CN112651928A - 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统 - Google Patents

基于动态卷积神经网络的涤纶长丝均匀性在线检测系统 Download PDF

Info

Publication number
CN112651928A
CN112651928A CN202011423865.0A CN202011423865A CN112651928A CN 112651928 A CN112651928 A CN 112651928A CN 202011423865 A CN202011423865 A CN 202011423865A CN 112651928 A CN112651928 A CN 112651928A
Authority
CN
China
Prior art keywords
layer
neural network
convolution
data
dynamic
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
CN202011423865.0A
Other languages
English (en)
Other versions
CN112651928B (zh
Inventor
王华平
谢锐敏
陈向玲
郝矿荣
吉鹏
唐雪嵩
王朝生
王彤
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.)
Donghua University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN202011423865.0A priority Critical patent/CN112651928B/zh
Publication of CN112651928A publication Critical patent/CN112651928A/zh
Application granted granted Critical
Publication of CN112651928B publication Critical patent/CN112651928B/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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Spinning Methods And Devices For Manufacturing Artificial Fibers (AREA)

Abstract

本发明涉及一种基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，包括如下步骤：S1数据采集：采集涤纶长丝纺丝时的电信号数据和视频数据；S2数据转换：将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图；S3模型构建：以频域图、时域图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；S4在线检测：将实时采集的待测样本的视频数据输入基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果。本发明的方法利用动态卷积神经网络来提取不匀曲线图、波谱图及视频帧图中的条干不匀特征使得模型判断条干均匀性的精确率更高且实现在线检测。

Description

基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
技术领域
本发明属于纤维智能制造技术领域，具体涉及一种涤纶长丝均匀性在线检测系统及方法，尤其是涉及一种基于动态卷积神经网络的涤纶长丝均匀性在线检测系统。
背景技术
在涤纶长丝生产过程中，条干的均匀性会直接影响纤维的品质，继而对纤维的后加工如拉伸、加捻、染整等产生深远的影响，因此，对条干均匀性的检测和控制极为重要。传统的纺丝车间无法直接在线检测条干不匀情况，只有当出现严重的飘丝、断头等现象，才能对其进行干预和控制。亦或是通过纤维成品进行物理性离线检测，再根据检测的结果对其进行优劣等级的划分，但是这种传统做法无法起到实时的优化生产的作用。
近年来作为人工智能领域重要分支的深度学习，在工业界也得到了大量的应用。深度学习算法是一种模拟人类大脑思维方式和视觉信息处理的学习算法，因其能够学习到大量数据的本质特征而在各个领域都获得了突破性的进展。由于现代工业的飞速发展，海量的工业大数据也为实现工业的智能化提供了可能。
因此，基于涤纶长丝生产的大量生产数据，利用深度学习和图像处理技术，设计了一种基于动态卷积神经网络(DynamicConvolutional Neural Network,DCNN)算法的涤纶长丝均匀性在线检测系统及方法，能够有效保证均匀性的在线检测精度，并及时分析原因，做出调整措施，从而克服传统的人工检测的滞后性等问题。
目前，尚未有专门针对涤纶长丝均匀性在线检测的方法，只有部分采用纯物理性方法如利用不同光源作为发射器来设计光学元件用于纤维均匀性的离线检测。虽然当前工业控制系统逐步完善，机器人能够替代生产工人完成繁重、复杂的重复性工作，但是对于高速涤纶长丝均匀性的在线检测却始终无法真正突破。
如专利CN103154663A中提出一种连续检测线状物体特别是纺织纤维的粗细和均匀性的方法，该方法将光源作为发射器的一部分，并且使用光学扫描器来扫描由作为接收器的一部分的源所发射的光，作为发射器的一部分的点或面光源和准直元件的组合以及光学扫描器和作为发射器的一部分的具有针孔的准直元件的组合允许增加的测量面积和线状物体粗细的精确测量。该方法属于纯物理性方法，且无法实现在线的检测，未能从根本上解决问题。
发明内容
为解决现有技术中存在的问题，本发明提供基于动态卷积神经网络的涤纶长丝均匀性在线检测方法；
为达到上述目的，本发明采用的方案如下：
基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，包括如下步骤：
S1数据采集：利用电容式Uster条干仪及高速摄像头，采集纺丝车间中涤纶长丝纺丝时的电信号数据和视频数据；即利用电容式Uster条干仪采集电信号数据，利用高速摄像头采集视频数据。
S2数据转换：利用计算机设备，将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图；
S3模型构建：以频域图、时域图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；
S4在线检测：利用基于动态卷积神经网络算法的条干均匀性检测模型进行在线检测，将实时采集到的待测样本的视频数据输入到基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S4在线检测后，还进行以下步骤：
S5给出分析：将检测结果输入至条干不匀原因分析的专家系统中，根据导致条干不匀的因素，输出对应的实时采集到的待测样本的视频数据中形成条干不匀的原因；
导致条干不匀的因素主要分为：原料因素、工艺因素和设备因素；
原料因素主要包括分子量大小及其分布、外界杂质、内部杂质；
工艺因素主要包括熔体温度及其波动、吹风速率不当、计量泵转速不当；
设备因素主要包括结构因素和运转因素两方面，其中，结构因素主要包括纺丝机有无纺前预过滤器和熔体混合器、环吹风或侧吹风、计量泵齿轮有无缺陷、计量泵变频电源的精度、卷绕机有无导丝盘、导丝盘和卷绕装置的偏心度及轴承问题、卷绕锭子变频电源的精度；运转因素主要包括纺丝挤压机的不正常运转、计量泵的不正常运转、卷装筒子卷紧时的不匀和横动导丝系统使筒子成形不良等。
S6做出反馈：根据不同原因产生的条干不匀，给出相应的补救措施。
Step6做出反馈中，针对上述分析得出的导致涤纶长丝不匀的具体原因，收集相应的解决措施，组成经验库，当模型给出导致不匀的原因时，系统可以做出相应的补救措施。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S1数据采集中，采集涤纶长丝纺丝时的电信号数据是指：利用监测仪上的一对可变速牵引罗拉，将涤纶长丝以3000m/min的纺丝速度通过Uster条干仪上的平行电容极板，当连续通过电容极板间的纤维的线密度变化时，电容器的电容量会相应的变化，将电容量的变化转化成电量变化即可得到反映条干线密度不匀的电信号数据；
采集涤纶长丝纺丝时的视频数据是指：在AGV(Automated Guided Vehicle)巡检小车上安装高速摄像头，AGV小车在每个纺丝位上停留30s，利用AGV小车上的高速摄像头采集从喷丝板到纤维集束上油前的丝条实时视频数据。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S2数据转换中，将电信号数据转换成频域图是指：S2数据转换中，将电信号数据转换成频域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后利用电容式Uster条干仪上的频谱仪将放大后的电讯号进一步放大，并，并输入到N个频道中，分离出N种波谱分量，以及采用电容式Uster条干仪上的积分器将N种波谱分量在整个周期内累计；最后通过扫描，将这些累计得到的电压值记录在专用的记录纸上，绘成一张完整的波谱图；其中，波谱图的横坐标(对数刻度)为周期性不匀的波长，纵坐标(线性刻度)为对应周期性不匀波长的相对平均幅度值；所述周期是从长丝测试起始端开始，到测试结束为止；波谱图是长丝线密度变化的频率域表示法之一；
将电信号数据转换成时域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后将放大后的电讯号送到记录器，画出丝条细度不匀曲线图；其中，不匀曲线图的横坐标为从长丝测试起始端开始计算的长度，纵坐标为长丝在对应长度处线密度变异的相对振幅(现有技术)；不匀曲线图是长丝线密度变化的时域图表示法之一；
将视频数据进行切割是指：利用计算机将涤纶长丝纺丝时的视频数据以帧为单位进行切割得到视频帧图；
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S3模型构建的具体步骤为：
S3-1模型框架构建：构建由输入层(I)、三条支流(即中间层)和输出层(O)构成动态卷积神经网络；
第一条支流为学习波谱图深层特征的支流，依次由卷积层1(C1)、下采样层1(S1)、卷积层2(C2)、下采样层2(S2)、全连接层1(F1)、门控循环单元层1(GRU1)、门控循环单元层2(GRU2)、全连接层2(F2)构成；
第二条支流为学习不匀曲线图深层特征的支流，依次由卷积层1(C1)、下采样层1(S1)、卷积层2(C2)、下采样层2(S2)、全连接层1(F1)、门控循环单元层1(GRU1)、门控循环单元层2(GRU2)、全连接层2(F2)构成；
第三条支流为学习视频帧图深层特征的支流，依次由卷积层1(C1)、下采样层1(S1)、卷积层2(C2)、下采样层2(S2)、卷积层3(C3)、下采样层3(S3)、全连接层1(F1)、门控循环单元层1(GRU1)、门控循环单元层2(GRU2)、全连接层2(F2)构成；
S3-2模型离线训练：
先进行数据预处理：将波谱图、不匀曲线图、视频帧图的尺寸调整为深度卷积网络训练时所设计的大小，对调整后的图像进行旋转和平移操作，使深度卷积网络尽可能学习更多的图像特征，得到样本集；
再对样本集划分，得到训练集、验证集和测试集；训练集是模型拟合的数据样本，验证集是模型训练过程中单独留出来的样本集，用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用于评估最终模型的泛化能力；
然后，将训练集中的样本输入到模型中，并采用模型自身的误差反向传播的训练方式进行训练，当误差精度小于0.01时，得到基于动态卷积神经网络算法的条干均匀性检测模型。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，训练集、验证集和测试集分别占样本集的80％、10％和10％。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S3-1模型框架构建中，卷积层的输入为图像数据(既包括训练集中的输入图像数据，也包括下采样层1的输出)；卷积层中的卷积核与输入之间全部连接，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，输出一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播。卷积层中的每个神经元的权值矩阵被称为卷积核，卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，卷积层中，卷积层的输入为上一层的特征图，在卷积层中，该特征图被某个可学习的卷积核(卷积核可随机选择)进行卷积操作得到，再通过一个激活函数进行激活，最终输出新的特征图，每个输出特征图组合卷积多个特征图的值：
Figure BDA0002823823500000041
Figure BDA0002823823500000042
其中，
Figure BDA0002823823500000043
是卷积层l的第j个通道的输出；函数f(·)表征激活函数；
Figure BDA0002823823500000044
是卷积层l的第j个通道的净激活(即卷积操作，净激活是指在运算完“卷积求和加偏置”之后，在激活函数f操作之前的中间值，其通过对前一层输出特征图
Figure BDA0002823823500000045
卷积求和偏置后得到)，
Figure BDA0002823823500000046
是前一层的输出特征图；Mj表示用于计算
Figure BDA0002823823500000047
的输入特征图子集，
Figure BDA0002823823500000048
表示卷积核矩阵，
Figure BDA0002823823500000049
为偏置项函数，*为卷积符号，l为卷积层的序号，i为卷积层通道的序号，j也为卷积层通道的序号；
下采样层的输入为卷积层的特征图，并将在不同位置的特征进行融合，对特征信息进行降维和归一化处理后输出；所述归一化处理是指将下采样层的输出进行线性变换把数据映射到闭区间[0,1]之间；
门控循环单元层采用具有自循环链接的门控型循环神经网络，提取特征中的时序性关系，使得所学特征更具有时序性；
全连接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；输出层为2个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，门控循环单元层是通过门控机制选择性的记忆有效的历史信息，并遗忘无效的历史信息，将有效的信息传递到下一时刻，从而更高效地学习数据时序上的内在关系；门控循环单元(GRU)主要包括两个门计算和一个候选状态变量更新方程，如下：
更新门zt：zt＝σ(xtUz+ht-1Wz+bz)；
重置门rt：rt＝σ(xtUr+ht-1Wr+br)；
更新方程
Figure BDA0002823823500000051
Figure BDA0002823823500000052
则门控循环单元的输出为当前的状态变量ht：
Figure BDA0002823823500000053
其中，xt为当前时刻的输入，ht-1为上一时刻的隐层状态输出，Uz，Wz，Ur，Wr，Uh，Wh均为网络的权重矩阵，bz、br和bh均为网络的偏置向量，σ为sigmoid函数，值域为(0,1)；即，通过sigmoid函数映射后的更新门和重置门，若接近于0，则表示“门”关闭，通过的信息量为0，若接近于1，则表示“门”打开，通过的信息量为全部，°表示逐元素相乘。
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，S4在线检测中，实时采集到的待测样本的视频数据是指高速摄像头采集到的实时视频的视频帧；检测结果为“均匀”或“不均匀”。在线检测时，模型的权重已经固定，可将整个模型看成一个固定的函数，当新的图像数据输入时，通过模型的计算，可以得到模型的输出。
有益效果
本发明的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，通过利用深度学习的动态卷积神经网络来提取不匀曲线图、波谱图以及视频帧图中的条干不匀特征，可以使得模型判断条干均匀性的精确率更高，且该模型能实现在线检测，并及时给予不匀原因和解决方案，有利于整个生产过程的优化和控制。
附图说明
图1为本发明的动态卷积神经网络算法的涤纶长丝均匀性在线检测方法的流程示意图；
图2为DCNN模型框架图；
图3为DCNN模型内部网络示意图；
图4为波谱图；
图5为不匀曲线图；
图6为喷丝板挤出到纤维集束上油前丝条的视频帧图；
图7为网络误差函数训练的结果图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，如图1所示，包括如下步骤：
S1数据采集：利用电容式Uster条干仪及高速摄像头，采集纺丝车间中涤纶长丝纺丝时的电信号数据和视频数据，如下：
用监测仪上的一对可变速牵引罗拉，将涤纶长丝以3000m/min的纺丝速度通过Uster条干仪上的平行电容极板，当连续通过电容极板间的纤维的线密度变化时，电容器的电容量会相应的变化，将电容量的变化转化成电量变化即可得到反映条干线密度不匀的电信号数据；
采集涤纶长丝纺丝时的视频数据是指：在AGV(Automated Guided Vehicle)巡检小车上安装高速摄像头，AGV小车在每个纺丝位上停留30s，利用AGV小车上的高速摄像头采集从喷丝板到纤维集束上油前的丝条实时视频数据，并保存到计算机设备上。
S2数据转换：利用计算机设备，将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图，如下：
将电信号数据转换成频域图是指：S2数据转换中，将电信号数据转换成频域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后利用电容式Uster条干仪上的频谱仪将放大后的电讯号进一步放大，并，并输入到N个频道中，分离出N种波谱分量，以及采用电容式Uster条干仪上的积分器将N种波谱分量在整个周期内累计；最后通过扫描，将这些累计得到的电压值记录在专用的记录纸上，绘成一张完整的波谱图；其中，波谱图的横坐标(对数刻度)为周期性不匀的波长，纵坐标(线性刻度)为对应周期性不匀波长的相对平均幅度值；所述周期是从长丝测试起始端开始，到测试结束为止；波谱图是长丝线密度变化的频率域表示法之一；
将电信号数据转换成时域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后将放大后的电讯号送到记录器，画出丝条细度不匀曲线图；其中，不匀曲线图的横坐标为从长丝测试起始端开始计算的长度，纵坐标为长丝在对应长度处线密度变异的相对振幅(现有技术)；不匀曲线图是长丝线密度变化的时域图表示法之一；
将视频数据进行切割是指：利用计算机将涤纶长丝纺丝时的视频数据以帧为单位进行切割得到视频帧图；
S3模型构建：以波谱图、不匀曲线图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；具体如下：
S3-1模型框架构建：如图2～3所示，构建由输入层、三条支流和输出层构成动态卷积神经网络；
第一条支流为学习波谱图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
第二条支流为学习不匀曲线图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
第三条支流为学习视频帧图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、卷积层3、下采样层3、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
卷积层的输入为图像数据(既包括训练集中的输入图像数据，也包括下采样层1的输出)；卷积层中的卷积核与输入之间全部连接，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，输出一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播。卷积层中的每个神经元的权值矩阵被称为卷积核，卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达。
且卷积层的输入为上一层的特征图，在卷积层中，该特征图被某个可学习的卷积核进行卷积操作得到，再通过一个激活函数进行激活，最终输出新的特征图，每个输出特征图组合卷积多个特征图的值：
Figure BDA0002823823500000071
Figure BDA0002823823500000072
其中，
Figure BDA0002823823500000073
是卷积层l的第j个通道的输出；函数f(·)表征激活函数；
Figure BDA0002823823500000074
是卷积层l的第j个通道的净激活(即卷积操作，净激活是指在运算完“卷积求和加偏置”之后，在激活函数f操作之前的中间值，其通过对前一层输出特征图
Figure BDA0002823823500000075
卷积求和偏置后得到)，
Figure BDA0002823823500000076
是前一层的输出特征图；Mj表示用于计算
Figure BDA0002823823500000077
的输入特征图子集，
Figure BDA0002823823500000078
表示卷积核矩阵，
Figure BDA0002823823500000079
为偏置项函数，*为卷积符号，l为卷积层的序号，i为卷积层通道的序号，j也为卷积层通道的序号；
下采样层的输入为卷积层的特征图，并将在不同位置的特征进行融合，对特征信息进行降维和归一化处理后输出；所述归一化处理是指将下采样层的输出进行线性变换把数据映射到闭区间[0,1]之间；
门控循环单元层采用具有自循环链接的门控型循环神经网络，提取特征中的时序性关系，使得所学特征更具有时序性；门控循环单元层是通过门控机制选择性的记忆有效的历史信息，并遗忘无效的历史信息，将有效的信息传递到下一时刻，从而更高效地学习数据时序上的内在关系；门控循环单元(GRU)主要包括两个门计算和一个候选状态变量更新方程，如下：
更新门zt：zt＝σ(xtUz+ht-1Wz+bz)；
重置门rt：rt＝σ(xtUr+ht-1Wr+br)；
更新方程
Figure BDA0002823823500000081
Figure BDA0002823823500000082
则门控循环单元的输出为当前的状态变量ht：
Figure BDA0002823823500000083
其中，xt为当前时刻的输入，ht-1为上一时刻的隐层状态输出，Uz，Wz，Ur，Wr，Uh，Wh均为网络的权重矩阵，bz、br和bh均为网络的偏置向量，σ为sigmoid函数，值域为(0,1)；即，通过sigmoid函数映射后的更新门和重置门，若接近于0，则表示“门”关闭，通过的信息量为0，若接近于1，则表示“门”打开，通过的信息量为全部，°表示逐元素相乘。
全连接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；
输出层为2个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。
S3-2模型离线训练：
先进行数据预处理：将波谱图、不匀曲线图、视频帧图的尺寸调整为深度卷积网络训练时所设计的大小，对调整后的图像进行旋转和平移操作，使深度卷积网络尽可能学习更多的图像特征，得到样本集；
再对样本集划分，得到训练集、验证集和测试集，且训练集、验证集和测试集分别占样本集的80％、10％和10％；训练集是模型拟合的数据样本，验证集是模型训练过程中单独留出来的样本集，用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用于评估最终模型的泛化能力；
然后，将训练集中的样本(波谱图(如图4所示)、不匀曲线图(如图5所示)和视频帧图(如图6所示))输入到模型中，并采用模型自身的误差反向传播的训练方式进行训练，当误差精度小于0.01(即阈值)时，得到基于动态卷积神经网络算法的条干均匀性检测模型，具体描述为：
将训练集作为网络的输入(直接以图像作为原始输入数据，如对于输入是图像来说，则输入数据是图像的像素值)；数据经过卷积层后，会得到由不同卷积核产生的特征图，然后经过下采样处理，降低特征维数并能够保证最后特征表达的某些不变性(平移、旋转、伸缩等)；图像数据在网络中经过多次卷积和下采样操作后，得到低维特征图，采用全连接操作，其核心即矩阵向量乘积，本质是由一个特征空间线性变换到另一个特征空间；将经过卷积操作后的特征被喂入到门控循环层，门控循环层利用门控机制，有效地学习和提取时间维度上的特征；动态卷积网络输出层是一个分类器，在输出层用softmax函数得到类别上的概率分布。
S4在线检测：利用基于动态卷积神经网络算法的条干均匀性检测模型进行在线检测，将高速摄像头采集到的实时视频中的视频帧输入到基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果“均匀”或“不均匀”。
结合具体算例验证本发明的方法的有效性：
采集含有三类图像的数据集，每类数据量为500张，图像像素大小为227×227×3；并随机选择其中80％的数据为训练集；
以训练集为输入，输入至动态卷积网络模型采用上述方法构建的模型中，其中，卷积核的大小(kernel size)分别为112、32；112、32、112、52、32像素，输出的特征图数目分别为96、256；96、256；96、384、256个，卷积的步长(Stride)分别为3、1；3、1；3、1、1像素；下采样层采用最大化下采样方式，下采样的尺寸均为22像素，下采样步长均为2像素；门控循环层的神经元个数与上一层全连接层的神经元个数一致；模型中2个全连接层均为包含4096个神经元的隐含层；在CPU或者GPU上运行(在Nvidia GeForce GTX 1080，128G内存，Ubuntu14.04，tensorflow0.8.0平台下进行验证的)；图7为该算法学习过程中，误差函数训练的结果，其中，横轴表示训练迭代次数，纵轴表示交叉熵代价函数(cost)，交叉熵代价函数值越小，说明模型效果越好。从图7可以看出，本发明中的模型训练误差逐步收敛于0，说明模型检测精度能达到99％以上，故该模型能获得良好的检测效果。

Claims (10)

1.基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征是包括如下步骤：
S1数据采集：采集涤纶长丝纺丝时的电信号数据和视频数据；
S2数据转换：将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图；
S3模型构建：以频域图、时域图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；
S4在线检测：将实时采集到的待测样本的视频数据输入到基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果。
2.根据权利要求1所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，S1数据采集中，采集涤纶长丝纺丝时的电信号数据是指：利用监测仪上的一对可变速牵引罗拉，将涤纶长丝以3000m/min的纺丝速度通过Uster条干仪上的平行电容极板，当连续通过电容极板间的纤维的线密度变化时，电容器的电容量会相应的变化，将电容量的变化转化成电量变化即可得到反映条干线密度不匀的电信号数据；
采集涤纶长丝纺丝时的视频数据是指：利用高速摄像头在每个纺丝位上连续采集从喷丝板到纤维集束上油前的丝条实时视频数据。
3.根据权利要求1所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，S2数据转换中，将电信号数据转换成频域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后利用电容式Uster条干仪上的频谱仪将放大后的电讯号进一步放大，并分离出N种波谱分量，再采用电容式Uster条干仪上的积分器将N种波谱分量在整个周期内累计；最后通过扫描，将这些累计得到的电压值绘成波谱图。
4.其中，波谱图的横坐标为周期性不匀的波长，纵坐标为对应周期性不匀波长的相对平均幅度值；所述周期是从长丝测试起始端开始，到测试结束为止；
将电信号数据转换成时域图是指：先利用电容式Uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后将放大后的电讯号送到记录器，画出不匀曲线图；其中，不匀曲线图的横坐标为从长丝测试起始端开始计算的长度，纵坐标为长丝在对应长度处线密度变异的相对振幅；
将视频数据进行切割是指：利用计算机将涤纶长丝纺丝时的视频数据以帧为单位进行切割得到视频帧图。
5.根据权利要求3所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，S3模型构建的具体步骤为：
S3-1模型框架构建：构建由输入层、三条支流和输出层构成动态卷积神经网络模型；
第一条支流为学习波谱图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2和全连接层2构成；
第二条支流为学习不匀曲线图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2和全连接层2构成；
第三条支流为学习视频帧图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、卷积层3、下采样层3、全连接层1、门控循环单元层1、门控循环单元层2和全连接层2构成；
S3-2模型离线训练：
先进行数据预处理：将波谱图、不匀曲线图和视频帧图的尺寸调整为深度卷积网络训练时所设计的大小，对调整后的图像进行旋转和平移操作，得到样本集；
再对样本集进行划分，得到训练集、验证集和测试集；
然后，将训练集中的样本输入到已构建的动态卷积神经网络模型中，并采用模型自身的误差反向传播的训练方式进行训练，当误差精度小于0.01时，得到基于动态卷积神经网络算法的条干均匀性检测模型。
6.根据权利要求4所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，训练集、验证集和测试集分别占样本集的80％、10％和10％。
7.根据权利要求4所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，S3-1模型框架构建中，卷积层的输入为图像数据；卷积层中的卷积核与输入之间全部连接，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，输出一个特征图；卷积层的特征图将作为下一层的输入继续传播。
8.根据权利要求6所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，卷积层的输入为上一层的特征图，在卷积层中，该特征图被某个可学习的卷积核进行卷积操作得到，再通过一个激活函数进行激活，最终输出新的特征图，每个输出特征图组合卷积多个特征图的值：
Figure FDA0002823823490000021
Figure FDA0002823823490000031
其中，
Figure FDA0002823823490000032
是卷积层l的第j个通道的输出；函数f(·)表征激活函数；
Figure FDA0002823823490000033
是卷积层l的第j个通道的净激活，
Figure FDA0002823823490000034
是前一层的输出特征图；Mj表示用于计算
Figure FDA0002823823490000035
的输入特征图子集，
Figure FDA0002823823490000036
表示卷积核矩阵，
Figure FDA0002823823490000037
为偏置项函数，*为卷积符号，l为卷积层的序号，i为卷积层通道的序号，j也为卷积层通道的序号；
下采样层的输入为卷积层的特征图，并将在不同位置的特征进行融合，对特征信息进行降维和归一化处理后输出；所述归一化处理是指将下采样层的输出进行线性变换，把数据映射到闭区间[0,1]之间；
门控循环单元层采用具有自循环链接的门控型循环神经网络，提取特征中的时序性关系；
全连接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；输出层为2个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。
9.根据权利要求7所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，门控循环单元主要包括两个门计算和一个候选状态变量更新方程，如下：
更新门zt：zt＝σ(xtUz+ht-1Wz+bz)；
重置门rt：rt＝σ(xtUr+ht-1Wr+br)；
更新方程
Figure FDA0002823823490000038
Figure FDA0002823823490000039
则门控循环单元的输出为当前的状态变量ht：
Figure FDA00028238234900000310
其中，xt为当前时刻的输入，ht-1为上一时刻的隐层状态输出，Uz，Wz，Ur，Wr，Uh，Wh均为网络的权重矩阵，bz、br和bh均为网络的偏置向量，σ为sigmoid函数，值域为(0,1)，°表示逐元素相乘。
10.根据权利要求1所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，其特征在于，S4在线检测中，实时采集到的待测样本的视频数据是指高速摄像头采集到的实时视频的视频帧；检测结果为“均匀”或“不均匀”。
CN202011423865.0A 2020-12-08 2020-12-08 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统 Active CN112651928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011423865.0A CN112651928B (zh) 2020-12-08 2020-12-08 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011423865.0A CN112651928B (zh) 2020-12-08 2020-12-08 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统

Publications (2)

Publication Number Publication Date
CN112651928A true CN112651928A (zh) 2021-04-13
CN112651928B CN112651928B (zh) 2022-08-23

Family

ID=75351124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011423865.0A Active CN112651928B (zh) 2020-12-08 2020-12-08 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统

Country Status (1)

Country Link
CN (1) CN112651928B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189103A (zh) * 2021-04-30 2021-07-30 杭州辰泽新材料有限公司 Y细旦阳离子涤纶长丝的在线检测系统及故障诊断方法
CN113487166A (zh) * 2021-06-30 2021-10-08 桐乡市五疆科技发展有限公司 一种基于卷积神经网络的化纤飘丝质量检测方法及系统
CN113592811A (zh) * 2021-07-29 2021-11-02 常州大学 一种基于图像处理的熔喷布厚度一致性检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5910187A (en) * 1996-07-02 1999-06-08 Keisokki Kogyo Co., Ltd. Method of detecting yarn unevenness
US6683687B1 (en) * 1992-06-18 2004-01-27 Zellweger Luwa Ag Method and apparatus for assessing the effect of yarn faults on woven or knitted fabrics
CN102253043A (zh) * 2011-06-22 2011-11-23 上海工程技术大学 一种单目ccd多角度纱线外观数字化分析方法
CN102519970A (zh) * 2011-12-06 2012-06-27 江南大学 基于图像处理的机织物中纱线均匀性检测方法
CN103163139A (zh) * 2011-12-14 2013-06-19 江南大学 基于小波变换的机织物中纱线均匀性检测方法
CN103290560A (zh) * 2012-02-29 2013-09-11 江南大学 基于机器视觉的网格圈紧密纺纱线质量在线检测方法
CN205617133U (zh) * 2016-04-26 2016-10-05 苏州精卫智能科技有限公司 纱线条干不匀率预测装置
CN107907548A (zh) * 2017-11-23 2018-04-13 南通大学 一种生丝疵点检测设备
CN109856141A (zh) * 2019-01-22 2019-06-07 宁波纺织仪器厂 一种条干均匀度图像分析设备及其方法
CN111507962A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种基于深度视觉的棉花内杂物识别系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6683687B1 (en) * 1992-06-18 2004-01-27 Zellweger Luwa Ag Method and apparatus for assessing the effect of yarn faults on woven or knitted fabrics
US5910187A (en) * 1996-07-02 1999-06-08 Keisokki Kogyo Co., Ltd. Method of detecting yarn unevenness
CN102253043A (zh) * 2011-06-22 2011-11-23 上海工程技术大学 一种单目ccd多角度纱线外观数字化分析方法
CN102519970A (zh) * 2011-12-06 2012-06-27 江南大学 基于图像处理的机织物中纱线均匀性检测方法
CN103163139A (zh) * 2011-12-14 2013-06-19 江南大学 基于小波变换的机织物中纱线均匀性检测方法
CN103290560A (zh) * 2012-02-29 2013-09-11 江南大学 基于机器视觉的网格圈紧密纺纱线质量在线检测方法
CN205617133U (zh) * 2016-04-26 2016-10-05 苏州精卫智能科技有限公司 纱线条干不匀率预测装置
CN107907548A (zh) * 2017-11-23 2018-04-13 南通大学 一种生丝疵点检测设备
CN109856141A (zh) * 2019-01-22 2019-06-07 宁波纺织仪器厂 一种条干均匀度图像分析设备及其方法
CN111507962A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种基于深度视觉的棉花内杂物识别系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F. PEREIRA,ET AL: "Computer vision techniques for", 《 COMPUTER VISION IN FASHION AND TEXTILES》 *
刘丽杰: "基于计算机图像处理技术的纱线质量检测的研究", 《中国优秀硕士学位论文全文数据库》 *
李忠健: "基于图像技术的纱线条干均匀度测量及直观评价方法研究", 《中国博士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189103A (zh) * 2021-04-30 2021-07-30 杭州辰泽新材料有限公司 Y细旦阳离子涤纶长丝的在线检测系统及故障诊断方法
CN113189103B (zh) * 2021-04-30 2024-04-30 杭州辰泽新材料有限公司 Y细旦阳离子涤纶长丝的在线检测系统及故障诊断方法
CN113487166A (zh) * 2021-06-30 2021-10-08 桐乡市五疆科技发展有限公司 一种基于卷积神经网络的化纤飘丝质量检测方法及系统
CN113592811A (zh) * 2021-07-29 2021-11-02 常州大学 一种基于图像处理的熔喷布厚度一致性检测方法
CN113592811B (zh) * 2021-07-29 2023-08-22 常州大学 一种基于图像处理的熔喷布厚度一致性检测方法

Also Published As

Publication number Publication date
CN112651928B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN112651928B (zh) 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
Hossain et al. Machine learning model optimization with hyper parameter tuning approach
ES2917375T3 (es) Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla
CN109493327B (zh) 基于纱线形态变化的上浆率在线调控方法
CN116796159B (zh) 染色效果预测方法、染色效果预测模型的训练方法和装置
CN113822139A (zh) 一种基于改进1DCNN-BiLSTM的设备故障诊断方法
CN111222798B (zh) 一种复杂工业过程关键性指标软测量方法
Beltran et al. Predicting worsted spinning performance with an artificial neural network model
El-Geiheini et al. Yarn tensile properties modeling using artificial intelligence
Wang et al. Application research on long short-term memory network in fault diagnosis
Rong-qiang et al. Fabric defect detection method based on improved u-net
CN114997528A (zh) 一种基于注塑产品质量分析的生产参数调节方法及系统
DE112021005995T5 (de) Vorrichtung und Verfahren zur kontinuierlichen Erkennung von Fehlern in einem Garn in einer Spinnmaschine
CN113848706B (zh) 一种丝线张力检测方法、控制方法及控制装置
CN110263380B (zh) 一种纺丝工序级联建模分段区间参数配置方法
CN110032069B (zh) 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法
Guruprasad et al. Soft computing in textiles
CN113858566B (zh) 一种基于机器学习的注塑机能耗预测方法及系统
Farooq et al. Use of artificial neural networks for determining the leveling action point at the auto-leveling draw frame
CN111636123B (zh) 一种智能纺纱生产线故障检测系统
Sukpancharoen et al. Data-driven prediction of electrospun nanofiber diameter using machine learning: A comprehensive study and web-based tool development
JP4434775B2 (ja) 繊維機械の糸データの解析装置
El-Geiheini et al. Estimation of yarn’s coefficient of mass variation utilizing artificial intelligence techniques
CN115142160B (zh) 一种纱线强力弱环的辨识方法及相关装置
Ingle et al. A review of deep learning within the framework of artificial intelligence for enhanced fiber and yarn quality

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