發(fā)布時(shí)間：2020-11-04 21:45

【摘要】：織物缺陷智能識(shí)別是紡織品質(zhì)量控制的關(guān)鍵環(huán)節(jié),而基于機(jī)器視覺及圖像處理的傳統(tǒng)織物缺陷檢測(cè)方法存在一定的局限性,不適用于檢測(cè)紋理和圖案較豐富的織物。本文將人工智能領(lǐng)域的最新研究成果與行業(yè)需求相結(jié)合,深入研究織物缺陷智能識(shí)別方法,針對(duì)實(shí)際生產(chǎn)過程中織物紋理多尺度、多樣性問題,構(gòu)造了一個(gè)對(duì)紋理、疵點(diǎn)具有魯棒性,且支持在線學(xué)習(xí)的新型輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),該模型在保持高識(shí)別精度的前提下,極大地減少對(duì)硬件計(jì)算能力和內(nèi)存容量的依賴,使深度神經(jīng)網(wǎng)絡(luò)更容易在工業(yè)現(xiàn)場(chǎng)運(yùn)行。本文的主要研究成果如下:1)提出了一種基于VGGNet的織物缺陷識(shí)別方法。該方法為了克服目前復(fù)雜模式織物難以有效“檢測(cè)”、“分割”疵點(diǎn)的問題,轉(zhuǎn)而采用“識(shí)別”這種與主流方法截然不同的方式來判決織物中的缺陷,并首次將VGGNet應(yīng)用于織物缺陷識(shí)別。本文分析傳統(tǒng)特征提取模型的不足,詳細(xì)介紹了VGGNet的結(jié)構(gòu)配置和訓(xùn)練方法,并利用該卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)復(fù)雜模式織物的缺陷識(shí)別,在一定程度上緩解了目前復(fù)雜模式織物無法有效檢測(cè)的行業(yè)難題,為后續(xù)研究提供了理論基礎(chǔ)。2)提出了一種基于深度特征可視化改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)LZFNet-V1。卷積神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)織物圖像的特征提取過程是不可見的,那么研究者就無法更具針對(duì)性地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),這給模型的優(yōu)化工作帶來了極大的困難。為了能在保持模型識(shí)別精度的前提下簡化深度卷積神經(jīng)網(wǎng)絡(luò),本文利用一種先進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)特征可視化手段,對(duì)VGGNet進(jìn)行深度特征可視化分析。然后根據(jù)織物圖像的特點(diǎn)更具針對(duì)性地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),不僅提高了模型的識(shí)別精度,而且縮減了90%以上的網(wǎng)絡(luò)參數(shù),構(gòu)造了一種新的專用于織物缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)LZFNet-V1。3)提出了一種基于可因式分解卷積網(wǎng)絡(luò)的織物缺陷識(shí)別方法。雖然卷積神經(jīng)網(wǎng)絡(luò)的性能非常強(qiáng)大,但大規(guī)模神經(jīng)網(wǎng)絡(luò)需要消耗大量的硬件計(jì)算資源和存儲(chǔ)帶寬。然而在實(shí)際應(yīng)用中,織物缺陷識(shí)別任務(wù)需要在計(jì)算能力有限的平臺(tái)上實(shí)時(shí)完成。為了進(jìn)一步降低深度卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度,本文在前人的研究基礎(chǔ)上提出一種可對(duì)卷積神經(jīng)網(wǎng)絡(luò)中卷積層進(jìn)行因式分解的輕量級(jí)卷積結(jié)構(gòu),然后將LZFNet-V1中的標(biāo)準(zhǔn)卷積層替換成可因式分解卷積層,在不影響識(shí)別準(zhǔn)確率的前提下達(dá)到壓縮神經(jīng)網(wǎng)絡(luò)體積和減少織物缺陷識(shí)別系統(tǒng)計(jì)算消耗的目的。4)提出了一種針對(duì)織物缺陷快速識(shí)別的新型輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)LZFNet-V2。該網(wǎng)絡(luò)結(jié)構(gòu)在LZFNet-V1的研究基礎(chǔ)上融入模式識(shí)別領(lǐng)域當(dāng)前最新的殘差映射和線性瓶頸技術(shù),以構(gòu)成線性瓶頸卷積模塊,并利用線性瓶頸模塊構(gòu)造了一個(gè)專用于織物缺陷智能識(shí)別的新型輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)結(jié)果表明,該模型與目前世界上有影響力的卷積神經(jīng)網(wǎng)絡(luò)相比,無論是識(shí)別精度還是計(jì)算效率都具有一定的優(yōu)勢(shì),非常適用于計(jì)算資源受限條件下的織物缺陷識(shí)別。本研究所提出的所有模型均可在TensorFlow環(huán)境下運(yùn)行,使得輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)更容易在工業(yè)現(xiàn)場(chǎng)部署。同時(shí),本研究也為解決其它工業(yè)產(chǎn)品表面缺陷智能識(shí)別問題提供了新思路。
【學(xué)位授予單位】：中原工學(xué)院
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;TS107
【圖文】：

圖 1.1 復(fù)雜模式織物樣例的任務(wù)時(shí)可能存在一些冗余參數(shù)[11]。為了克服這些局限性，Zeiler 和 Fergus 在 2014 年歐洲計(jì)算機(jī)視覺大會(huì)上闡述了一種在卷積神經(jīng)網(wǎng)絡(luò)卷積層中可視化任何單個(gè)激活特征圖的方法[12]。該技術(shù)還允許研究人員觀察網(wǎng)絡(luò)中特征的演化并診斷模型中的潛在問題。利用這些工具，本文研究了傳統(tǒng)卷積網(wǎng)絡(luò)的體系結(jié)構(gòu)，并針對(duì)不同的網(wǎng)絡(luò)配置進(jìn)行了評(píng)估，找到了在織物缺陷識(shí)別方面優(yōu)于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的新結(jié)構(gòu)，而模型的體積和計(jì)算量分別僅占原始模型的 8.2%和 23%。近年來卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的趨勢(shì)是搭建更深更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，以達(dá)到更高的識(shí)別精度。然而，這些提高模型識(shí)別準(zhǔn)確率的新技術(shù)并不一定使得系統(tǒng)在運(yùn)行速度和內(nèi)存占用方面更加有效。例如在工業(yè)產(chǎn)品表面缺陷檢測(cè)等許多實(shí)際應(yīng)用中，自動(dòng)識(shí)別系統(tǒng)需要在計(jì)算和內(nèi)存受限的硬件設(shè)備上實(shí)時(shí)運(yùn)行。為了進(jìn)一步降低深度卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度，本文在前人的研究基礎(chǔ)上提出一種可對(duì)標(biāo)準(zhǔn)卷積層進(jìn)行因式分解的輕量級(jí)卷積結(jié)構(gòu)，從而構(gòu)建出一種易于和嵌入式系統(tǒng)或移

經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)具有良好的數(shù)據(jù)局部性，因?yàn)榫矸e濾波器可以在不同的地方復(fù)。最早的卷積神經(jīng)網(wǎng)絡(luò)在 1989 年被 LeCun 等人提出[7]，用于手寫阿拉伯?dāng)?shù)字別。直到 2012 年，AlexNet 在 ImageNet 大規(guī)模視覺識(shí)別分類挑戰(zhàn)大賽上的驚表現(xiàn)使得卷積神經(jīng)網(wǎng)絡(luò)成為模式識(shí)別領(lǐng)域內(nèi)的熱點(diǎn)話題。圖 1.2 LeNet 網(wǎng)絡(luò)結(jié)構(gòu)圖圖 1.3 AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)圖

而且目前許多關(guān)于輕量級(jí)神經(jīng)網(wǎng)絡(luò)的論文只關(guān)注于模型體積壓縮，而不絡(luò)的運(yùn)行速度[23,24,25]。最近兩年與人工智能相關(guān)的實(shí)際應(yīng)用產(chǎn)品的迅猛發(fā)展表明，研究者對(duì)于建的卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)產(chǎn)生了越來越多的關(guān)注。簡化深度卷積模型的不同方可以分為：壓縮經(jīng)過充分訓(xùn)練的模型和直接優(yōu)化網(wǎng)絡(luò)內(nèi)部的卷積結(jié)構(gòu)。壓已經(jīng)過完整訓(xùn)練模型的主要方法包括：擠壓、分解和剪枝[11,26,27,28,29]。本的可因式分解卷積層屬于直接優(yōu)化網(wǎng)絡(luò)內(nèi)部的卷積結(jié)構(gòu)這種加速方式，最考文獻(xiàn)[30]提出，隨后在谷歌公司提出的 GoogLeNet[31]中使用，以減少網(wǎng)層的卷積計(jì)算量。本文使用的模型優(yōu)化手段類似于參考文獻(xiàn)[32,33]所采用，設(shè)計(jì)靈感主要來自于當(dāng)前最先進(jìn)的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò) MobileNet[34]ffleNet[35]。
【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 李青華;李翠平;張靜;陳紅;王紹卿;;深度神經(jīng)網(wǎng)絡(luò)壓縮綜述[J];計(jì)算機(jī)科學(xué);2019年09期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

10 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王娜;地質(zhì)大數(shù)據(jù)功能分析及其分類算法研究[D];吉林大學(xué);2019年

2 李嘉;基于卷積神經(jīng)網(wǎng)絡(luò)的心律失常自動(dòng)分類關(guān)鍵技術(shù)研究[D];吉林大學(xué);2019年

3 王金玲;基于連續(xù)和離散復(fù)雜系統(tǒng)的穩(wěn)定性及耗散性分析[D];新疆大學(xué);2019年

4 徐夢(mèng)佳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)醫(yī)學(xué)影像分析方法研究[D];東北大學(xué);2017年

5 劉梅;網(wǎng)絡(luò)系統(tǒng)的穩(wěn)定和同步行為研究[D];新疆大學(xué);2017年

6 靳然;基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的麥蚜發(fā)生動(dòng)態(tài)預(yù)測(cè)研究[D];山西農(nóng)業(yè)大學(xué);2017年

7 李驍;基于深度卷積神經(jīng)網(wǎng)絡(luò)MSCT對(duì)小腎腫瘤病理分型的預(yù)測(cè)研究[D];中國人民解放軍海軍軍醫(yī)大學(xué);2018年

8 李若霞;基于憶阻的神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)分析及應(yīng)用[D];東南大學(xué);2017年

9 項(xiàng)延德;基于卷積神經(jīng)網(wǎng)絡(luò)的心電信號(hào)檢測(cè)和分類研究[D];浙江大學(xué);2018年

10 李一鳴;結(jié)合知識(shí)和神經(jīng)網(wǎng)絡(luò)的文本表示方法的研究[D];浙江大學(xué);2018年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 郭青山;基于卷積神經(jīng)網(wǎng)絡(luò)的航拍車輛檢測(cè)與跟蹤[D];西南科技大學(xué);2019年

2 黃占鰲;基于卷積神經(jīng)網(wǎng)絡(luò)的變電站道路場(chǎng)景圖像語義分割技術(shù)研究[D];西南科技大學(xué);2019年

3 王文光;基于圖像語義的場(chǎng)景識(shí)別研究[D];西南科技大學(xué);2019年

4 曹川;基于深度學(xué)習(xí)的人臉識(shí)別算法研究[D];西南科技大學(xué);2019年

5 葉遠(yuǎn)征;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究與應(yīng)用[D];西南科技大學(xué);2019年

6 趙逸翔;基于BP神經(jīng)網(wǎng)絡(luò)的無約束優(yōu)化方法研究及應(yīng)用[D];東北農(nóng)業(yè)大學(xué);2019年

7 謝崇波;基于循環(huán)神經(jīng)網(wǎng)絡(luò)的城市空氣質(zhì)量預(yù)測(cè)研究[D];西南科技大學(xué);2019年

8 田東;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法研究與實(shí)現(xiàn)[D];上海交通大學(xué);2017年

9 王沫沅;基于深度神經(jīng)網(wǎng)絡(luò)和集成方法的蛋白質(zhì)相互作用預(yù)測(cè)研究[D];吉林大學(xué);2019年

10 徐哲;基于深度學(xué)習(xí)的農(nóng)作物葉片識(shí)別系統(tǒng)的設(shè)計(jì)與分析[D];吉林大學(xué);2019年

本文編號(hào)：2870647