基于深度學(xué)習(xí)的布匹疵點(diǎn)檢測(cè)算法及系統(tǒng)研究.pdf

1、布匹上的疵點(diǎn)是影響其質(zhì)量的關(guān)鍵因素。傳統(tǒng)的布匹疵點(diǎn)檢測(cè)依靠人工完成，效率越來(lái)越不適應(yīng)實(shí)際生產(chǎn)；與此同時(shí)，當(dāng)前存在的一些傳統(tǒng)方法由于布匹的種類繁多以及紋理復(fù)雜性使得它們滿足不了實(shí)際工業(yè)生產(chǎn)的高準(zhǔn)確率和實(shí)時(shí)性要求，而當(dāng)前深度學(xué)習(xí)技術(shù)在圖像處理上表現(xiàn)出強(qiáng)大的優(yōu)勢(shì)。本文基于實(shí)際的應(yīng)用課題，將深度學(xué)習(xí)和支持向量機(jī)技術(shù)應(yīng)用于布匹（無(wú)紡布和紡織布）的疵點(diǎn)檢測(cè)問(wèn)題上。
　　針對(duì)無(wú)紡布，由于其紋理相對(duì)較簡(jiǎn)單，將疵點(diǎn)檢測(cè)問(wèn)題轉(zhuǎn)化為圖像分割后的分類問(wèn)題

2、。該問(wèn)題通過(guò)采用深度學(xué)習(xí)框架中的卷積神經(jīng)網(wǎng)絡(luò)特征提取和支持向量機(jī)分類實(shí)現(xiàn)，它保證了檢測(cè)的高準(zhǔn)確率，但是存在耗時(shí)多的問(wèn)題。為此，在卷積神經(jīng)網(wǎng)絡(luò)之前設(shè)計(jì)一個(gè)基于灰度共生矩陣紋理特征值和支持向量機(jī)的預(yù)分類模型，它與其后的基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的終分類模型構(gòu)成了一個(gè)多層次的檢測(cè)算法，而且為了最大限度地節(jié)省計(jì)算時(shí)間，將灰度共生矩陣和紋理特征值的計(jì)算置于GPU上基于CUDA架構(gòu)并行計(jì)算實(shí)現(xiàn)。
　　針對(duì)紡織布，直接應(yīng)用針對(duì)無(wú)紡布的多層次檢

3、測(cè)算法效果不佳，因?yàn)榧徔棽技y理的復(fù)雜性決定了該算法中預(yù)分類模型對(duì)其的分類準(zhǔn)確率不理想。本文采用基于快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的思想，將檢測(cè)問(wèn)題轉(zhuǎn)化為可能包含疵點(diǎn)的候選區(qū)域的確定和候選區(qū)域的分類和回歸問(wèn)題。本文使用兩個(gè)共享卷積層的卷積神經(jīng)網(wǎng)絡(luò)，分別實(shí)現(xiàn)紡織布圖像中候選區(qū)域的確定以及候選區(qū)域的分類和回歸。
　　實(shí)驗(yàn)證明，兩種算法針對(duì)對(duì)應(yīng)類型的布匹檢測(cè)效果在準(zhǔn)確性和實(shí)時(shí)性上均表現(xiàn)較好。最后，本文從硬件和軟件兩個(gè)方面簡(jiǎn)述了布匹疵點(diǎn)檢測(cè)系統(tǒng)的結(jié)構(gòu)