织物疵点自动识别技术在毛纺中的应用

为了实现自动验布，摆脱人工验布的种种缺点，介绍了采用神经网络和图像处理技术识别织物疵点的准确性和可行性，把疵点主要分为破洞、断经、断纬、油渍、筘路等5类，使用灰度统计量法对疵点图像进行处理，然后应用BP网络对其进行分类识别。实验证明该方法的准确性高、速度快，符合自动验布系统的要求。同时文章还讨论了该技术在毛纺企业的应用前景。     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

基于BP神经网络织物疵点检测识别

根据疵点的特征对简单的织物疵点进行识别,先采用直方图均衡化、小波分解、二值化等方法对织物图像进行一系列的预处理,然后提取出织物疵点的特征值,再利用3层BP神经网络对织物疵点进行训练识别分类,试验结果表明识别率达95％。     

丝织物疵点智能化判别

主要对平纹、斜纹和缎纹组织丝织物的一些常见疵点，如档疵、缺纬、缺经、重纬、油污等进行了智能化判别。先用SONY数码相机在黑色的背景下对疵点进行了拍照得到了图像数据，然后用一系列图像预处理法，如直方图处理变换增加了织物图像的对比度、用计算得到的阈值对织物进行了二值化处理、滤波方法消除二值化处理后图像噪声等，从织物纹理分离出疵点部分，得到了可以分析的织物疵点图像。用灰度统计法对预处理得到的织物疵点图像进行了分析，得到了织物各疵点基本特征值信息。织物疵点智能化判别是用BP神经网络进行的，首先对BP神经网络进行了训练，然后将灰度统计法得到的疵点特征值信息输入到BP神经网络，对疵点进行了分类。     

基于机器视觉的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测的方法。该方法是在融合图像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。实验结果表明,对帘子布常见疵点如油污、破洞、断经、断纬等能比较准确地识别。     

基于人工神经网络的织物疵点检测

根据疵点的特征对常见织物疵点进行了简单的划分。采用直方图均衡化、二值化、中值滤波、腐蚀和膨胀等方法对织物图像进行一系列的预处理，对织物疵点的特征参数进行提取，利用人工BP神经网络来判别疵点的类别并进行分类。结果表明，利用BP神经网络识别织物疵点并进行分级是行之有效的。     

运用直流抑制傅里叶功率谱特征总和鉴定平纹坯布织物疵点

织物疵点诸如断经、双纬、局部微小疵点,以及稀纬和松纬,都会出现在喷气织机或剑杆织机织造的平纹衬衫坯布中,因此,这些疵点对织物的质量控制至关重要。讨论了应用由傅里叶变换获得的直流抑制傅里叶功率谱(DCSFPS),依据目录频率意义和机织物的周期性来分析织物图像,从而鉴定织物疵点。分析基于由三种不同线密度纱线织造的平纹机织物而实施,计算多达20个处于DCSFPS边缘的特征,同时将DCSFPS输入基于LMBP算法的神经网络。神经网络分别在输入层、隐藏层和输出层最佳化地运用20、40和3个神经元,对坯布织物疵点进行鉴别和分类。神经网络的分析结果重复点不超过20个,且给出的分类精确性几乎达到100%。     

基亏小波神经网络的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测上。在融合罔像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类。结果表明：对帘子布常见疵点如油污、破洞、抽经、断纬等能比较准确地识别。     

基于小波神经网络的帘子布疵点智能识别技术

针对帘子布疵点图像特征,提出了将小波变换和人工神经网络技术应用在帘子布疵点检测上.在融合图像灰度的基础上,经小波变换后再提取分解子图像的特征值,利用BP神经网络进行图像分类.结果表明:对帘子布常见疵点如油污、破洞、抽经、断纬等能比较准确地识别.     

基于PSO-BP神经网络的织物疵点分类方法

将粒子群优化算法运用于BP神经网络的训练,更合理地确定神经网络的连接权重和阈值,提高解决实际问题的能力。同时将PSO-BP神经网络的模型用于织物疵点的分类中。采用正交小波变换的方法对织物图像进行单层分解,并提取水平和垂直2个方向的子图像,分别代表织物的纬向和经向纹理,然后计算其经、纬向的能量、方差、熵等特征值,做为神经网络的输入值。将PSO-BP神经网络与BP神经网络分类的结果相比较,表明PSO-BP神经网络能够取得较好的效果。     

滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。     

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FPGA的快速樱桃缺陷检测与识别系统设计

为使樱桃缺陷检测与识别系统满足实时性的要求,提出以卷积神经网络模型为基础,使用SDSoC开发平台,完成FPGA对樱桃缺陷进行快速检测与识别系统的设计。通过优化数据传输,复用网络模型中通用矩阵乘法函数(GEMM)和对卷积操作进行并行化设计,实现PL端硬件加速。利用SDSoC平台,在PS端使用高级语言映射卷积神经网络模型,在实现所需性能的同时大量节省了开发时间。结果表明,与纯软件方式相比,基于Zynq7020硬件开发平台,速度提高了2.19倍以上,与CPU平台相当。     

KFDA在领口质量评价系统中的应用

织物领口性能评价是织物性能评价中的一个重要部分,为实现评价系统分类的自动化,提出了采用核Fisher判别分析(KFDA)方法来识别新样本的类别,将已分类的样本分为训练样本和测试样本。应用核函数将输入空间映射到特征空间,并在特征空间中求取训练样本投影矢量和构建判别函数组,然后用测试样本来验证判别函数组的识别效果。最后对KFDA、BP神经网络(BPNN)和径向基神经网络(RBFNN)3种方法的识别效果进行了对比,结果显示KFDA方法对于新样本具有较高的识别率。     

基于人工神经网络的多指标综合评价方法研究

研究了利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，并以建设工程项目招标评标为背景，建立了相应的多指标综合评价BP模型。引入附加动量法和变步长算法对BP网络算法进行改造，大大提高了标准BP神经网络收敛速度与学习训练速度，为解决多指标综合评价问题提供了一条有效途径。     

Identification of fabric defects based on discrete wavelet transform and back-propagation neural network

Detection of fabric defects can be considered as a texture segmentation and identification problem, since textile faults normally have textural features that are different from features of the original fabric. A feasible approach for the recognition of fabric defects based on discrete wavelet transform and back-propagation neural network is proposed in this article, the indispensable processes of which are defect image preprocessing, wavelet transform, feature extraction, principal component analysis of the extracted feature parameters, and defect identification. Under the experimental condition, the average recognition accuracy of defects and nondefects are 99.2% and 100%, respectively. Experimental results show the advantages with high identification correctness and high inspection speed.     

Identification of nonwoven uniformity using generalized Gaussian density and fuzzy neural network

A joint method to identify nonwoven uniformity by combining wavelet transform, generalized Gaussian density (GGD) and generalized dynamic fuzzy (GDF) neural network is presented in this paper. Six hundred and twenty‐five nonwoven images of five different grades, 125 images of each grade, are decomposed at three different levels with coif4 wavelet base. Wavelet coefficients in each subband are independently modeled by GGD model, while the scale and shape parameters of that are extracted as input features of GDF neural network. For comparison, two energy‐based features are also extracted from wavelet coefficients directly, the number of which is the same as the scale and shape parameters estimated from GGD model with maximum likelihood (ML) estimator. Experimental results on the 625 nonwoven images indicate the GGD model parameters are more expressive and powerful in characterizing textures than the energy‐based ones. The proposed method has high identification accuracy, such as when the images are decomposed at Level 3 and described with GGD model parameters, the identification accuracies of five grades are all 100%. Additionally, to reduce the redundancy of the generated fuzzy rules, an effective complementary approach, fuzzy rule base reduction based on ‘CityBlock’ distance is proposed.     

基于空间信息增强的轻量化玉米果穗品质识别

果穗是籽粒的聚集形态。为实现轻量化卷积神经网络对玉米果穗品质的准确、快速识别,提出了一种结合轻量化主干和轻量化通道池化注意力模块（Lightweight channel pooling attention,LCPA）的玉米果穗品质识别模型LCPA-Ghost。首先,采用Ghost网络实现轻量化处理,减少训练成本和冗余信息,提升模型的特征学习能力。其次,将LCPA模块增加到Ghost模块的捷径连接中,在引入少量参数的情况下,弥补空间信息捕获能力的不足,保证模型识别准确率。实验以正常、籽粒杂乱、霉变、杂色和缺粒果穗为研究对象,采集并制作了包含1571张果穗图像的基础数据集。实验结果表明,LCPA-Ghost模型的测试识别率达98.12%,与CorNet相当,而模型参数量仅为2.40M,单张识别速度为19.08ms,提升9.8%。LCPA-Ghost模型为玉米果穗品质的轻量化识别提供了可行的实验方法。     

神经网络建模及其在食品包装机械中的应用

针对液压伺服系统的强非线性，提出了一种神经网络建模方法。在系统反馈输入信息的基础上，构造一样条函数和常数作为神经网络的输入量，以扩充网络输入量矩阵，使用传统BP算法离线训练网络，得到神经网络模型。应用于食品机械液压伺服系统的建模结果表明，所提出的神经网络模型训练过程收敛速度较快，模型精度高，可有效避免网络陷入局部最优值，而且不需要更多的系统信息。