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。

基于多相机同步控制的织物质量检测技术研究

为解决宽幅玻璃纤维多轴向织物的在线质量检测问题,搭建了多相机同步控制的织物质量在线检测平台。对比分析了软件触发和硬件触发两种控制模式下的相机控制策略,确定出了基于PCI的多相机同步控制方案。研究了多相机采集的多幅图像拼接问题,给出了图像拼接的原理和方法。并利用坐标变换方法实现了多幅图像的配准,最后用机器视觉软件HALCON进行了图像拼接实验,取得了较好的效果。