基于改进残差网络的空纱筒识别模型

针对纺织车间背景复杂、纱筒种类多导致利用传统机器视觉识别空纱筒准确率低、模型参数量大的问题,设计了一种基于改进残差网络的空纱筒识别模型。该模型借鉴ResNet系列的模型结构,进行卷积核轻量化,改进经典的残差模块并加入SENet注意力机制,以达到提高检测空纱筒的准确率,减少模型参数的目的。最后通过数据增强,创建了适合工厂实际生产的纱筒数据集。实验结果表明：在消融实验中,应用SENet注意力机制可以提高3.86%的准确率,利用优化残差模块不仅减少了650%的模型参数还提高了1.22%的准确率。在原数据集的验证集上,改进模型的准确率为99.6%比ResNet-18模型高4.46%,与VGG-16和AlexNet相比提高了7.05%～9.41%。在增强的数据集上,识别模型的准确率都有了较大的提升,但改进模型的准确率变化不大,说明该模型的鲁棒性较好,不易受到样本不足的影响。改进模型的参数数量缩小到原模型参数数量的1/10左右,为嵌入式设备部署空纱筒识别模型提供了思路。     

基于机器视觉的空纱筒口定位方法

为实现换筒桁架机器人空纱筒口定位功能，提出一种深度学习与传统图像处理相结合的定位方法。首先通过改进的Yolov5模型框定图片中纱筒口的位置；然后利用Sobel边缘检测、阈值分割、滤波、闭操作处理框定区域的图像，并通过最小二乘法拟合得到空筒口径及中心坐标；最后利用单目相机小孔成像原理完成纱筒口的定位。结果表明：改进后的模型在检测准确率上达到99.2%,检测速度可达54.3帧/s,同时模型参数量减小到3.71 M,X轴、Y轴、Z轴方向的定位误差分别控制在1.3、1.9、0.7 mm以内，本文研究结果可满足换筒桁架机器人空筒口定位功能需求。