CN111507962A - 一种基于深度视觉的棉花内杂物识别系统 - Google Patents

一种基于深度视觉的棉花内杂物识别系统 Download PDF

Info

Publication number
CN111507962A
CN111507962A CN202010304307.6A CN202010304307A CN111507962A CN 111507962 A CN111507962 A CN 111507962A CN 202010304307 A CN202010304307 A CN 202010304307A CN 111507962 A CN111507962 A CN 111507962A
Authority
CN
China
Prior art keywords
layer
convolution
size
cotton
full
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
Application number
CN202010304307.6A
Other languages
English (en)
Other versions
CN111507962B (zh
Inventor
丁发展
姜鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Xuelang Shuzhi Technology Co ltd
Original Assignee
Wuxi Xuelang Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Xuelang Shuzhi Technology Co ltd filed Critical Wuxi Xuelang Shuzhi Technology Co ltd
Priority to CN202010304307.6A priority Critical patent/CN111507962B/zh
Publication of CN111507962A publication Critical patent/CN111507962A/zh
Application granted granted Critical
Publication of CN111507962B publication Critical patent/CN111507962B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于深度视觉的棉花内杂物识别系统，涉及机器视觉技术领域，该方法使用视觉检测组件、利用深度学习和机器视觉技术以及多光谱成像技术，利用各类杂物在不同波段下的成像效果差异，输出多通道图像，强化识别效果，对异色杂物、塑料膜杂物和化纤杂物三类不同杂物的成像图像进行网格化分割，送入各自相应的卷积神经网络进行检测识别，最后对识别结果进行解析合并生成棉花杂物图谱，并触发杂物检测指示灯标识异物所在位置，为后续除杂提供引导信息，相比人工视检的方式，准确度和效率都更高。

Description

一种基于深度视觉的棉花内杂物识别系统
技术领域
本发明涉及机器视觉技术领域，尤其是一种基于深度视觉的棉花内杂物识别系统。
背景技术
棉花中的杂物，一般称作棉花异纤，是指混入原棉中的非棉纤维和本色棉纤维，如化学纤维、毛发、丝、麻、塑料膜、塑料绳、染色线(绳、布块)等。由于棉花异纤具有与棉纤维同样轻、细、小的特点，生产加工皮棉时很容易吸附在皮棉内，且纺纱时难以清除，往往被包卷或附着在纱条上，使条干不均匀，棉纱的棉结和杂质粒数增加，强力下降，断头率增加，降低生产效率；织布时，断头率增加，布面质量下降；染色时，因着色不同，印染效果不理想，影响布的外观。
棉花异纤问题是困扰着纺织企业的难题，为了减少棉花异纤对纱和布质量的影响，棉纺企业不得不组织专人在皮棉开松产线上将棉花异纤逐根挑拣，现有常见的做法是在棉纺企业的皮棉开松产线上，操作人员站立在棉垛两侧，与采棉机一同行走，当采棉机将棉垛表层的棉花吸走时，操作人员立即将新一层皮棉表面上暴露出来的杂物逐个挑拣。这种人工视检方式缺陷很大，一方面操作人员的劳动强度大、工作环境恶劣、工人健康及安全问题难以保障，另一方面，由于棉垛产线非常宽，位于产线中心位置的棉垛上，即使发现了杂物，操作人员也难以接近和剔除；同时，由于人工识别存在主观性强、人眼空间和时间分辨率有限、不确定性大、易产生歧义和效率底下等缺点，漏检的情况给时常发生，难以满足现代工业高速度、高精度的检测要求。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于深度视觉的棉花内杂物识别系统，本发明的技术方案如下：
一种基于深度视觉的棉花内杂物识别系统，该棉花内杂物识别系统包括跨设在棉花产线上方的设备支架以及安装在设备支架上的视觉检测组件，视觉检测组件包括散热底板和罩设安装在散热底板上的透明面罩，透明面罩内部安装有控制电路板、多光谱偏振相机和发光二极管阵列，发光二极管阵列包括交错布置的白光发光二极管阵列和紫外光发光二极管阵列，透明面罩内部或外部的侧壁还安装有若干个并列设置形成一排的杂物检测指示灯；多光谱偏振相机和发光二极管阵列均朝向棉花产线；控制电路板连接并控制多光谱偏振相机、发光二极管阵列和杂物检测指示灯；控制电路板执行如下方法：
在控制仅打开白光发光二极管阵列时通过多光谱偏振相机获取棉花产线的白光成像图片和白光偏振成像图片，在控制仅打开紫外光发光二极管阵列时通过多光谱偏振相机获取棉花产线的紫外成像图片；
对白光成像图片进行网格化分割后，将网格化分割后的白光成像图片切片后输入异色杂物识别神经网络后输出异色杂物位置；
对白光偏振成像图片进行网格化分割，将网格化分割后的白色偏振成像图片切片后输入塑料膜识别神经网络并输出塑料膜杂物位置；
对紫外成像图片进行网格化分割，将网格化分割后的紫外成像图片切片后输入化纤识别神经网络并输出化纤杂物位置；
将异色杂物位置、塑料膜杂物位置和化纤杂物位置合并形成棉花杂物图谱，棉花杂物图谱指示棉花产线中杂物所在区域；
根据棉花杂物图谱控制杂物所在区域对应的杂物检测指示灯显示不同颜色与其他杂物检测指示灯进行区分。
其进一步的技术方案为，异色杂物识别神经网络使用双线性插值法对输入的切片图片缩放为32*32，得到尺寸变换后的切片图片；尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、flatten层、第一全连接层、dropout层和第二全连接层；
其中，第一卷积层的卷积核的尺寸为7*7、通道数为32；第二卷积层的卷积核的尺寸为3*3、通道数为64；第三卷积层的卷积核的尺寸为1*1、通道数为128；第一卷积层、第二卷积层和第三卷积层均采用ReLU作为激活函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2；flatten层的输入尺寸为4*4*128、输出尺寸为2048；第一全连接层的输入尺寸为2048、输出尺寸为1024、采用ReLU作为激活函数；dropout层的舍弃概率为25％；第二全连接层的输入尺寸为1024、输出尺寸为2。
其进一步的技术方案为，塑料膜识别神经网络使用双线性插值法将输入的切片图片缩放为28*28，得到尺寸变换后的切片图片，尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、flatten层、第一全连接层、dropout层和第二全连接层；
其中，第一卷积层的卷积核的尺寸为5*5、通道数为32，第二卷积层的卷积核的尺寸为3*3、通道数为64，第一卷积层和第二卷积层均采用ReLU作为激活函数；第一最大池化层和第二最大池化层的池化核的尺寸均为2*2、步长均为2；flatten层的输入尺寸为7*7*64、输出尺寸为3136；第一全连接层的输入尺寸为3136、输出尺寸为1024、采用ReLU作为激活函数；dropout层的舍弃概率为25％；第二全连接层的输入尺寸为1024、输出尺寸为2。
其进一步的技术方案为，化纤识别神经网络使用双线性插值法将输入的切片图片缩放为64*64，得到尺寸变换后的切片图片，尺寸变换后的切片图片依次经过第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、平均池化层、二维全连接层和输出层；
其中，第一卷积网络包括一个卷积层，第二卷积网络包括三个卷积层，第三卷积网络包括三个卷积层，各个卷积层均采用ReLU作为激活函数，输出层采用softmax函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2。
其进一步的技术方案为，第一卷积网络包括第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为32；
第二卷积网络依次包括第二卷积层、第三卷积层和第四卷积层，第二卷积层的卷积核的尺寸为1*1、通道数为32，第三卷积层的卷积核的尺寸为3*3、通道数为32，第四卷积层的卷积核的尺寸为1*1、通道数为128；
第三卷积网络依次包括第五卷积层、第六卷积层和第七卷积层，第五卷积层的卷积核的尺寸为1*1、通道数为64，第六卷积层的卷积核的尺寸为3*3、通道数为64，第七卷积层的卷积核的尺寸为1*1、通道数为256。
本发明的有益技术效果是：
本申请公开了一种基于深度视觉的棉花内杂物识别系统，该系统使用视觉检测组件、利用深度学习和机器视觉技术以及多光谱成像技术，利用各类杂物在不同波段下的成像效果差异，输出多通道图像，强化识别效果，对不同的成像图像进行网格化分割，送入各类杂物相应的卷积神经网络进行检测识别，最后对识别结果进行解析合并生成棉花杂物图谱，并触发杂物检测指示灯标识异物所在位置，为后续除杂提供引导信息，相比人工视检的方式，准确度和效率都更高。
附图说明
图1是本申请中的视觉检测组件的结构图。
图2是本申请中的视觉检测组件的并行排列示意图。
图3是控制电路板进行杂物识别时执行的方法的流程图。
图4是本申请中的异色杂物识别神经网络的结构图。
图5是本申请中的塑料膜识别神经网络的结构图。
图6是本申请中的化纤识别神经网络的结构图。
图7是本申请中的棉花杂物图谱及杂物检测指示灯的显示示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于深度视觉的棉花内杂物识别系统，该棉花内杂物识别系统包括跨设在棉花产线上方的设备支架以及安装在设备支架上的视觉检测组件，请参考图1，视觉检测组件包括散热底板1和罩设安装在散热底板1上的透明面罩2，透明面罩2内部安装有控制电路板3、多光谱偏振相机4和发光二极管阵列，发光二极管阵列包括交错布置的白光发光二极管阵列5和紫外光发光二极管阵列6，透明面罩2内部或外部的侧壁还安装有若干个并列设置形成一排的杂物检测指示灯7。多光谱偏振相机4和发光二极管阵列均朝向棉花产线。控制电路板2连接并控制多光谱偏振相机4、发光二极管阵列和杂物检测指示灯7。
实际在应用中，可以将多个如图1所示的视觉检测组件并行排列在设备支架上以适应不同产线的幅宽需求，如图2所示。
控制电路板在对棉花产线进行杂物识别时执行的方法包括如下步骤，请参考图3所示的流程图：
1、控制电路板在控制仅打开白光发光二极管阵列时通过多光谱偏振相机获取棉花产线的白光成像图片和白光偏振成像图片。
2、控制电路板在控制仅打开紫外光发光二极管阵列时通过多光谱偏振相机获取棉花产线的紫外成像图片。该步骤与上述获取白光成像图片和白光偏振成像图片的步骤没有特定的先后次序。
3、对白光成像图片进行网格化分割后，将网格化分割后的白光成像图片切片后输入异色杂物识别神经网络。异色杂物识别神经网络的结构图请参考图4，异色杂物识别神经网络使用双线性插值法对输入的切片图片缩放为32*32，得到尺寸变换后的切片图片；尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、flatten层、第一全连接层、dropout层和第二全连接层。其中，第一卷积层的卷积核的尺寸为7*7、通道数为32；第二卷积层的卷积核的尺寸为3*3、通道数为64；第三卷积层的卷积核的尺寸为1*1、通道数为128；第一卷积层、第二卷积层和第三卷积层均采用ReLU作为激活函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2；flatten层的输入尺寸为4*4*128、输出尺寸为2048；第一全连接层的输入尺寸为2048、输出尺寸为1024、采用ReLU作为激活函数；dropout层的舍弃概率为25％；第二全连接层的输入尺寸为1024、输出尺寸为2。异色杂物识别神经网络对输入的切片图片处理后输出异色杂物位置，异色杂物包括毛发、塑料绳、染色线(绳、布块)等与棉花色差较大的杂物，这一类杂物由于与棉花色差较大，较好分辨，因此直接使用白光成像图片即能处理识别。
4、对白光偏振成像图片进行网格化分割，将网格化分割后的白色偏振成像图片切片后输入塑料膜识别神经网络。塑料膜识别神经网络的结构图请参考图5，塑料膜识别神经网络使用双线性插值法将输入的切片图片缩放为28*28，得到尺寸变换后的切片图片，尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、flatten层、第一全连接层、dropout层和第二全连接层。其中，第一卷积层的卷积核的尺寸为5*5、通道数为32，第二卷积层的卷积核的尺寸为3*3、通道数为64，第一卷积层和第二卷积层均采用ReLU作为激活函数；第一最大池化层和第二最大池化层的池化核的尺寸均为2*2、步长均为2；flatten层的输入尺寸为7*7*64、输出尺寸为3136；第一全连接层的输入尺寸为3136、输出尺寸为1024、采用ReLU作为激活函数；dropout层的舍弃概率为25％；第二全连接层的输入尺寸为1024、输出尺寸为2。塑料膜识别神经网络对输入的切片图片处理后输出塑料膜杂物位置，由于塑料膜呈半透明状态，而且颜色与棉花相近，混合于棉花中时在常规光照下难以与棉花区分，由于塑料膜在偏振光下呈彩色，而棉花则保持本色，因此使用偏振光可以较好地在图像中显现塑料膜杂物，因此使用白光偏振成像图片可以较好的识别。
5、对紫外成像图片进行网格化分割，将网格化分割后的紫外成像图片切片后输入化纤识别神经网络。化纤识别神经网络的结构图请参考图6，化纤识别神经网络使用双线性插值法将输入的切片图片缩放为64*64，得到尺寸变换后的切片图片，尺寸变换后的切片图片依次经过第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、平均池化层、二维全连接层和输出层。
其中，第一卷积网络包括一个卷积层为第一卷积层，第一卷积层的卷积核的尺寸为5*5、通道数为32。
第二卷积网络包括三个卷积层，依次为第二卷积层、第三卷积层和第四卷积层，第二卷积层的卷积核的尺寸为1*1、通道数为32，第三卷积层的卷积核的尺寸为3*3、通道数为32，第四卷积层的卷积核的尺寸为1*1、通道数为128。
第三卷积网络包括三个卷积层，依次为第五卷积层、第六卷积层和第七卷积层，第五卷积层的卷积核的尺寸为1*1、通道数为64，第六卷积层的卷积核的尺寸为3*3、通道数为64，第七卷积层的卷积核的尺寸为1*1、通道数为256。
化纤识别神经网络中的各个卷积层均采用ReLU作为激活函数，输出层采用softmax函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2。
化纤识别神经网络对输入的切片图片处理后输出化纤杂物位置。对于棉花中的化学纤维，由于化纤颜色与棉花几乎无异，混合于棉花中时，近距离也难以肉眼分辨，但化纤在紫外光下呈荧光色，而棉花则保持本色，因此使用紫外成像图片可以很好的提取化纤杂物的位置。
6、将异色杂物位置、塑料膜杂物位置和化纤杂物位置合并形成棉花杂物图谱，棉花杂物图谱在网格化结构中指示棉花产线中杂物所在区域，如图7的示意图，三种不同的阴影表示三种不同杂物所在的区域，如图7所示，不同杂物所在区域可能存在重叠。
7、根据棉花杂物图谱控制杂物所在区域对应的杂物检测指示灯显示不同颜色与其他杂物检测指示灯进行区分，如图7中所示，其中阴影部分的杂物检测指示灯表示红灯、其余无阴影的表示为绿灯。比如常规的，控制杂物所在区域对应的杂物检测指示灯显示红灯、其余位置显示绿灯，以此标示棉花产线中杂物的位置，为后续除杂提供准确的引导信息。
以上的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度视觉的棉花内杂物识别系统，其特征在于，所述棉花内杂物识别系统包括跨设在棉花产线上方的设备支架以及安装在所述设备支架上的视觉检测组件，所述视觉检测组件包括散热底板和罩设安装在所述散热底板上的透明面罩，所述透明面罩内部安装有控制电路板、多光谱偏振相机和发光二极管阵列，所述发光二极管阵列包括交错布置的白光发光二极管阵列和紫外光发光二极管阵列，所述透明面罩内部或外部的侧壁还安装有若干个并列设置形成一排的杂物检测指示灯；所述多光谱偏振相机和发光二极管阵列均朝向棉花产线；所述控制电路板连接并控制所述多光谱偏振相机、发光二极管阵列和杂物检测指示灯；所述控制电路板执行如下方法：
在控制仅打开所述白光发光二极管阵列时通过所述多光谱偏振相机获取所述棉花产线的白光成像图片和白光偏振成像图片，在控制仅打开所述紫外光发光二极管阵列时通过所述多光谱偏振相机获取所述棉花产线的紫外成像图片；
对所述白光成像图片进行网格化分割后，将网格化分割后的白光成像图片切片后输入异色杂物识别神经网络后输出异色杂物位置；
对所述白光偏振成像图片进行网格化分割，将网格化分割后的白色偏振成像图片切片后输入塑料膜识别神经网络并输出塑料膜杂物位置；
对所述紫外成像图片进行网格化分割，将网格化分割后的紫外成像图片切片后输入化纤识别神经网络并输出化纤杂物位置；
将所述异色杂物位置、塑料膜杂物位置和化纤杂物位置合并形成棉花杂物图谱，所述棉花杂物图谱指示所述棉花产线中杂物所在区域；
根据所述棉花杂物图谱控制杂物所在区域对应的杂物检测指示灯显示不同颜色与其他杂物检测指示灯进行区分。
2.根据权利要求1所述的棉花内杂物识别系统，其特征在于，
所述异色杂物识别神经网络使用双线性插值法对输入的切片图片缩放为32*32，得到尺寸变换后的切片图片；所述尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、flatten层、第一全连接层、dropout层和第二全连接层；
其中，所述第一卷积层的卷积核的尺寸为7*7、通道数为32；所述第二卷积层的卷积核的尺寸为3*3、通道数为64；所述第三卷积层的卷积核的尺寸为1*1、通道数为128；所述第一卷积层、第二卷积层和第三卷积层均采用ReLU作为激活函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2；所述flatten层的输入尺寸为4*4*128、输出尺寸为2048；所述第一全连接层的输入尺寸为2048、输出尺寸为1024、采用ReLU作为激活函数；所述dropout层的舍弃概率为25％；所述第二全连接层的输入尺寸为1024、输出尺寸为2。
3.根据权利要求1所述的棉花内杂物识别系统，其特征在于，
所述塑料膜识别神经网络使用双线性插值法将输入的切片图片缩放为28*28，得到尺寸变换后的切片图片，所述尺寸变换后的切片图片依次经过第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、flatten层、第一全连接层、dropout层和第二全连接层；
其中，所述第一卷积层的卷积核的尺寸为5*5、通道数为32，所述第二卷积层的卷积核的尺寸为3*3、通道数为64，所述第一卷积层和第二卷积层均采用ReLU作为激活函数；所述第一最大池化层和第二最大池化层的池化核的尺寸均为2*2、步长均为2；所述flatten层的输入尺寸为7*7*64、输出尺寸为3136；所述第一全连接层的输入尺寸为3136、输出尺寸为1024、采用ReLU作为激活函数；所述dropout层的舍弃概率为25％；所述第二全连接层的输入尺寸为1024、输出尺寸为2。
4.根据权利要求1所述的棉花内杂物识别系统，其特征在于，
所述化纤识别神经网络使用双线性插值法将输入的切片图片缩放为64*64，得到尺寸变换后的切片图片，所述尺寸变换后的切片图片依次经过第一卷积网络、第一最大池化层、第二卷积网络、第二最大池化层、第三卷积网络、平均池化层、二维全连接层和输出层；
其中，所述第一卷积网络包括一个卷积层，所述第二卷积网络包括三个卷积层，所述第三卷积网络包括三个卷积层，各个卷积层均采用ReLU作为激活函数，所述输出层采用softmax函数；各个最大池化层的池化核的尺寸均为2*2、步长均为2。
5.根据权利要求4所述的棉花内杂物识别系统，其特征在于，
所述第一卷积网络包括第一卷积层，所述第一卷积层的卷积核的尺寸为5*5、通道数为32；
所述第二卷积网络依次包括第二卷积层、第三卷积层和第四卷积层，所述第二卷积层的卷积核的尺寸为1*1、通道数为32，所述第三卷积层的卷积核的尺寸为3*3、通道数为32，所述第四卷积层的卷积核的尺寸为1*1、通道数为128；
所述第三卷积网络依次包括第五卷积层、第六卷积层和第七卷积层，所述第五卷积层的卷积核的尺寸为1*1、通道数为64，所述第六卷积层的卷积核的尺寸为3*3、通道数为64，所述第七卷积层的卷积核的尺寸为1*1、通道数为256。
CN202010304307.6A 2020-04-17 2020-04-17 一种基于深度视觉的棉花内杂物识别系统 Active CN111507962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010304307.6A CN111507962B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的棉花内杂物识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010304307.6A CN111507962B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的棉花内杂物识别系统

Publications (2)

Publication Number Publication Date
CN111507962A true CN111507962A (zh) 2020-08-07
CN111507962B CN111507962B (zh) 2023-08-29

Family

ID=71869351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010304307.6A Active CN111507962B (zh) 2020-04-17 2020-04-17 一种基于深度视觉的棉花内杂物识别系统

Country Status (1)

Country Link
CN (1) CN111507962B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112144150A (zh) * 2020-10-16 2020-12-29 北京经纬纺机新技术有限公司 一种应用深度学习图像处理的分布式异性纤维分检系统
CN112651928A (zh) * 2020-12-08 2021-04-13 东华大学 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
CN113652778A (zh) * 2020-12-30 2021-11-16 苏州多道自动化科技有限公司 转杯纺纱机的ai排杂分梳方法及系统
CN114419558A (zh) * 2022-03-31 2022-04-29 华南理工大学 火灾视频图像识别方法、系统、计算机设备及存储介质
CN114882291A (zh) * 2022-05-31 2022-08-09 南京林业大学 基于高光谱图像像素块机器学习的籽棉地膜识别分类方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060006335A1 (en) * 2004-06-21 2006-01-12 Lawrence Gary W Method for detecting and managing nematode population
CN101587079A (zh) * 2009-05-08 2009-11-25 清华大学 纺织原料中异性杂质的多光谱色偏振检测方法及其装置
CN101806751A (zh) * 2010-03-02 2010-08-18 清华大学 一种皮棉杂质的双光源透反射成像检测装置
CN102253007A (zh) * 2011-05-06 2011-11-23 中国农业大学 一种棉花质量检测方法
CN205262947U (zh) * 2015-12-25 2016-05-25 陕西长岭软件开发有限公司 一种用于异纤清除机的偏振检测系统
CN208013080U (zh) * 2018-03-13 2018-10-26 北京经纬纺机新技术有限公司 一种基于偏振态检测技术检测塑料类异性纤维装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060006335A1 (en) * 2004-06-21 2006-01-12 Lawrence Gary W Method for detecting and managing nematode population
CN101587079A (zh) * 2009-05-08 2009-11-25 清华大学 纺织原料中异性杂质的多光谱色偏振检测方法及其装置
CN101806751A (zh) * 2010-03-02 2010-08-18 清华大学 一种皮棉杂质的双光源透反射成像检测装置
CN102253007A (zh) * 2011-05-06 2011-11-23 中国农业大学 一种棉花质量检测方法
CN205262947U (zh) * 2015-12-25 2016-05-25 陕西长岭软件开发有限公司 一种用于异纤清除机的偏振检测系统
CN208013080U (zh) * 2018-03-13 2018-10-26 北京经纬纺机新技术有限公司 一种基于偏振态检测技术检测塑料类异性纤维装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张晨;孙世磊;石文轩;曾霖;邓德祥;: "基于嵌入式系统的异纤清除机设计与试验" *
杜玉红 等: "应用聚类神经网络的异纤检测多类光源优化设计" *
郭俊先;应义斌;: "皮棉中杂质检测技术与检出装备的研究进展" *
高雅文;王忆如;段峥;宋金丰;张冬;张云;倪超;: "基于多信息融合的籽棉异纤识别分拣系统设计与实现" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112144150A (zh) * 2020-10-16 2020-12-29 北京经纬纺机新技术有限公司 一种应用深度学习图像处理的分布式异性纤维分检系统
CN112651928A (zh) * 2020-12-08 2021-04-13 东华大学 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
CN112651928B (zh) * 2020-12-08 2022-08-23 东华大学 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
CN113652778A (zh) * 2020-12-30 2021-11-16 苏州多道自动化科技有限公司 转杯纺纱机的ai排杂分梳方法及系统
CN114419558A (zh) * 2022-03-31 2022-04-29 华南理工大学 火灾视频图像识别方法、系统、计算机设备及存储介质
CN114419558B (zh) * 2022-03-31 2022-07-05 华南理工大学 火灾视频图像识别方法、系统、计算机设备及存储介质
WO2023184350A1 (zh) * 2022-03-31 2023-10-05 华南理工大学 火灾视频图像识别方法、系统、计算机设备及存储介质
CN114882291A (zh) * 2022-05-31 2022-08-09 南京林业大学 基于高光谱图像像素块机器学习的籽棉地膜识别分类方法

Also Published As

Publication number Publication date
CN111507962B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111507962A (zh) 一种基于深度视觉的棉花内杂物识别系统
CN113962962B (zh) 一种玻纤的短切纱罗拉绕丝检测方法
CN114693676B (zh) 一种新材料纺织品漂白缺陷光学检测方法及装置
CN102601063B (zh) 一种竹片自动识别分级方法
Anagnostopoulos et al. A computer vision approach for textile quality control
CN115294116B (zh) 基于人工智能的纺织材料染色质量评估方法、装置及系统
CN102253007A (zh) 一种棉花质量检测方法
CN204422432U (zh) 棉花疵点检测系统
CN113592852A (zh) 一种碳纤维碳丝质量在线检测系统和方法
CN104637425A (zh) 流水线式led显示单元均匀性检测方法、系统及装置
CN202351182U (zh) 一种马口铁表面缺陷在线高速检测系统
CN104685347B (zh) 丝线的检查方法、丝线的检查装置、丝线的制造方法、丝线卷装以及丝线模块
TW201632687A (zh) 用於識別在編織繩線中的缺陷之檢查系統
CN105744261A (zh) 机顶盒前面板的测试系统及测试方法
CN114441452A (zh) 一种光纤尾纤检测方法
CN112326683B (zh) 一种利用光谱差分平场矫正检测镜头洁净度的方法
CN102549412A (zh) 用于缆线线轴的自动检视的方法和设备
CN209387542U (zh) 一种消除物料阴影的检测装置
CN115078271B (zh) 一种化纤面料上色质量检测及评估方法
CN205940772U (zh) 一种原棉异性纤维剔除用双通道短波红外成像系统
CN106841235B (zh) 基于机器视觉织物织造花形图案的图像提取装置及图像成像方法
CN205665178U (zh) 基于机器视觉的光纤外观缺陷检测及外径测量装置
CN111830036B (zh) 一种织物密度分析方法及系统
CN103927544A (zh) 皮棉轧工质量的机器视觉分级方法
CN209945263U (zh) 一种偏光片膜厚度均匀性检测装置

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