CN113005608A - 基于无接触经纱断经检测的织机的控制方法 - Google Patents
基于无接触经纱断经检测的织机的控制方法 Download PDFInfo
- Publication number
- CN113005608A CN113005608A CN202110153334.2A CN202110153334A CN113005608A CN 113005608 A CN113005608 A CN 113005608A CN 202110153334 A CN202110153334 A CN 202110153334A CN 113005608 A CN113005608 A CN 113005608A
- Authority
- CN
- China
- Prior art keywords
- loom
- warp
- matrix
- convolution kernel
- layer
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000007547 defect Effects 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009941 weaving Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D03—WEAVING
- D03J—AUXILIARY WEAVING APPARATUS; WEAVERS' TOOLS; SHUTTLES
- D03J1/00—Auxiliary apparatus combined with or associated with looms
- D03J1/007—Fabric inspection on the loom and associated loom control
-
- D—TEXTILES; PAPER
- D03—WEAVING
- D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
- D03D51/00—Driving, starting, or stopping arrangements; Automatic stop motions
- D03D51/18—Automatic stop motions
- D03D51/20—Warp stop motions
- D03D51/28—Warp stop motions electrical
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于无接触经纱断经检测的织机的控制方法，是实时采集喷水织机经面图像，将喷水织机经面图像转化为成数据信息，将数据信息输入缺陷检测模型得出结果；将数据信息和结果输入控制模组中输出低压信号，低压信号和织机***的控制信号耦合控制织机的停机或者不停机；其中，缺陷检测模型主要由IDSConv‑branch卷积单元构成，该卷积单元主要由改进的深度可分离卷积核构成；改进的深度可分离卷积核的结构是基于低轶矩阵的分解减少深度可分离卷积核的参数的同时添加残差结构从输入特征图中提取出空间特征，最后用L2正则来进行标准化得到。本发明的方法综合多种策略，检测到停机时间在3秒以内，检测精度达98％以上，具有良好的识别效果、泛化能力以及运行速度。
Description
技术领域
本发明属于纺织织造技术领域，涉及一种基于无接触经纱断经检测的织机的控制方法。
背景技术
现在的经纱检测技术一般为接触式检测，而在喷水织机行业一直存在断经检测难的问题，这会增加人工及布匹质量下降等问题。
目前市场上对经纱的检测技术，比如喷气织机断经检测就是靠停经片实现，在经纱折断后，停经片落下，出发信号给主机停机，避免造成费布；喷水织机上的话，目前较多的是用针排旋转的方式采集信息。针排一直和纱线在做摩擦运动，当纱线折断后，会被针排缠绕出发压力传感器信号，出发停机。
上述两种方案，比如喷气织机的停经片如果用在喷水织机化纤经纱上，会造成损伤纱线，造成不良，所以不能使用；另外目前接触式的针排检测方案，主要是因为检出率不高，以及运行过程会对纱线有磨损，另外检测到纱线到停机的时间偏长，导致还是有废布产生；
经过多次现场采集数据以及研究发现，喷水织机断经图片具有：(1)背景图像噪点多且结构相似；(2)经线断线的特征呈细长线条状，像素约占一幅图像的2％～4％的特点，并且由于经线图像特征细长、噪声繁多。在实际生产中，由于织机数目多，如果使用传统的视觉方案，对数据计算量要求很高，需要昂贵的硬件成本以及运行响应时间也会比较长。
因此，研究一种无接触式且检测精度高的检测方法具有十分重要的意义。
发明内容
为解决现有技术中存在的问题，本发明提供一种基于无接触经纱断经检测的织机的控制方法；
为达到上述目的，本发明采用的方案如下：
基于无接触经纱断经检测的织机的控制方法，实时采集喷水织机经面图像，将喷水织机经面图像转化为成数据信息，将数据信息输入缺陷检测模型得出结果；将数据信息和结果输入控制模组中输出低压信号，低压信号和织机***的控制信号耦合控制织机的停机或者不停机；
缺陷检测模型由6部分组成，具体如下：
第1部分为3×3卷积核；
第2部分为下采样单元和4个连续的IDSConv-branch卷积单元组成；
第3部分为下采用单元和8个连续的IDSConv-branch卷积单元组成；
第4部分为6个连续的IDSConv-branch卷积单元(improved depthwise separableconvolution)组成；
第5部分为注意力融合模块(AFK)；
第6部分为分类层；
IDSConv-branch卷积单元主要由改进的深度可分离卷积核构成；改进的深度可分离卷积核的结构是基于低轶矩阵的分解减少深度可分离卷积核(Depthwise separableConvolution,DSConv)的参数的同时添加残差结构从输入特征图中提取出空间特征，最后用L2正则来进行标准化得到。
作为优选的技术方案：
如上所述的基于无接触经纱断经检测的织机的控制方法，3×3卷积核的步长为2。
如上所述的基于无接触经纱断经检测的织机的控制方法，下采样单元(Downsampling)由一个步长(stride)是2的标准卷积层和一个步长为1的最大池化层组成；下采样单元能够使神经网络增加更多的上下文信息，并且减少计算量。
如上所述的基于无接触经纱断经检测的织机的控制方法，分类层(Classification Layer)包括全局平均池化和8维的全连接层；8维的全连接层采用softmax函数计算。
如上所述的基于无接触经纱断经检测的织机的控制方法，全连接层是基于循环分块矩阵和哈达玛变换的全连接层；
循环分块矩阵是基于矩阵的计算，具体为：将原始的任意大小的权矩阵分割为2D的方形子循环分块矩阵；
哈达玛变换为：将循环分块矩阵分解为两个离散傅里叶分块矩阵以及一个对角分块矩阵的乘积。
如上所述的基于无接触经纱断经检测的织机的控制方法，IDSConv-branch卷积单元的结构是首先将输入通道一分为二，一侧是改进的深度可分离卷积核，另一侧是残差结构；然后通过Concatenated操作将两分支拼接，使用通道混洗(channel shuffle)操作对分支通道进行融合；最后输出特征图；
Concatenated操作前，采用BN函数和Relu函数对改进的深度可分离卷积核进行计算。由于只有一半的输入特征图用于卷积计算，因此这种卷积单元结构在一定程度上提高了卷积神经网络的速度。
如上所述的基于无接触经纱断经检测的织机的控制方法，将喷水织机经面图像转化为成数据信息之前，对喷水织机经面图像进行图像增强算法处理，具体步骤：
(1)灰度变换：先将喷水织机经面图像进行灰度化，再使用伽马函数对灰度化后的图像进行处理；所述伽马函数为：s＝c(r+ε)γ；其中，s为输出灰度级，c为正常数，r为输入灰度级，ε为偏移量，γ为正常数；
(2)将灰度变换之后的图像进行锐化处理；锐化处理使用拉普拉斯算子来增强图像的细节。
伽马曲线(伽马函数)能够将范围较窄的暗色输入值映射为范围较宽的输出值。目的是为了突出灰度的过渡部分。图像增强算法使用灰度变换和拉普拉斯算子对喷水织机经面图像进行增强操作，该方法能够使变换后的图像中的纱线特征变得更为明显，同时减少了噪声与背景对分类结果的影响。
如上所述的基于无接触经纱断经检测的织机的控制方法，改进的深度可分离卷积核的结构中基于低轶矩阵的分解的同时添加残差结构从输入特征图中提取出空间特征的计算过程为：
其中，
为深度卷积核，
为输入特征图，Pm,n为标准化矩阵，
和
为逐点卷积分解后的两个逐点卷积，Im为单位矩阵。
使用深度分离卷积核(Depthwise separable Convolution，DSConv)代替传统卷积核是一种常用的卷积神经网络压缩方法，它能够在精度损失较少的情况下大幅降低卷积单元的参数量和计算量。深度分离卷积核由两部分组成：深度卷积核(DWConv)和逐点卷积核(Pointwise Convolution，PWConv)。深度卷积核由二维滤波器组成，它的数量与输入特征图的数量相同，逐点卷积核是常见的1×1标准卷积核。
秩为图像的信息量，低轶图像通常表示所包含的信息的丰富程度很低。对于喷水织机经面图像而言，由于图片中大部分成分相似，因此属于低秩图片。
深度分离卷积核，其深度卷积是在对角矩阵和特征映射图之间的卷积；
学习范数的目的是减少逐点卷积的参数量，即其相对应的矩阵的大小；可以减少卷积核的参数量以及计算消耗，但是它会破坏原始的结构，因此，添加一个残差结构，这种结构能够保证当结构被破坏时，深度卷积依旧可以从输入特征图中提取出空间特征，并且不增加任何参数；
如上所述的基于无接触经纱断经检测的织机的控制方法，注意力融合模块(AFK)是将高层次信息和低层次信息分别依次进行包括全局平均池化、注意力机制、1*1的卷积核，Sigmold函数的处理后融合得到全局特征信息。
深度可分离卷积核模型中采用的卷积计算的滑动窗口机制使得它仅仅能够捕捉到局部的信息，进而限制了获得全局上下文信息的能力。
神经元如果具有良好的全局意识，那么神经网络可以更好地理解视觉场景，从而能够稳定地感知物体并且更好地处理复杂的任务。在处理神经元信息上，全局上下文主要影响两个方面：一是不同形式的注意力机制，例如空间的、物体的以及偏向特征的注意力；二是神经元可以作为自适应处理器，根据上下文的行为改变它们的功能。
本发明基于上下文的注意力融合模块(Attention Fusion Block，AFK)，如图3所示，它主要用于融合高层次和低层次的特征信息，对卷积神经网络进行补充，使网络模型不仅在低层次的特征图中增加了目标特征信息，并且还可以获得全局的特征信息。
如上所述的基于无接触经纱断经检测的织机的控制方法，缺陷检测模型中还使用Dropout层和局部响应归一化层进行训练，局部响应归一化层的归一化计算公式为：
其中，(x,y)为输入特征图的坐标，
为坐标为(x,y)位置归一化之后的像素值，
为坐标为(x,y)位置归一化之前的像素值，k＝2，α＝1×10-4，β＝0.75，n＝5，N为通道数；i为第i个神经元的输出值。
局部响应归一化层(Local response normalization,LRN)完成了一种“邻近抑制”操作，它使相邻的卷积核所生成的特征图之间建立竞争机制，从而让有些在特征图中显著的特征在网络中变得更加显著，并让其在相邻的特征图中被抑制，以此使得不同的卷积核所产生的特征之间的相关性变小。
由于纱线受光照、阴影等因素，会出现图像亮度不均的问题，因此，我们在模型的第1层卷积层之后添加LRN层，用于图像的明亮度矫正。
有益效果
本发明的一种基于无接触经纱断经检测的织机的控制方法，将深度学习和视觉检测结合，形成一种无接触式的检测经纱的方法，该方法计算量小、占用内存低、精度较高并且响应时间快。
附图说明
图1为本发明使用的拉普拉斯算子(b)和一般滤波器模板(a)的示意图；
图2为本发明的改进的深度可分离卷积核的结构示意图；
图3为本发明的注意力融合模块的结构示意图；
图4为本发明的循环分块矩阵示意图；
图5为本发明的循环分块矩阵分解图；
图6为本发明使用的Dropout层在神经网络中的示意图；
图7为本发明的IDSConv-branch卷积单元的结构。
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。
一种缺陷检测模型，其结构是由6部分组成，具体如下：
第1部分为步长为2的3×3卷积核；
第2部分为下采样单元和4个连续的IDSConv-branch卷积单元组成；
第3部分为下采用单元和8个连续的IDSConv-branch卷积单元组成；
第4部分为6个连续的IDSConv-branch卷积单元(improved depthwise separableconvolution)组成；
第5部分为将高层次信息和低层次信息分别依次进行包括全局平均池化、注意力机制、1*1的卷积核，Sigmold函数的处理后融合得到全局特征信息的注意力融合模块(AFK)；
第6部分为全局平均池化和8维的全连接层构成的分类层，其中，8维的全连接层采用softmax函数计算。
第2～4部分中，下采样单元(Downsampling)均是由一个步长(stride)是2的标准卷积层和一个步长为1的最大池化层组成；
IDSConv-branch卷积单元的结构(如图7所示)是首先将输入通道一分为二，左侧是改进的深度可分离卷积核(采用BN函数和Relu函数对改进的深度可分离卷积核进行计算)，右侧是残差结构；然后通过Concatenated操作将两分支拼接，使用通道混洗操作对分支通道进行融合；最后输出特征图；其中，改进的深度可分离卷积核的结构(如图2所示)是基于低轶矩阵的分解减少深度可分离卷积核的参数的同时添加残差结构从输入特征图中提取出空间特征(计算过程为：
其中，
为深度卷积核，
为输入特征图，Pm,n为标准化矩阵，
和
为逐点卷积分解后的两个逐点卷积(在图中对应P2和P1)，Im为单位矩阵)，最后用L2正则来进行标准化得到。
设定模型结构后，使用Dropout层和局部响应归一化层对缺陷检测模型进行训练得到可以直接应用的缺陷检测模型；其中，局部响应归一化层的归一化计算公式为：
其中，(x,y)为输入特征图的坐标，
为坐标为(x,y)位置归一化之后的像素值，
为坐标为(x,y)位置归一化之前的像素值，k＝2，α＝1×10-4，β＝0.75，n＝5，N为通道数；i为第i个神经元的输出值。
对于一个网络模型，如果包含的参数太多而训练的样本太少，那么训练出来的网络模型容易出现过拟合现象。Dropout可以减少过拟合现象，如图6所示。它以p的概率随机从神经网络中删除神经元，这样能够增强网络模型的泛化性。
一种基于无接触经纱断经检测的织机的控制方法，具体过程如下：
(1)实时采集喷水织机经面图像；
(2)对喷水织机经面图像进行图像增强算法处理；具体步骤为：
(2.1)灰度变换：先将喷水织机经面图像进行灰度化，再使用伽马函数对灰度化后的图像进行处理；所述伽马函数为：s＝c(r+ε)γ；其中，s为输出灰度级，c为正常数，r为输入灰度级，ε为偏移量，γ为正常数；当γ的值为0.4时，图像成像效果最佳；
(2.2)将灰度变换之后的图像进行锐化处理；锐化处理使用拉普拉斯算子(如图1所示)来增强图像的细节。
(3)将喷水织机经面图像转化为成数据信息；
(4)将数据信息输入上述的缺陷检测模型中得出结果；
(5)将数据信息和结果输入控制模组中输出低压信号，低压信号和织机***的控制信号耦合控制织机的停机或者不停机。
为了证明本发明使用的对喷水织机经面图像进行图像增强算法处理的技术效果，验证过程如下：
(1)直接使用500张随机挑选的喷水织机经面图像，不经过图像增强算法处理而构建模型的训练集、验证集，用以训练模型；
(2)使用上述随机挑选的500张图像，经过图像增强算法处理进行处理，使用处理之后的数据集构建训练集、验证集，用以训练模型，结果如表1所示，由结果可知，利用图像增强算法处理之后的数据训练的模型对于断经检测的准确率得到了提高，而没有经过预处理的准确率较低；
表1数据集增强对模型识别准确率的影响
| 数据集总数 | 有无数据集增强 | 模型正确识别数 | 准确率 |
| 500 | 无 | 353 | 92.6％ |
| 500 | 有 | 489 | 95.8％ |
进一步地，为了验证改进的深度可分离卷积核对本发明的基于无接触经纱断经检测的织机的控制方法的影响，本发明将使用深度可分离卷积核构建的模型和改进的深度可分离卷积核构建的模型对于最终结果的影响。
表2改进的深度可分离卷积核对模型识别准确率的影响
其中，n为卷积核的大小，c为输入特征值的通道数量，
为输出特征图的通道数量，W为输入特征图的宽度，H为输入特征图的高度。在本试验中，c＝256，
n＝3，W＝224，H＝112。由表2可知，在输入的特征图相同的条件下，本发明的改进的深度可分离卷积核的计算量最小以及参数量最少。
进一步地，本发明还对改进的深度可分离卷积中不同部分对结果产生的影响进行了验证试验，试验结果见表3；
表3模型中不同部分对结果的影响
| Models | Accuracy | Paramters |
| 仅使用深度可分离卷积 | 91.6％ | 3.1M |
| 没有残差结构 | 87.9％ | 2.4M |
| 没有L2正则化结构 | 89.7％ | 2.4M |
| 本发明的模型 | 91.6％ | 2.4M |
由表3可知，使用改进后的深度可分离卷积核模型在准确率上的表现和使用深度可分离卷积核的模型的结果相近，而后者模型的整体参数量要少于前者模型。此外，在去掉残差结构后，模型的分类精度下降了，以及去掉L2正则化结构后模型的分类性能也下降了，同时，这两个结构不增加任何的参数量。
进一步地，本发明还对注意力机织模块进行了测试；测试结果见表4；
表4注意力机制对模型的影响
| Models | Paramters | Accuracy |
| 未使用注意力机制 | 2.93M | 93.7％ |
| 使用注意力机制 | 2.95M | 95.4％ |
由表4可知，使用注意力机制能够增加神经网络的准确率。
进一步地，针对本发明提出一种基于循环分块矩阵和哈达玛变换的全连接层推理加速策略，该策略能够减少模型的存储空间和计算消耗。其中，基于循环分块矩阵可以提高卷积计算的效率(由Caffee提供)。以四阶矩阵为例，如图4所示，该矩阵的每个2×2矩阵分块都是循环分块矩阵。哈达玛变换是将一个n×n的循环分块矩阵能够表示成两个傅里叶矩阵(DFT和IDFT)夹一个对角矩阵的乘积形式；具体过程如图5所示；本发明测试了哈达玛变换对结果产生的影响，结果见表5；
表5使用哈达玛变换的影响
| Models | Paramters | Accuracy |
| 未使用哈达玛矩阵 | 2.95M | 95.4％ |
| 使用哈达玛矩阵 | 2.4M | 95.4％ |
由表5可知，使用哈达玛矩阵运算能够有效地提升卷积核的性能。
进一步地，本发明评估了LRN层和Dropout层对模型分类的准确率的影响。由A和B的结果对比可知，为增加LRN确实有利于准确率的提升；由B和C模型的识别率对比可知，为模型添加Dropout层，同样也可以提升模型的识别准确率。
表6 LRN和Dropout对模型分类的影响
| 序号 | 模型 | 准确率 |
| 1 | A(基准模型) | 96.3％ |
| 2 | B(使用LRN) | 97.6％ |
| 3 | C(在B的基础上使用Dropout) | 98.7％ |
使用综上的策略，能够使得成本可以控制在传统视觉方案的60％多，检测到停机时间可以控制在3秒以内，检测精度达到98％以上，该模型具有良好的识别效果、泛化能力以及运行速度。
Claims (10)
1.基于无接触经纱断经检测的织机的控制方法，其特征是：实时采集喷水织机经面图像，将喷水织机经面图像转化为成数据信息，将数据信息输入缺陷检测模型得出结果；将数据信息和结果输入控制模组中输出低压信号，低压信号和织机***的控制信号耦合控制织机的停机或者不停机；
缺陷检测模型由6部分组成，具体如下：
第1部分为3×3卷积核；
第2部分为下采样单元和4个连续的IDSConv-branch卷积单元组成；
第3部分为下采用单元和8个连续的IDSConv-branch卷积单元组成；
第4部分为6个连续的IDSConv-branch卷积单元组成；
第5部分为注意力融合模块；
第6部分为分类层；
IDSConv-branch卷积单元主要由改进的深度可分离卷积核构成；改进的深度可分离卷积核的结构是基于低轶矩阵的分解减少深度可分离卷积核的参数的同时添加残差结构从输入特征图中提取出空间特征，最后用L2正则来进行标准化得到。
2.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，3×3卷积核的步长为2。
3.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，下采样单元由一个步长是2的标准卷积层和一个步长为1的最大池化层组成。
4.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，分类层包括全局平均池化和8维的全连接层；8维的全连接层采用softmax函数计算。
5.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，全连接层是基于循环分块矩阵和哈达玛变换的全连接层；
循环分块矩阵是基于矩阵的计算，具体为：将原始的任意大小的权矩阵分割为2D的方形子循环分块矩阵；
哈达玛变换为：将循环分块矩阵分解为两个离散傅里叶分块矩阵以及一个对角分块矩阵的乘积。
6.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，IDSConv-branch卷积单元的结构是首先将输入通道一分为二，一侧是改进的深度可分离卷积核，另一侧是残差结构；然后通过Concatenated操作将两分支拼接，使用通道混洗操作对分支通道进行融合；最后输出特征图；
Concatenated操作前，采用BN函数和Relu函数对改进的深度可分离卷积核进行计算。
7.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，将喷水织机经面图像转化为成数据信息之前，对喷水织机经面图像进行图像增强算法处理，具体步骤：
(1)灰度变换：先将喷水织机经面图像进行灰度化，再使用伽马函数对灰度化后的图像进行处理；所述伽马函数为：s＝c(r+ε)γ；其中，s为输出灰度级，c为正常数，r为输入灰度级，ε为偏移量，γ为正常数；
(2)将灰度变换之后的图像进行锐化处理；锐化处理使用拉普拉斯算子来增强图像的细节。
8.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，改进的深度可分离卷积核的结构中基于低轶矩阵的分解的同时添加残差结构从输入特征图中提取出空间特征的计算过程为：
其中，
为深度卷积核，
为输入特征图，Pm,n为标准化矩阵，
和
为逐点卷积分解后的两个逐点卷积，Im为单位矩阵。
9.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，注意力融合模块是将高层次信息和低层次信息分别依次进行包括全局平均池化、注意力机制、1*1的卷积核，Sigmold函数的处理后融合得到全局特征信息。
10.根据权利要求1所述的基于无接触经纱断经检测的织机的控制方法，其特征在于，缺陷检测模型中还使用Dropout层和局部响应归一化层进行训练，局部响应归一化层的归一化计算公式为：
其中，(x,y)为输入特征图的坐标，
为坐标为(x,y)位置归一化之后的像素值，
为坐标为(x,y)位置归一化之前的像素值，k＝2，α＝1×10-4，β＝0.75，n＝5，N为通道数；i为第i个神经元的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153334.2A CN113005608A (zh) | 2021-02-04 | 2021-02-04 | 基于无接触经纱断经检测的织机的控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110153334.2A CN113005608A (zh) | 2021-02-04 | 2021-02-04 | 基于无接触经纱断经检测的织机的控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113005608A true CN113005608A (zh) | 2021-06-22 |
Family
ID=76383778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110153334.2A Pending CN113005608A (zh) | 2021-02-04 | 2021-02-04 | 基于无接触经纱断经检测的织机的控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113005608A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1742124A (zh) * | 2003-02-17 | 2006-03-01 | F.I.R.S.T.股份公司 | 控制织机中经纱的未断裂状况的光学*** |
| CN106929989A (zh) * | 2017-03-13 | 2017-07-07 | 盐城工业职业技术学院 | 织机断经检测方法及*** |
| CN109097931A (zh) * | 2017-06-20 | 2018-12-28 | 鲁丰织染有限公司 | 浆纱机纱线断经自停装置 |
-
2021
- 2021-02-04 CN CN202110153334.2A patent/CN113005608A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1742124A (zh) * | 2003-02-17 | 2006-03-01 | F.I.R.S.T.股份公司 | 控制织机中经纱的未断裂状况的光学*** |
| CN106929989A (zh) * | 2017-03-13 | 2017-07-07 | 盐城工业职业技术学院 | 织机断经检测方法及*** |
| CN109097931A (zh) * | 2017-06-20 | 2018-12-28 | 鲁丰织染有限公司 | 浆纱机纱线断经自停装置 |
Non-Patent Citations (2)
| Title |
|---|
| 吴旭东: ""基于深度学习的环锭纺细纱机断头检测与专件识别技术研究"", 《天津工业大学工程硕士学位论文》 * |
| 吴旭东: ""基于深度学习的细纱端头检测模型"", 《天津纺织科技》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Deformable patterned fabric defect detection with fisher criterion-based deep learning | |
| Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
| CN111724372A (zh) | 基于对抗神经网络的布匹缺陷检测方法、终端和存储介质 | |
| CN105005765A (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
| CN104778692A (zh) | 一种基于稀疏表示系数优化的织物疵点检测方法 | |
| CN103544499A (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
| CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
| Lv et al. | Few-shot learning combine attention mechanism-based defect detection in bar surface | |
| CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及*** | |
| CN115439804A (zh) | 一种用于高铁检修的监测方法以及装置 | |
| An et al. | Fabric defect detection using deep learning: An Improved Faster R-approach | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| Bauer | Self-supervised training with autoencoders for visual anomaly detection | |
| CN114155186A (zh) | 基于无监督学习的缺陷检测***及方法 | |
| Yu et al. | Research on CNN Algorithm for Monochromatic Fabric Defect Detection | |
| CN111127407B (zh) | 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法 | |
| Zhang et al. | Object detection algorithm based on deformable convolutional networks for underwater images | |
| CN113409290B (zh) | 一种液晶屏外观缺陷检测方法、装置及存储介质 | |
| CN112465810A (zh) | 一种纺织品疵点的检测分类方法 | |
| CN113005608A (zh) | 基于无接触经纱断经检测的织机的控制方法 | |
| CN112560894A (zh) | 一种改进型3d卷积网络高光谱遥感影像分类方法及装置 | |
| Ramadhan et al. | Identification of cavendish banana maturity using convolutional neural networks | |
| CN111368856A (zh) | 一种基于视觉的图书盘点***的书脊提取方法及装置 | |
| Singh et al. | Performance analysis of ELA-CNN model for image forgery detection | |
| CN115760695A (zh) | 基于深度视觉模型的图像异常识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |