S1、图像切割:对管纱缺陷图片进行切割,将图片中的疑似疵点的部分切出并作为待分类数据;
S2、人工分拣:将步骤S1中所述的待分类数据按照毛羽、毛夹、毛圈做人工粗分类;
S3、数据清洗:
a、采用预训练模型全链接层前的中间特征层获取输入图片的特征向量;
b、在将特征数据复制成两组,一组保持原有向量顺序,另一组做T转置;
c、将对两组数据中的原数据与T转置数据做向量点乘积计算出相似度;
d、重复步骤c将相似度大于80%的数据排除;
S4、数据再组织:以图像数据量最少类别为基准,将其它类别做数据均衡,将每个类别数据分为80%训练集和20%验证集;
S5、数据增广:对训练集数据增加随机镜像、随机亮度、随机噪声以降低其对属性的依赖;
S6、神经网络结构:
图像数据进入5个卷积块,之后在对其进行全局平均池化,最后做输出全连接;
S7、模型训练:
a、将输入数据统一为128×128的大小;
b、对输出数据和标签采用交叉熵损失函数作为损失计算方法;
c、在模型训练过程中同时对训练集和验证集计算损失;
S8、参数调节:
a、模型训练中采用的优化函数为梯度下降法(SGD);
b、模型训练过程中学习率随着训练深度不断的衰减以调控其收敛速度;
c、模型训练过程中衰减率随着训练深度不断的衰减以防过拟合;
S9、模型测试:将测试集数据集导入推理模型,计算出推理结果,对分类出错的数据做人工剔除;
S10、得到最优数据后再从步骤S3开始,直到验证集的损失值趋近于0且无法在下降,最终得到最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197130.1A CN109871906B (zh) | 2019-03-15 | 2019-03-15 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910197130.1A CN109871906B (zh) | 2019-03-15 | 2019-03-15 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871906A true CN109871906A (zh) | 2019-06-11 |
CN109871906B CN109871906B (zh) | 2023-03-28 |
Family
ID=66920603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910197130.1A Active CN109871906B (zh) | 2019-03-15 | 2019-03-15 | 一种基于深度卷积神经网络的管纱外观缺陷的分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871906B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349134A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于多标签卷积神经网络的管道病害图像分类方法 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015157526A1 (en) * | 2014-04-09 | 2015-10-15 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
-
2019
- 2019-03-15 CN CN201910197130.1A patent/CN109871906B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015157526A1 (en) * | 2014-04-09 | 2015-10-15 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
Non-Patent Citations (2)
Title |
---|
刘伦豪杰等: "基于迁移卷积神经网络的人脸表情识别", 《电脑知识与技术》 * |
陈英义等: "基于FTVGG16卷积神经网络的鱼类识别方法", 《农业机械学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349134A (zh) * | 2019-06-27 | 2019-10-18 | 广东技术师范大学天河学院 | 一种基于多标签卷积神经网络的管道病害图像分类方法 |
CN110349134B (zh) * | 2019-06-27 | 2022-12-09 | 广东技术师范大学天河学院 | 一种基于多标签卷积神经网络的管道病害图像分类方法 |
CN111105391A (zh) * | 2019-11-20 | 2020-05-05 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
CN111105391B (zh) * | 2019-11-20 | 2023-05-02 | 复旦大学 | 一种基于深度神经网络增广训练的表面缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871906B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345911A (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN107563431A (zh) | 一种结合cnn迁移学习和svdd的图像异常检测方法 | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
CN107729854A (zh) | 一种机器人的手势识别方法、系统及机器人 | |
CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
CN109102014A (zh) | 基于深度卷积神经网络的类别不平衡的图像分类方法 | |
CN106504233A (zh) | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 | |
CN108932527A (zh) | 使用交叉训练模型检测对抗样本的方法 | |
CN108171707A (zh) | 一种基于深度学习的Mura缺陷等级评判方法及装置 | |
CN104766097B (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
CN109472284A (zh) | 一种基于无偏嵌入零样本学习的电芯缺陷分类方法 | |
CN109035233A (zh) | 视觉注意力网络及工件表面缺陷检测方法 | |
CN107316066A (zh) | 基于多通路卷积神经网络的图像分类方法及系统 | |
CN107358223A (zh) | 一种基于yolo的人脸检测与人脸对齐方法 | |
CN106980858A (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
CN109614921A (zh) | 一种基于对抗生成网络的半监督学习的细胞分割方法 | |
CN108229580A (zh) | 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置 | |
CN114067368B (zh) | 基于深度卷积特征的电网危害鸟种分类识别方法 | |
CN110222559A (zh) | 基于卷积神经网络的烟雾图像检测方法及装置 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN108961675A (zh) | 基于卷积神经网络的跌倒检测方法 | |
CN108665005A (zh) | 一种利用dcgan提高基于cnn图像识别性能的方法 | |
CN109583357A (zh) | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |