新闻动态

基于卷积神经网络的短切毡缺陷分类
首页 > 新闻动态 > 基于卷积神经网络的短切毡缺陷分类

短切毡在生产过程中,不可避免地会出现分散不良、纱结、并条和异物等缺陷,因此,在质量检测过程中,统计短切毡缺陷的数目并分析缺陷形成的原因,有针对性地进行生产指导,对提高产品质量有重要意义。

本文基于卷积神经网络,提出了短切毡缺陷分类的方法。通过旋转、平移和翻转对数据集进行扩充,解决了小数据样本在深度卷积神经网络中的过拟合问题;利用迁移学习的思想加速网络收敛,提高了网络的泛化能力;对比了不同网络结构并选择较好的网络进行数据集验证。结果表明,此方法能够实现短切毡缺陷的有效分类,准确率为93%。

实验数据来源于工厂实际生产,使用工业相机采集短切毡样本图像,得到短切毡样本数据库。目前,工业上的短切毡缺陷主要有分散不良、并条、异物和纱结4种类型。利用OpenCV计算机视觉库,通过旋转、平移和翻转等方法对获取的数据集进行扩充形成短切毡数据库,共5777张,各缺陷样本数量。将数据集数量按6:2:2的比例分为训练集、验证集和测试集3部分,训练集和验证集用于网络训练,测试集用于对训练好的网络进行性能评估。

实验结果

1、参数设置

网络采用交叉熵损失函数计算预测值和真实值之间的误差,使用随机梯度下降法对网络参数进行迭代更新。使用迁移学习的方法将短切毡数据集在多个网络结构上进行训练和验证,网络全连接层替换为4分类的分类器,卷积层和池化层保持卷积核大小、步长等参数不变,即保留预训练模型的学习和提取特征的泛化能力。

2、对比参数初始化方法

保留网络结构参数的基础上,网络模型的参数初始化通常有2种方式:1)随机初始化网络参数,输入训练集和验证集进行网络训练;2) 对迁移网络结构在源数据集上的训练参数进行模型初始化。在VGG19网络模型上对比2种初始化方法在训练过程中训练精度、验证精度、训练损失值和验证损失值的变化。

如图2所示,实线表示随机初始化网络参数的训练过程,虚线表示微调网络参数的训练过程。每完成一次迭代,将验证集样本输入到网络结构中,记录验证集的准确率并将其作为评估该模型性能的依据。实验结果表明,第4种网络初始化方式,当迭代步数为20时,训练精度和验证精度趋于稳定,验证精度为75%;第2种方式,当迭代次数为10时,网络的训练精度和验证精度基本达到最大值86.5%,训练损失值和验证损失值达到最小。对迁移源数据集的训练参数进行网络训练能够更快拟合数据集且精度高。

3、微调网络参数

为了提高网络对数据集特征的提取能力,加速网络拟合过程,基于初始化参数方式的对比,将网络在大样本数据集下的训练参数作为权值和偏置值,并进行初始化,对比ResNet 和VGG 系列网络包括ResNet18、ResNet50、ResNet101、VGG11、VGG16和VGG19对短切毡缺陷数据的表现,进行50次迭代,记录每次迭代网络的训练精度、验证精度、训练损失值和验证损失值,并统计网络的建模时间,实验结果如图3所示,ResNet50能够更快更好地提取短切毡缺陷特征,验证精度达到93%。

4、模型测试

为了评价卷积神经网络在短切毡图像分类方法的性能,采用ResNet50训练网络模型进行测试数据集的验证。1)计算混淆矩阵,结果如图3所示,横坐标表示被预测短切毡数据的真实值,纵坐标表示数据的预测值。针对短切毡的4种缺陷,每类选取260张进行预测,每张的测试时间为100ms。2)计算该算法的分类精确率p、召回率R及F1。F1 综合了P和R的判断指标,F1的取值范围为0到1,1表示效果最好,0表示效果最差。

采用基于卷积神经网络的短切毡缺陷分类算法对缺陷图片进行分类。通过卷积神经网络自动提取织物缺陷特征,解决了人工提取特征不全面的问题;使用迁移学习和反向传播算法对数据集在多个网络结构上进行模型训练和特征提取,获取网络参数,选择拟合能力较好的网络进行测试,评估网络性能。实验结果表明,ResNet50能够更快更好地提取短切毡缺陷特征,并且验证精度可达到93%,能够实现数据集的有效分类。

本文源自:互联网