基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测.卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,将训练集送入卷积神经网络进行特征提取与分类.经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15％,效果较好.     

基于GoogLeNet的色织物花型分类

针对色织物花型人工视觉分类效率低的问题,提出了一种基于深度卷积神经网络(CNN)的色织物花型图像识别分类方法。构建了18种类别的色织物花型图像样本数据库,建立了基于GoogLeNet的色织物花型分类深度卷积神经网络,并通过实验分析选择最优的训练迭代期与学习率。结果表明利用深度神经网络分类识别色织物花型是可行、有效的。     

基于卷积神经网络的蓝印花布纹样基元分类

为更好地数字化传承与创新传统的蓝印花布纹样,并能单独提取构成纹样的图案基元并进行分类,提出一种基于卷积神经网络的纹样基元分类方法。首先,对采集的128张蓝印花布图像进行纹样基元提取,形成图像样本库,共21 212张。其次,从库中随机选取80%的图像样本作为训练集,20%作为测试集,利用5×5卷积核对训练样本进行卷积操作,将得到的特征图进行池化。通过3层卷积、3层池化及2层全连接层计算后,利用Softmax分类器得到12种分类结果。最后,通过基元样本的学习获取最佳网络模型参数,并取得较理想的分类结果。结果表明:提出的卷积神经网络模型对12种纹样基元的平均分类准确率达99.61%,检测平均准确率达98.5%,为蓝印花布纹样的研究提供了新思路。     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

基于深度卷积神经网络及迁移学习的纸病分类方法研究

本课题结合迁移学习策略,设计了一种适用于纸病图像的小样本深度卷积神经网络分类器。首先冻结VGG16网络卷积层的前7层卷积层参数,微调后面的卷积层,完成纸病特征的提取;其次改进用于分类的全连接层,使其满足纸病分类的需求;最后在训练过程中采用迁移学习策略,提高训练效率。结果表明,该方法能够提高纸病识别效率及精度,并进一步加强纸病识别功能。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

少样本学习下的服装风格分析与评价

为提高服装风格评价的客观性,提出了利用卷积神经网络对不同品牌服装风格特征进行自动提取、识别和分类的方法,以不同品牌的服装为对象,探究其视觉风格合理表征的方法,并实现品牌服装的分类任务。建立了品牌服装数据集,该数据集包含50个品牌的服装图像,每个服装品牌30张,随机抽取36个用作训练集,剩余14个用作支持集和查询集。采用少样本学习的网络模型,Siamese网络模型、Protype网络模型、Meta baseline网络模型对品牌服装数据集进行测试,对比分析3种网络模型的实验结果。结果表明:在品牌服装图像数据较少的情况下,可以通过少样本学习方法对其进行分类,使用meta baseline网络在5-way,1-shot任务中的分类准确率高达0.9475。     

基于去噪卷积自编码器的色织衬衫裁片缺陷检测

有监督框架的色织衬衫裁片缺陷检测算法依赖大量标注样本且建模成本高,为此提出一种基于无监督去噪卷积自编码器的色织物缺陷自动检测与定位方法。构建色织衬衫裁片图像数据库;对无缺陷样本加入高斯噪声,利用深度去噪卷积自编码器建立色织衬衫裁片图像的去噪重构模型,对噪声干扰进行重构性修复。计算待测色织衬衫裁片图像和其重构图像的残差,并使用数学形态学算法检测和定位裁片缺陷区域。实验结果表明,在不依赖标注样本的条件下,基于去噪卷积自编码器的色织衬衫裁片图像重构模型和残差图像分析算法可以有效检测色织衬衫裁片的缺陷区域。     

基于网中网卷积神经网络的红枣缺陷检测

提出了一种基于网中网卷积神经网络对红枣进行缺陷检测的方法,在原有AlexNet卷积神经网络的基础上增加了1×1隐含感知层,增强了网络的非线性以提取更抽象的特征;并采用全局平均池化层的方式替换全连接层,减少大量参数的同时提升了识别准确率。对新疆骏枣进行了实测,可将红枣分为好枣、黑斑枣、皱枣、叠枣、脱皮枣、黄皮枣和裂枣7类,表明该方法与基于常规SVM的视觉检测方法和基于AlexNet网络的分类方法相比,分类效果得到了有效提升。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于对抗神经网络和神经网络模型的筒子纱抓取方法

为提高筒子纱抓取和上纱过程的自动化和柔性化程度,应用单目视觉系统引导机器人完成上纱过程。采用工业相机获取单个筒子纱不同形态的数据信息,应用GAN(生成式对抗神经网络)对筒子纱数据集扩充,提高筒子纱数据集多样性。将所得的数据集加载到Faster R-CNN(更快速区域卷积神经网络)模型里进行训练,应用训练好的神经网络识别和定位筒子纱,引导机器人完成上纱任务。应用搭建的单目视觉系统实验平台对结果进行测试,结果表明,经过标定后的视觉系统可以完成多个筒子纱的抓取任务,以满足筒子纱上纱过程的自动化和柔性化要求。     

基于轻量卷积网络的马铃薯外部缺陷无损分级

目前马铃薯外部缺陷检测方法主要依靠人工提取特征,且检测精度不高,为了更好地对马铃薯外部缺陷进行快速、准确在线分级,本实验提出一种基于轻量卷积网络的在线分级方法。首先,利用ImageNet数据集训练Xception网络模型,建立马铃薯预训练网络模型;然后,重新构建5 类缺陷全连接层,并通过迁移学习在预训练网络模型上训练马铃薯缺陷数据集;最后,基于外部缺陷识别模型分别测试5 类缺陷的分级性能。结果表明,学习率为0.000 01时,网络模型整体性能最优,训练准确率为98.88%,损失值为0.034 9;在相同样本条件下,与9 种不同深度的网络进行对比,本实验构建的轻量级网络模型识别效果最好,平均识别准确率达到96.04%,且运行时间比识别效果较好的ResNet152网络更短,本实验网络模型的识别速率为6.4 幅/s,本研究结果可为马铃薯在线分级提供理论支持。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。