论文部分内容阅读
我国的牛仔服装生产和出口总量长期稳居世界第一,而其国际市场竞争力明显不足,其主要原因之一是牛仔面料在生产过程中存在疵点未被检出。传统牛仔面料疵点检测是依靠人工目检完成,其效率低下且容易出现漏检、误检。基于视觉与图像处理的检测方法存在对图像采集要求高、检测准确率较低、处理速度慢、鲁棒性差等问题,一直难以应用于工业现场。针对此问题,本文利用迁移学习研究牛仔面料的疵点检测算法以实现疵点的在线检测,本文的工作主要从以下几个方面展开。(1)在分析织物疵点检测国内外研究现状的基础上,形成基于迁移学习的牛仔面料疵点检测的思路。并分析牛仔面料的结构特征,结合牛仔面料疵点类型对牛仔面料图像数据集进行统计分析,总结出八种需要检测的牛仔面料疵点及疵点的分布规律。(2)结合牛仔面料疵点的特点,提出牛仔面料疵点数据集的预处理方法。使用图像数据增强,样本数据集的扩充以提升牛仔面料疵点的多样性。(3)在迁移学习的基础上,提出双模型融合牛仔面料疵点检测算法。该算法在大型数据集ImageNet上提取预训练好的VGG16模型的权重参数,利用其可移植性分别训练织物疵点检测分类器和疵点识别分类器,然后在选取的牛仔面料疵点数据集上对两个模型的部分卷积层权重参数重新训练与调整,最后进行模型融合。经过对比仿真实验,结果表明与VGG16模型、ResNet50模型以及Xception模型相比较该双模型检测算法在检测结头、三丝、粗纬、破洞、松经等8种常见的牛仔面料疵点中准确率达到94.3%,算法鲁棒性更强。(4)本文搭建牛仔面料疵点检测系统样机,并介绍样机的光源、摄像头、图像处理器等关键部分。在样机中,对比基于迁移学习双模型融合检测算法、基于VGG16模型、ResNet50模型以及Xception模型的检测算法。经过样机实测可得出该双模型迁移检测算法在检测牛仔面料常见8种疵点中具有很高的检测精度与检测速度。在迁移学习的基础上研究牛仔面料的疵点检测算法,结合牛仔面料的结构特征与常见疵点类型,提出疵点图像样本数据的预处理方法与双模型融合检测算法,并分别通过对比仿真与样机测试验证该双模型融合检测算法的合理性与优越性。