论文总字数：23427字

摘 要

对于纺织公司来说，提高生产效率和降低生产成本是他们的重要目标，但是确保织物产品的质量是实现此目标的前提。尽管现代先进的纺织机械可以有效地减少织物产品中的疵点的产生，但是由其制造过程引起的各种疵点仍然是不可避免的。目前，大多数织物疵点检查任务都是人工完成的，而这种劳动强度大的工作不能保证对产品进行一致的评估。

针对人工织物疵点检测劳动强度大效率低的问题，本文基于深度学习对织物疵点检测方法进行了研究。

本文的主要工作包括以下内容: (1)制作数据集，单色布分成7类，花布分成9类。(2)使用基于python的TensorFlow深度学习框架编写代码实现了卷积神经网络。(3)实验了两个网络，网络1包含3个Convolution层，3个Pooling层，1个Reshape层，2个Dense层，网络2包含4个Convolution层，4个Pooling层, 1个Reshape层，2个Dense层，不断实验，调参获得一个针对单色布识别率95%的网络。

关键词: 织物疵点检测 深度学习 卷积神经网络 图像处理

Research on Automatic Detection Method of Fabric Defects Based on Deep Learning

Abstract

For textile companies，improving production efficiency and reducing production costs are their important goals，but ensuring the quality of fabric products is a prerequisite for achieving this goal。 Although modern advanced textile machinery can effectively reduce the occurrence of defects in fabric products，various defects caused by its manufacturing process are still inevitable。 At present，most inspection tasks for fabric defects are done manually，and such labor-intensive work cannot guarantee a consistent assessment of the product。

Aiming at the problem of high labor efficiency and low efficiency of artificial fabric defect detection，this paper studies the method of fabric defect detection based on deep learning。

The main work of this article includes the following: (1) Making data sets, monochrome cloth is divided into 7 categories, and flower cloth is divided into 9 categories. (2) Using the Python-based TensorFlow deep learning framework to write code to implement the convolutional neural network. (3) Experimented with two networks, network 1 contains 3 Convolution layers, 3 Pooling layers, 1 Reshape layer, 2 Dense layers, network 2 contains 4 Convolution layers, 4 Pooling layers, 1 Reshape layer, 2 Dense layers, continuous experiments, tuning to obtain a network with a recognition rate of 95% for monochrome cloth.

Key words: Fabric defect detection; Deep learning; Convolutional neural network; Image Processing

目录

摘要 I

Abstract II

第一章 绪论 1

1.1 课题研究背景与意义 1

1.2 织物疵点检测方法国内外研究现状 2

1.2.1 统计方法 2

1.2.2 频谱方法 3

1.2.3 模型方法 3

1.2.4 机器学习方法 4

1.3 研究内容与结构安排 4

第二章 相关基础知识介绍 6

2.1 织物疵点形成原因与分类 6

2.2 神经网络的结构与原理 6

2.2.1 感知机 6

2.2.2 激活函数 7

2.2.3 神经网络的结构与学习原理 11

2.3 卷积神经网络 15

2.3.1 网络结构 15

2.3.2 卷积神经网络的优势 17

2.4 算法框架 17

第三章 基于卷积神经网络分类织物疵点 21

3.1 数据预处理 21

3.2 代码与实现 22

3.2.1 实验环境 22

3.2.2 常量定义 23

3.2.3 网络模型构建 23

3.2.4 训练模型 24

3.2.5 训练记录可视化 25

3.2.6 完整代码 26

3.3 基于深度学习的网络模型设计 26

3.3.1 网络１ 26

3.3.2 网络２ 28

3.3.3 实验结果 30

第四章 总结与展望 42

4.1 论文总结 42

4.2 系统评价 42

4.3 展望 42

附录 43

参考文献 49

绪论

课题研究背景与意义

广泛用于电子，汽车，工业和医疗行业的产品疵点检测是现代制造业中极为重要的一部分。纺织工业是世界上最大的制造业之一。全球织物年平均产量达到数百万吨，而我国的纺织业产量占其总产量的半数以上，同时企业在生产的过程中还会产生了许多带疵点的织物。这些不良的织物将导致公司的利润损失高达35％-55％[^[1]]。可以看出，如何有效地检测织物疵点，保证织物质量是这些织物生产企业生存的关键。但是，目前织物疵点检测仍然依靠传统的人工检测，既费时又费力，检测精度难以保证，严重影响了织物产品的质量和大规模生产的效率。为了满足人们对纤维纺织品日益增长的需求，智能化的纺织设备的对提高我国纺织工业的智能制造水平具有非常重要。

织物质量控制是确保织物生产效率和产品质量的重要手段。在生产过程中，设备故障，工厂环境温度变化以及员工操作失误等各种情况都可能严重影响织物的生产质量。织物疵点是影响织物生产质量并直接影响织物质量水平的关键因素。根据市场研究，具有明显疵点的织物的价格通常比普通织物低约50％[^[2]]。这种织物给纺织公司带来了巨大的经济损失。因此，减少织物疵点对于提高产品质量，提高产品竞争力和降低生产成本至关重要。

请支付后下载全文，论文总字数：23427字