亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進的Faster RCNN碳纖維編織物缺陷檢測

        2023-02-21 11:36:36趙麟坤陳玉潔張玉井
        棉紡織技術(shù) 2023年2期
        關(guān)鍵詞:編織物毛刺特征提取

        趙麟坤 陳玉潔 張玉井 張 豪

        (東華大學(xué),上海, 201620)

        碳纖維復(fù)合材料具有高強度、高模量比、摩擦因數(shù)小等優(yōu)良性能[1]。對碳纖維復(fù)合材料進行編織,形成三維結(jié)構(gòu)的碳纖維立體編織物,具有制造成本較低、力學(xué)性能優(yōu)異等優(yōu)點,已被廣泛應(yīng)用于航空航天、建筑、能源、醫(yī)療等領(lǐng)域[2-3]。但是碳纖維紗線在編織過程中會產(chǎn)生起毛和斷裂,導(dǎo)致碳纖維編織物表面存在結(jié)構(gòu)缺陷,造成人力消耗、經(jīng)濟損失[4]。因此,碳纖維立體編織物表面質(zhì)量檢測具有重大意義。

        機器視覺檢測憑借高準(zhǔn)確度、高可靠性等優(yōu)勢,在織物缺陷檢測上已經(jīng)有了長足的發(fā)展。ABOUELELA A等[5]采用基于紋理結(jié)構(gòu)檢測的方法,完成織物基本紋理提取和缺陷識別。WONG W K等[6]將基于小波變換的改進閾值方法與反向傳播神經(jīng)網(wǎng)絡(luò)相結(jié)合,實現(xiàn)了對于5類織物縫合缺陷的識別。這些識別算法的核心都是針對待檢測物體的特性,設(shè)計對應(yīng)的缺陷特征識別方法,一定程度提高了檢測的速度與精度。

        隨著深度學(xué)習(xí)的發(fā)展,基于深度學(xué)習(xí)的織物缺陷檢測算法得到了廣泛研究。深度學(xué)習(xí)檢測技術(shù)通過搭建圖像特征提取和識別網(wǎng)絡(luò),實現(xiàn)對織物缺陷的特征識別與分類。景軍鋒等[7]利用微調(diào)卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet[8],對織物疵點圖像進行特征提取,實現(xiàn)了對兩類織物95%以上的分類準(zhǔn)確率,在檢測精度上優(yōu)于傳統(tǒng)算法,但檢測速度有待提升。趙志勇等[9]以Faster RCNN網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ),提出基于Inception-ResNet-v2網(wǎng)絡(luò)的織物缺陷判決算法,實現(xiàn)了織物缺陷檢測。謝景洋等[10]提出了使用輕量化的MobileNets、多細(xì)粒度多尺度特征的Res2Net,修改YOLOv3主干網(wǎng)絡(luò),實現(xiàn)了織物疵點快速檢測。這些識別算法能有效識別具有明顯特征的稀疏缺陷,但對于重復(fù)小缺陷的檢測存在不足。

        本研究參考深度學(xué)習(xí)在織物缺陷識別中的應(yīng)用,結(jié)合碳纖維編織物表面存在重復(fù)性小缺陷的特點,對Faster RCNN[11]網(wǎng)絡(luò)結(jié)構(gòu)進行改進,采用改進的非極大值抑制算法(Soft-NMS)[12],選取對小特征識別性能更高的感興趣區(qū)域校準(zhǔn)算法(RoI Align)[13],完成了對碳纖維編織物表面缺陷的檢測識別。

        1 圖像采集與分析

        1.1 缺陷圖像分類

        通過對碳纖維編織物表面缺陷圖像的采集、整理與分析,得出織物表面缺陷的3種主要類型為稀疏、纖維環(huán)、毛刺,3種缺陷的原始圖像如圖1所示。

        圖1 3種缺陷原始圖像

        稀疏主要表現(xiàn)為稀疏松散的碳纖維經(jīng)緯編織束,或因編織缺陷出現(xiàn)的稀疏編織結(jié)構(gòu)。纖維環(huán)主要表現(xiàn)為碳纖維束脫離經(jīng)緯編織結(jié)構(gòu),貼附在碳纖維編織物表面,或形成較為明顯的環(huán)狀缺陷。毛刺主要表現(xiàn)為片狀聚集分布的纖維毛刺,或因纖維束部分?jǐn)嗔研纬傻耐庖绲拈L條狀纖維束。

        1.2 缺陷圖像分析

        通過對工廠實際生產(chǎn)的碳纖維編織物缺陷圖像采集,共獲取了原始缺陷圖像3 640張。為了加深對缺陷類型分布的了解,以設(shè)計更加適合缺陷圖像的深度檢測網(wǎng)絡(luò),本研究對3種主要缺陷類型進行了統(tǒng)計,實際缺陷類型占比為稀疏27.9%、纖維環(huán)14.5%、毛刺56.2%、其他1.4%。毛刺等小缺陷特征占總?cè)毕蓊愋偷?6.2%,存在重復(fù)率高等現(xiàn)象。這就要求缺陷檢測算法對于小目標(biāo)的識別能力更強、準(zhǔn)確度更高。

        2 改進Faster RCNN結(jié)構(gòu)

        2.1 Faster RCNN應(yīng)用分析

        Faster RCNN模型是在Fast RCNN模型[14]上進行了一系列的改進優(yōu)化,逐步發(fā)展而來的。Faster RCNN可以看作是Fast RCNN + RPN的組合,采用共享卷積層對輸入圖像進行特征提取,再將RPN生成的感興趣區(qū)域與CNN網(wǎng)絡(luò)(如ZFNET[15]、VGG16[16]、ResNet[17]等)提 取 的 特 征圖像,同時輸入到Fast RCNN中,進行感興趣區(qū)域池化,最終實現(xiàn)檢測目標(biāo)的分類與位置回歸。Faster RCNN基本的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其主要由主干特征提取網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)(RPN)、感興趣區(qū)域池化(RoI Pooling)、檢測目標(biāo)分類與回歸組成。

        圖2 Faster RCNN網(wǎng)絡(luò)結(jié)構(gòu)

        通過對采集到的碳纖維編織物缺陷圖像分析可得,毛刺等小缺陷在圖像中重復(fù)率較高,當(dāng)Faster RCNN實際應(yīng)用于織物圖像檢測時,存在以下兩方面不足。一是織物圖像經(jīng)過Faster RCNN深層網(wǎng)絡(luò)反復(fù)卷積和池化后,小缺陷特征圖像將被不斷切割,產(chǎn)生失真現(xiàn)象。當(dāng)對特征圖像的目標(biāo)框進行NMS操作時,網(wǎng)絡(luò)會將分值相近的目標(biāo)框檢測分?jǐn)?shù)強制歸零,以去除重復(fù)檢測框。此過程會將相似的小缺陷特征圖像刪除,從而導(dǎo)致漏檢的產(chǎn)生。二是RoI Pooling層會將輸入的不同尺寸的感興趣區(qū)域圖像,粗糙地池化為相同尺寸的特征圖。此過程將會產(chǎn)生兩次量化誤差,導(dǎo)致缺陷特征圖的感興趣區(qū)域在回歸原始圖像時,產(chǎn)生較大的位置偏差,這一誤差對于毛刺等小缺陷特征圖位置檢測的影響是巨大的。

        2.2 主干特征提取網(wǎng)絡(luò)

        主干特征提取網(wǎng)絡(luò)是Faster RCNN的基礎(chǔ),網(wǎng)絡(luò)層數(shù)直接影響樣本特征提取能力,但是深層網(wǎng)絡(luò)存在退化問題,當(dāng)網(wǎng)絡(luò)深度達到飽和后,模型對于缺陷圖像的識別精準(zhǔn)性會下降。因此,本研究采用ResNet50作為主干特征提取網(wǎng)絡(luò)。ResNet50由1個卷積層、1個全連接層和4組殘差模塊搭建而成,每組分別有3,4,6,3個塊(block),每個塊(block)有3個卷積層(layer)。ResNet50網(wǎng)絡(luò)的基礎(chǔ)是殘差神經(jīng)網(wǎng)絡(luò),殘差模塊結(jié)構(gòu)如圖3所示。

        圖3 殘差模塊結(jié)構(gòu)

        假定神經(jīng)網(wǎng)絡(luò)輸入為x,網(wǎng)絡(luò)期望輸出為H(x),則殘差網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)函數(shù)為F(x)=H(x)-x。殘差網(wǎng)絡(luò)可以通過殘差單元的跳層連接,使得梯度能夠繞過若干層到達輸出層。

        2.3 改進的非極大值抑制算法(Soft-NMS)

        Faster RCNN網(wǎng)絡(luò)中原始的NMS算法實現(xiàn)原理為:預(yù)先選定感興趣區(qū)域中置信度最高的檢測框,遍歷其余所有檢測框與該檢測框的重合度,去除具有高重合度的檢測框,從而實現(xiàn)減少重復(fù)檢測框的目的。交并比IoU是一種定位精度的評估計算方式,它定義了兩個檢測框(A和B)的重疊程度。IoU計算公式如式(1)所示。

        傳統(tǒng)NMS算法的處理方式可以通過式(2)的分?jǐn)?shù)重置函數(shù)進行直觀表達。

        式中:si表示第i個檢測框得分;A表示感興趣區(qū)域中置信度最高的檢測框;Bi代表第i個檢測框;IoU(A,Bi)表示第i個檢測框與A的重合度;Nt表示標(biāo)定的重合度閾值。

        通過上述描述可以看出,NMS算法在抑制檢測框重復(fù)性上的操作上比較嚴(yán)苛。當(dāng)實際應(yīng)用于碳纖維編織物缺陷檢測時,當(dāng)缺陷特征圖B的邊界框與置信度最高的A的邊界框相交,并且兩邊界框的IoU高于標(biāo)定的閾值Nt時,B的檢測框?qū)⒈粡娭苿h除,這樣導(dǎo)致無法檢測到缺陷B圖像,造成漏檢現(xiàn)象。檢測框交并比示意圖如圖4所示。

        圖4 檢測框交并比示意圖

        針對傳統(tǒng)的NMS算法在碳纖維編織物缺陷檢測上存在的不足,本研究采用Soft-NMS算法代替?zhèn)鹘y(tǒng)的NMS算法。Soft-NMS算法的核心是在NMS算法基礎(chǔ)上,當(dāng)待檢測框的IoU值高于標(biāo)定閾值Nt時,用稍微低一點的分?jǐn)?shù)替換原有的得分,從而解決了檢測框被誤刪的問題。Soft-NMS算法可以用如式(3)所示的分?jǐn)?shù)重置函數(shù)直觀表達。

        通過上述改進,實際檢測碳纖維編織物缺陷圖像過程中,當(dāng)缺陷特征圖檢測框B與A的IoU高于標(biāo)定閾值Nt時,檢測框B的得分將會衰減為與A重合度的線性函數(shù),從而避免誤刪。但此分?jǐn)?shù)重置函數(shù)并不是一個連續(xù)函數(shù),將會導(dǎo)致待測檢測框的得分出現(xiàn)斷層。因此,本研究在最后引入高斯函數(shù)重置函數(shù),最終改進的函數(shù)如式(4)所示。

        式中:σ為超參數(shù);D為檢測框的集合;IoU(A,Bi)表示第i個檢測框與A的重合度。

        通過對NMS算法的改進,可以降低傳統(tǒng)NMS算法對于檢測框的誤刪現(xiàn)象,提高了Faster RCNN網(wǎng)絡(luò)對于缺陷檢測框的泛化能力。

        2.4 感興趣區(qū)域校準(zhǔn)(RoI Align)

        原始Faster RCNN網(wǎng)絡(luò)利用感興趣區(qū)域池化(RoI Pooling)層,將主干特征網(wǎng)絡(luò)提取到的不同尺寸的碳纖維編織物缺陷圖像,粗糙地池化為統(tǒng)一尺寸的特征圖,并輸出到后續(xù)網(wǎng)絡(luò)中,用于檢測目標(biāo)分類與回歸,RoI Pooling操作流程如圖5所示。

        圖5 RoI Pooling操作

        RoI Pooling層算法特征提取量化取整主要包括兩步。第一步,將主干特征提取網(wǎng)絡(luò)獲取的特征圖,映射到原圖像的對應(yīng)位置。對于映射后先驗框的浮點坐標(biāo),采用向下取整的方式量化取整。第二步,將映射后獲取的感興趣區(qū)域特征圖,平均劃分為K×K(7×7)的網(wǎng)格單元,對每個網(wǎng)格的浮點坐標(biāo)進行量化取整,并對每個網(wǎng)格采取最大池化。圖6所示為兩次量化取整操作。

        圖6 兩次量化取整操作

        經(jīng)過兩次量化取整,F(xiàn)aster RCNN網(wǎng)絡(luò)對于特征圖的定位將會出現(xiàn)不可避免的誤差,這種誤差對于毛刺等小缺陷圖像的位置定位影響較大。

        針對兩次量化取整操作帶來的誤差,本研究采用RoI Align層來代替RoI Pooling層,以準(zhǔn)確匹配特征圖位置區(qū)域。RoI Align層設(shè)計的核心思想是雙線性插值算法,通過線性操作的方法代替量化操作,保證特征圖中點的連續(xù)性,提升定位精度。算法操作方法:遍歷所有感興趣區(qū)域,將特征圖映射到圖像的準(zhǔn)確位置,保持特征圖邊界精確浮點位置信息;將映射后獲取的感興趣區(qū)域特征圖,平均劃分為k×k(7×7)的網(wǎng)格單元,保持單元格位置精度;在每個單元格中固定計算作為4個采樣點坐標(biāo),采用雙線性插值計算4個采樣點位置,并進行最大池化操作,如圖7所示。

        圖7 RoI Align操作

        以碳纖維編織物缺陷圖像為例,假定輸入的缺陷特征圖為338 pixel×338 pixel,由于網(wǎng)絡(luò)骨架中的下采樣率featstride為16,特征圖在經(jīng)過池化網(wǎng)絡(luò)后每張?zhí)卣鲌D變?yōu)椋?30/16)×(330/16)=20.625 pixel×20.625 pixel;RoI Align層將特征圖平均劃分為7×7的網(wǎng)格,每一塊網(wǎng)格的大小為2.857 pixel×2.857 pixel;對于每個網(wǎng)格設(shè)置4個采樣點,并采用雙線性插值法計算出每個小網(wǎng)格的中心位置像素值;最后,取4個中心點像素值的最大值作為這個小區(qū)域的像素值,通過遍歷7×7的小區(qū)域得到每個區(qū)域的像素值,最終組成所需的7×7大小的特征圖。

        采用RoI Align層代替RoI Pooling層,可以降低RoI Pooling層在特征圖回歸框定位上的位置偏差,提升了后續(xù)缺陷目標(biāo)分類與回歸的檢測精度。

        3 試驗與結(jié)果分析

        3.1 缺陷數(shù)據(jù)集制作

        在深度學(xué)習(xí)訓(xùn)練中,訓(xùn)練數(shù)據(jù)的缺少會導(dǎo)致訓(xùn)練模型實際檢測精度較低。工廠獲取的3 640張?zhí)祭w維編織物缺陷圖像對于實際訓(xùn)練是不夠的。本研究采用旋轉(zhuǎn)、翻轉(zhuǎn)、模糊、增加噪聲等數(shù)據(jù)增強技術(shù),將缺陷圖像數(shù)目擴增為7 280張。通過labelImg圖像標(biāo)注工具,對數(shù)據(jù)增強后的7 280張圖像進行標(biāo)注,并按照PASCAL VOC2007數(shù)據(jù)集格式制作數(shù)據(jù)集。然后將標(biāo)注后的數(shù)據(jù)集按照8∶1∶1的比例,隨機生成缺陷圖像的訓(xùn)練集、測試集、驗證集,用以輸入深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練。

        3.2 試驗環(huán)境與超參數(shù)

        本試驗的硬件環(huán)境為AMD Ryzen 7 5800H@3.2 MHz 8核處理器,NVIDIA GeForce RTX 3090顯卡;軟件環(huán)境為Ubuntu 18.04.5操作系統(tǒng),CUDA 8.0.5版本,Python 3.8.10版本,MMCV 1.3.9版本,PyTorch 1.9.0版本,MMDetection 2.14.0版本,以及Pycharm集成開發(fā)環(huán)境。

        經(jīng)過對超參數(shù)的反復(fù)優(yōu)化測試,最終優(yōu)化器為隨機梯度下降算法(adam優(yōu)化器),初始學(xué)習(xí)率為0.001,權(quán)值衰減系數(shù)(weight_decay)為0.000 1,訓(xùn)練的max_epochs值為80,每5個epoch之后進行一次學(xué)習(xí)率衰減,batch_sizes設(shè)置為50。

        3.3 試驗訓(xùn)練

        改進的Faster RCNN網(wǎng)絡(luò)模型的損失函數(shù),由分類交叉熵函數(shù)和位置回歸函數(shù)組成,整體的函數(shù)模型如式(6)所示。

        式中:pi為第i個感興趣區(qū)域的目標(biāo)概率和分別表示真實標(biāo)注框概率標(biāo)簽和位置參數(shù);當(dāng)?shù)趇個先驗框為正樣本時的值為1,如果第i個先驗框為負(fù)樣本,值為表示為框選區(qū)域的4個參數(shù)化坐標(biāo)的向量;表示的是目標(biāo)與非目標(biāo)的對數(shù)損失,函數(shù)表達式如式(7)所示。為位置回歸SmoothL1函數(shù),函數(shù)表達式如式(8)所示。

        改進后的Faster RCNN網(wǎng)絡(luò)經(jīng)歷預(yù)訓(xùn)練后,在制作好的PASCAL VOC2007訓(xùn)練集上進行80個epochs的訓(xùn)練。隨著訓(xùn)練次數(shù)的迭代,碳纖維編織物缺陷檢測網(wǎng)絡(luò)的總體損失函數(shù)逐步下降,檢測網(wǎng)絡(luò)模型逐漸達到收斂,最終生成穩(wěn)定的檢測模型,該模型的訓(xùn)練時間12 735 s,權(quán)重文件大小322.6 MB。

        3.4 試驗結(jié)果分析

        本研究綜合選定所有檢測種類的平均精度均值(Mean Average Precision,mAP)作為碳纖維編織物表面質(zhì)量檢測的實際評價指標(biāo),函數(shù)表達式如式(9)所示。

        式中:N為檢測種類數(shù);APi為第i類缺陷的平均檢測精度值,其函數(shù)表達式如式(10)所示。

        式中:P為當(dāng)前缺陷類型檢測精度;R為召回率,兩者計算公式分別如式(11)、式(12)所示。

        式中:TP為檢測網(wǎng)絡(luò)將正樣本預(yù)測為正的數(shù)目;FP為將負(fù)樣本檢測為正的數(shù)目;FN為將正樣本檢測為負(fù)的數(shù)目。

        本研究在相同試驗環(huán)境下,采用改進前后的Faster RCNN網(wǎng)絡(luò),分別對包含728張圖片的測試集進行驗證,最終得到AP值、mAP值和模型實際檢測速度,結(jié)果如表1所示。

        表1 Faster RCNN網(wǎng)絡(luò)模型改進前后的檢測結(jié)果

        由表1可知,改進的Faster RCNN網(wǎng)絡(luò)模型的mAP值達到了92.7%,比改進前提高了3.8個百分點。其中,改進的Faster RCNN網(wǎng)絡(luò)對于碳纖維編織物毛刺識別率提高了5.6個百分點。改進的Faster RCNN網(wǎng)絡(luò)在圖像檢測時間上稍有所增加,但不影響實際檢測速度。對比改進前的Faster RCNN網(wǎng)絡(luò),改進后的Faster RCNN網(wǎng)絡(luò)在應(yīng)用于碳纖維編織物的缺陷檢測中,精度有所提升。改進后的Faster RCNN網(wǎng)絡(luò)實際檢測結(jié)果如圖8所示。

        圖8 實際檢測結(jié)果

        采用改進的Faster RCNN網(wǎng)絡(luò)訓(xùn)練模型對缺陷圖像進行驗證發(fā)現(xiàn),在實際檢測過程中仍存在缺檢、漏檢現(xiàn)象。對訓(xùn)練驗證文件分析發(fā)現(xiàn),在碳纖維織物毛刺等小缺陷檢測中,重疊臨近的缺陷區(qū)域容易被算法略去,從而產(chǎn)生漏檢,但通過Soft-NMS算法改進后已經(jīng)有所提升。同時,與原始的Faster RCNN訓(xùn)練過程對比,改進的Faster RCNN網(wǎng)絡(luò),對于毛刺缺陷圖像的AP值,在第10次~第30次迭代的過程中,具有明顯的提升,證明Soft-NMS算法和RoI Align算法在毛刺等小缺陷檢測中有效提升了檢測精度。

        4 結(jié)論

        本研究根據(jù)碳纖維編織物缺陷特點,提出了一種改進的Faster RCNN算法,以ResNet50作為主干特征提取網(wǎng)絡(luò),采用改進的Soft-NMS算法,減少了缺陷圖像的誤刪現(xiàn)象,采用RoI Align層取代RoI Pooling層,減少了特征圖回歸框定位的位置偏差。通過搭建試驗環(huán)境,改進的Faster RCNN網(wǎng)絡(luò)在與原網(wǎng)絡(luò)結(jié)構(gòu)檢測速度差別不大的基礎(chǔ)上,mAP值由88.9%提升到了92.7%。對比原始Faster RCNN網(wǎng)絡(luò),改進的Faster RCNN網(wǎng)絡(luò)在碳纖維編織物缺陷檢測,尤其是毛刺等小缺陷,檢測精度明顯提升。在后續(xù)研究中我們將對改進的Faster RCNN網(wǎng)絡(luò)進行檢測速度方面的優(yōu)化。

        猜你喜歡
        編織物毛刺特征提取
        人造皮膚用聚乙交酯經(jīng)編織物研發(fā)與生產(chǎn)實踐
        一種鑄鐵鉆孔新型去毛刺刀具的應(yīng)用
        一種筒類零件孔口去毛刺工具
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        可抑制毛刺的鉆頭結(jié)構(gòu)
        新型銅合金化學(xué)去毛刺劑的研制
        碳纖維單軸向縫編織物及其復(fù)合材料性能影響研究
        Bagging RCSP腦電特征提取算法
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        編個夏天
        優(yōu)雅(2014年8期)2014-08-12 07:37:18
        亚洲av福利无码无一区二区| 人妻系列少妇极品熟妇| 国产另类av一区二区三区| 国产主播一区二区三区蜜桃| 久久精品国产亚洲av香蕉| 熟妇的荡欲色综合亚洲| 色综合久久加勒比高清88| 偷拍一区二区三区在线观看| 国产的自拍av免费的在线观看| 日本一区二区三区爆乳| 蜜臀av性久久久久蜜臀aⅴ| 国产成人拍精品免费视频| 中文字幕乱码中文乱码毛片 | 免费人成黄页在线观看国产| 91色老久久偷偷精品蜜臀懂色| 国产人成无码视频在线观看| 久久久精品人妻一区二区三区四 | 曰本极品少妇videossexhd| 国产精品自线在线播放| 情头一男一女高冷男女| 亚洲av无码专区国产乱码4se| 日韩av最新在线地址| 精品嫩模福利一区二区蜜臀| 国产av无码专区亚洲版综合| 精品av天堂毛片久久久| 亚洲综合色区无码专区| 中文字幕乱码琪琪一区| 久久日韩精品一区二区| 亚洲国产一区二区三区在线观看 | 日本精品国产1区2区3区| 在线观看一区二区中文字幕| 国产无遮挡又黄又爽高潮| 夫妇交换刺激做爰视频| 无遮高潮国产免费观看韩国| 东京热加勒比国产精品| 亚洲午夜精品一区二区| 日本熟妇人妻xxxxx视频| caoporon国产超碰公开| 国产日产亚洲系列首页| 久爱www人成免费网站| 老湿机香蕉久久久久久|