论文部分内容阅读
色织衬衫花型美观大方,是我国出口创汇能力最强的服装产品之一,每年为国家创汇60亿美元以上。但是,随着定制化和小批量市场需求的增长,大批量生产、小批量生产及定制化生产之间任意切换的柔性制造技术成为色织衬衫企业亟需解决的重大问题。其中,色织衬衫裁片缺陷自动检测是色织衬衫生产过程柔性制造问题的重要组成部分。色织衬衫裁片的缺陷严重影响色织衬衫的质量,但是目前尚缺少有效的裁片缺陷检测方法。本文利用深度卷积神经网络进行色织衬衫裁片缺陷检测算法的研究。利用经典卷积神经网络AlexNet和GoogLeNet进行了色织衬衫裁片花型分类预实验,证明了卷积神经网络提取花型特征的有效性,在此基础上进一步展开基于RetinaNet、Faster RCNN和YOLOv2的色织衬衫裁片缺陷检测算法模型。本文首先建立了一个大规模的色织衬衫裁片缺陷标记图像数据库;其次,以此数据集为基础,构建了基于RetinaNet、Faster RCNN和YOLOv2的深度卷积神经网络色织衬衫裁片缺陷检测的模型,从而进行色织衬衫裁片缺陷检测模型的训练和测试,最后,分别在GPU平台和嵌入式平台进行色织衬衫裁片缺陷检测模型的测试。研究内容主要包括以下几个方面:(1)针对传统图像特征工程和浅层机器学习方法对于色织衬衫裁片缺陷检测误检率较高的问题,本文建立了基于RetinaNet的色织衬衫裁片缺陷检测模型。该模型利用改进的交叉熵损失函数Focal Loss,并融合了深度残差网络模型结构。(2)针对带纱类缺陷检测精度较低的问题,提出了一种基于Faster RCNN网络模型的色织衬衫裁片缺陷检测算法。首先通过算法框架结合VGG16网络模型对色织衬衫裁片缺陷的特征进行提取,然后使用RPN区域生成网络预测候选区域,最后对候选区域进行检测与分类,最终模型提高了对带纱类缺陷的检测精度。(3)针对RetinaNet与Faster RCNN模型的实时性相对较低的问题,提出了一种基于改进的YOLOv2网络的色织衬衫裁片缺陷检测算法。该方法通过对初始模型的选择,训练数据的扩增,训练批量和裁片尺度的选择,特殊anchor box的生成,以及最终网络模型结构的调整,得到了一个适用于色织衬衫裁片缺陷检测的优化模型。该模型对色织衬衫裁片缺陷在检测性能上显著优于RetinaNet与Faster RCNN,色织衬衫裁片缺陷检测模型在GPU平台上均可实现缺陷的训练和实时检测,并将优化的YOLOv2色织衬衫裁片缺陷检测模型移植到NVIDIA JetsonTX2嵌入式AI硬件平台上,也获得了实时性较好的色织衬衫裁片缺陷检测实验结果,验证了色织衬衫裁片缺陷检测深度学习模型终端部署的可行性。(4)对已完成的研究工作进行总结,并对未来的课题发展进行展望。图27幅,表15个,参考文献53篇。