基于标签嵌入方法的纺织品瑕疵识别网络

卷积神经网络(Convolutional Neural Network,CNN)可用于工业生产环境下的纺织品疵点的鉴别与分类。针对实际场景下的纺织品瑕疵存在瑕疵类型视觉区分度小和实际数据样本采集时的瑕疵类别不平衡问题,本文提出了基于标签嵌入方法的纺织品瑕疵识别网络(Textile Defect Recognition Network Based on Label Embedding,TDRNet)。首先,算法调整了基础骨干网络的结构,从而提高模型的分类精度;接着算法还设计了标签嵌入模块(Label Embedded Module,LEM),并使用该模块来生成模型的类别权重偏移;然后,本文提出了分布感知损失函数(Distribution Perception Loss,DP Loss)调整算法的类别分布,从而减小同类瑕疵特征的类内距并增大异类瑕疵特征的类间距;最后,本文引入了Seesaw Loss损失函数,通过抑制少数类别的负样本梯度并提高对误分类时的样本损失来动态平衡模型训练过程中在不同样本下的更新梯度,以缓解少数类别的误分类率。在自制的“广东智能制造”布匹瑕疵分类数据集中,本文提出的框架在粗粒度分类和细粒度分类两个任务上的top1错误率可达16.35%和17.12%,而top5错误率在细粒度分类任务上低至5.20%。与其他分类模型相比,TDRNet在对比实验中取得了最优的结果。此外,TDRNet与近5年经典的细粒度分类模型进行了比较,并取得了SOTA结果,这充分表明了TDRNet的先进性。

“纺织新材料及其识别”课程思政建设

通识选修课是高等院校课程体系中的重要组成部分。通过分析课程建设现状与教学内容特点,确立“纺织新材料及其识别”课程思政建设指导思想和目标定位,总结了思想政治教育融入课程的结合点。对于落实习近平总书记强调的“要坚持显性教育和隐性教育相统一,挖掘课程和教学方式中蕴含的思想政治教育资源,实现全员全程全方位育人”,对加强通识选修课课程思政建设提供决策参考。

基于《纺织材料识别与应用》省级精品在线开放课程的混合式教学模式

《纺织材料识别与应用》省级精品在线开放课程是在省级精品课程和省级精品资源共享课程的建设基础上,加强在线开放课程教学资源应用于传统课堂教学实践,探索以学生为中心的线上线下混合式教学模式,全面提高高职教育人才培养的质量。将该课程的混合式教学和大学生创新创业教育相结合,以全面提高大学生的就业竞争力。

“纺织新材料及其识别”在线课程建设研究与实践

确立"纺织新材料及其识别"在线课程建设方案,总结课程建设指导思想和目标定位,以及网络教学资源、教材、校内实践教学平台和校外实践教学基地等教学资源建设的思路和具体做法。

基于主成分分析及最近邻算法的纺织材料识别

探讨了利用主成分分析与最近邻分类器对8种纯纺织物的识别分类效果。首先采集8种纯纺织物在920nm～2 528nm波长范围内的720幅高光谱图像,经过图像标定、曲线滤波、波长预选等预处理之后得到可供分析使用的高光谱原始数据。而后将720个织物小样分为训练集和测试集,结合主成分分析提取出织物小样的4个特征波长,最后利用最近邻分类器完成训练并对测试集进行分类识别。结果表明:训练集识别率达到了100%,测试集分辨率也都达到了95%,整体识别效果较好。认为:高光谱成像技术可以用于棉、涤纶、聚乙烯、羊毛、聚氯乙烯、锦纶、亚麻、蚕丝的材料识别。

染整技术专业“纺织面料识别”课程教学的实践与思考

介绍"纺织面料识别"课程设置的重要性以及课程的详细内容,并对教学过程中的一些问题进行思考。

美国《纺织品识别法》研究及我国的借鉴

美国《纺织品识别法》产生于1958年，后来还颁布了实施细则。该法案距今已有半个世纪，是世界上比较完善的标签标准法案。美国《纺织品识别法》由美国联邦贸易委员会负责实施，美国联邦贸易委员会对违反该法案的行为进行处罚，包括禁令和罚款。纺织业是我国制造业的骨干，在带动我国经济增长上起着重要作用。我们应该学习和借鉴美国《纺织品识别法》，制定我国的纺织品标签法。

美国《纺织品识别法》研究及对我国的借鉴

美国《纺织品识别法》制定于1958年,是世界上比较完善的标签标准法案,它由美国联邦贸易委员会负责实施。纺织业是我国制造业的骨干,在带动我国经济增长上起着重要作用。学习和借鉴美国《纺织品识别法》,对制定我国的纺织品标签法有着现实意义。

人工神经网络在纺织上的应用

就人工神经网络在纺织上的应用进行初步分析,特别是在纺织分类评级、织物风格评价、纺织识别等方面进行了研究探讨,比如用KES-F系列风格仪器测试代替人手触摸织物,由仪器测得的16个物理力学量计算织物风格;用Kawabata风格仪测得的16个物理量作为输入参数,以织物种类为输出,用三层BP网进行训练,网络经训练后对未知织物进行识别。最后介绍了人工神经网络的两类实现方法。

The Recognition of Silk Fabric Defects Based on Biorthogonal Wavelet Analysis and SOM Neural Network

A feasible approach for the recognition of silk fabric defects based on wavelet transform and SOM neural network is proposed in this paper, the indispensable processes of which are defect images denoising and enhancement, image edge detection, feature extraction and defects identification. Both geometrical and textmal feature parmnete~ are extracted from the edge image and the enhanced defect image, and utilize SOM neural network to recognize the common defects which silk fabrics have, including warplacking, weft-lacking, double weft, loom bars, oil-stains. Experimental resets show the advantages with high identification correctness and high inspection speed.