激光与光电子学进展, 2020, 57 (24): 241011, 网络出版: 2020-12-09   

基于卷积神经网络的数码印花缺陷分类算法 下载: 847次

Digital Printing Defect Classification Algorithm Based on Convolutional Neural Network
作者单位
西安工程大学电子信息学院, 陕西 西安 710048
摘要
针对应用深度学习检测数码印花缺陷需准确分类的问题,提出了基于卷积神经网络(CNN)的数码印花缺陷分类算法。该方法首先依次对图像进行RGB颜色空间直方图均衡化、高斯滤波、局部均值分辨率调整的图像预处理,提升输入网络的图像质量,并进行图像几何变换的数据增强,扩充样本数据集;然后,设计拓扑结构为2个卷积层、2个池化层、2个全连接层的CNN网络对样本进行训练,得出最优的数码印花缺陷分类CNN模型。经600张测试样本验证,结果表明,该算法对各类数码印花缺陷的分类准确率均超过90.0%,多分类任务Kappa系数值为0.94,能实现数码印花缺陷的准确分类。
Abstract
To accurately classify digital printing defects with deep learning, we propose a digital printing defect classification algorithm based on convolutional neural network (CNN). Firstly, this method performs image preprocessing of RGB color space histogram equalization, Gaussian filtering, and local mean resolution adjustment in sequence to improve the image quality of the input network. Meanwhile, the sample data set is expanded by geometrically transforming the image. Then, the topology of CNN network is designed with 2 convolutional layers, 2 pooling layers, and 2 fully connected layers, which is the optimized CNN model of digital printing defect classification. Finally, the model is verified by 600 test samples. Experimental results show that the classification accuracy of proposed algorithm for all types of digital printing defects reaches above 90.0%, and the Kappa coefficient value of multi-classification task is 0.94. The proposed method can accurately classify digital printing defects.

1 引言

针对当前重视个性化、快响应、高环保的市场需求,数码印花技术在纺织品印花领域具有广阔的发展前景[1]。数码印花工业生产中会因为喷头堵塞、漏墨、电机自控偏差、布匹褶皱等故障,导致喷墨印花纺织品出现PASS道、漏墨、喷墨不均以及布匹褶皱等缺陷,严重影响印花成品的质量和价格[2]。因此,数码印花缺陷检测是印花纺织品质量控制的重要环节,对印花缺陷进行准确分类,可有针对性地指导工业生产,提升数码印花产品质量。

早期纺织品缺陷分类方法以人工为主,该方法存在主观性,且分类成本高、效率低[3-4]。近年来,机器视觉技术已广泛应用在织物缺陷检测与分类领域[5]。Jeyaraj等[6]提出基于机器视觉的纺织品缺陷检测系统,该方法应用卷积神经网络(CNN)学习织物的颜色特征实现织物缺陷的分类,但在实际应用中,当目标区域周围邻域颜色特征相近时,该方法的分类精度较低。卓东等[7]提出基于卷积神经网络的短切毡缺陷分类方法,该方法设计CNN提取织物缺陷特征,使用迁移学习思想优化短切毡缺陷分类算法。Mottalib等[8]提出一种使用贝叶斯分类器提取织物几何特征的纺织品疵点分类方法。赵鹏等[9]提出改进AlexNet的无纺布缺陷分类方法,该方法通过对AlexNet网络增加归一化处理和卷积层数优化模型分类效果。景军锋等[10]提出采用深度卷积神经网络实现色织物缺陷分类的方法。该方法利用色织物纹理特征建立CNN,并进行样本训练得到映射函数,实现对色织物缺陷的有效分类。可以看出,这些缺陷分类方法主要针对白坯布、净色布、纹理单一的色织物以及专色印花纺织品,包括断纱、破洞、结头、油污、色差等缺陷均有较好的分类效果。而数码印花产品纹理结构复杂、色泽图案丰富[11],目前还没有较为成熟的缺陷分类方法。

基于以上背景,本文设计了一种基于CNN的数码印花缺陷分类算法,可以实现针对数码印花PASS道、漏墨、喷墨不均、布匹褶皱等4类缺陷的有效分类。该方法首先对印花图像进行预处理,制作训练样本;然后,通过设计的CNN模型学习缺陷特征和分类标签之间的映射关系;最后,用训练好的最优模型实现数码印花缺陷的准确分类。将本文算法与现有的LeNet-5、AlexNet、VGG16以及GoogLeNet等CNN模型进行对比[12-15],结果显示,本文算法的多分类任务Kappa系数最高,并且模型训练和测试时间最短。

2 相关基础工作

2.1 印花图像缺陷特征分析

数码印花技术是将印制图案输入计算机进行像素级分色处理,利用孔径微米级的喷头,进行固定方向的往复叠印喷绘,形成预期高精度印花图像。因此,数码印花会由于喷孔堵塞、电机步进偏差、喷墨气压不稳定、喷头出墨调试不均匀、设备压布不平整等故障,导致印花产品出现PASS道、漏墨、喷墨不均以及布匹褶皱等缺陷。图1展示了部分数码印花缺陷样例,可以看出,数码印花缺陷按照其外观形状可划分为狭窄线状缺陷、点状缺陷、面状缺陷以及条状缺陷。表1对比了不同数码印花缺陷的形成原因、外观形状以及出现概率等特征。

图 1. 数码印花缺陷样例。(a) PASS道;(b)喷墨不均;(c)漏墨;(d)布匹褶皱

Fig. 1. Examples of digital printing defects. (a) PASS tracks; (b) uneven inkjet; (c) ink leakage; (d) fabric wrinkles

下载图片 查看所有图片

表 1. 数码印花缺陷特征对比

Table 1. Comparison of defect features in digital printing

Type of defectCause of formationAppearance shapeProbability of occurrence
PASS tracksNozzle clogging,motor step deviationNarrow linearHigh
Uneven inkjetUneven inkjet output debuggingFlatLow
Ink leakageInkjet pressure instabilityDottedMedium
Fabric wrinklesUneven cloth pressStripLow

查看所有表

2.2 印花缺陷图像预处理

本文使用Canon Scanner 9000F扫描仪获取工业生产中存在的数码印花缺陷,而数字图像在其获取、传输以及处理过程中通常会受到多种噪声的干扰。因此,本文首先对印花图像依次进行RGB颜色空间直方图均衡化、高斯滤波图像平滑、局部均值法分辨率调整以及图像几何变换的数据增强等图像预处理,提升输入CNN的图像质量,并扩充样本集。

2.2.1 基于RGB颜色空间的直方图均衡化

数码印花缺陷与邻域的背景纹理对比度相当接近,其中,以PASS道和布匹褶皱缺陷尤为明显。为了提升分类算法的准确性,需要对印花图像进行增强,提高图像全局对比度。基于RGB色彩空间的直方图均衡化原理是分别在彩色图像的RGB各分量分别进行灰度直方图均衡化,然后再将三个分量合并,得到对比度增强的印花图像。图2为RGB颜色空间直方图均衡化后印花样本处理结果,图中印花图像虽然发生个别颜色失真现象,但是印花缺陷和背景纹理的对比度得到了增强,有利于后续算法处理。

图 2. RGB颜色空间直方图均衡化处理结果。(a) PASS道;(b)喷墨不均;(c)漏墨;(d)布匹褶皱

Fig. 2. RGB color space histogram equalization processing results. (a) PASS tracks; (b) uneven inkjet; (c) ink leakage; (d) fabric wrinkles

下载图片 查看所有图片

2.2.2 基于高斯滤波的图像平滑

印花图像在数字化处理过程中,会引入较多的随机噪声,为了进行高层次的缺陷特征提取,需要对图像做平滑处理。高斯滤波器定义距离掩模中心较近的像素权重较高,因此其平滑效果较为柔和,可以较好地保留图像边缘、轮廓等细节信息。图3展示了对印花图像进行高斯滤波的处理结果,可以看出,图像噪声抑制明显,缺陷位置的图像局部对比度得到了进一步增强。

图 3. 高斯滤波处理结果。(a) PASS道;(b)喷墨不均;(c)漏墨;(d)布匹褶皱

Fig. 3. Gaussian filtering processing results. (a) PASS tracks; (b) uneven inkjet; (c) ink leakage; (d) fabric wrinkles

下载图片 查看所有图片

2.2.3 基于局部均值法的图像分辨率调整

为了完整展现印花图案信息,同时降低CNN输入图像尺寸,采用局部均值法进行图像分辨率调整。其原理是在掩模确定的邻域内,采用邻域像素的平均灰度值代替中心像素灰度。图4展示了算法处理结果,通过对图像进行局部放大可以看出,对图像采用局部均值法下采样后,印花图案信息得以完整表达的同时纺织品织物纹理得到平滑,进一步提升了输入网络的图像质量,减小了图像尺寸。

图 4. 局部均值法的图像分辨率调整结果。(a)分辨率调整前;(b)分辨率调整后

Fig. 4. Adjustment results of image resolution based on local mean algorithm. (a) Before resolution adjustment; (b) after resolution adjustment

下载图片 查看所有图片

2.2.4 基于图像几何变换的数据增强

深度学习样本越丰富,模型的泛化能力就越强。目前采用的保留标签生成数据增强集是较为有效的数据扩充方法。考虑到尽可能地保留具有丰富颜色信息和空间信息特性的数码印花图案,本文选择垂直翻转、左右镜像、旋转90°、180°和270°的方法进行数据增强,使得具有特定标签的数码印花缺陷样本较原来扩充5倍。图5展示了印花图像数据增强结果,可以看出,翻转等几何变换不会改变图像大小,本文选用针对输入尺寸固定的网络,故未进行图像剪裁和缩放等操作。

图 5. 图像数据增强结果。(a)原图;(b)垂直翻转;(c)水平镜像;(d)旋转90°;(e)旋转180°;(f)旋转270°

Fig. 5. Image data enhancement results. (a) Original image; (b) flip vertically; (c) horizontal mirroring; (d) rotate 90°; (e) rotate 180°; (f) rotate 270°

下载图片 查看所有图片

3 基于CNN的数码印花缺陷分类算法

3.1 分类算法流程设计

基于CNN的数码印花缺陷分类算法流程如图6所示。首先,采集的数码印花缺陷样本随机裁剪后,经过上述图像预处理制作样本集;然后,针对数码印花缺陷特征,设计特定的CNN分类模型,包括CNN拓扑结构设计、分类器选取、目标函数和优化算法寻优等步骤;最后,通过随机选取的测试样本,采用训练得到的最优CNN分类模型测试算法的性能。

图 6. 分类算法流程图

Fig. 6. Flow chart of classification algorithm

下载图片 查看所有图片

3.2 CNN网络拓扑结构设计

典型的CNN网络(如LeNet、AlexNet、VGGNet、GoogLeNet等)通过增加网络深度来提取高层次语义信息,在大目标分类任务中具有较高的准确率。对于数码印花PASS道、漏墨、布匹褶皱等小目标缺陷,提取高层次特征导致图像的分辨率减小,丢失了很多细节信息,加之池化层的存在,降低了小目标语义信息,因此深度CNN网络分类小目标缺陷的准确率有所降低,而且网络结构越深,模型计算复杂度越大。综合考虑数码印花缺陷小目标特性和网络运算性能等因素,本节设计如图7所示的CNN拓扑结构。

图7可以看出,CNN由2个卷积层、2个池化层和2个全连接层组成。首先将数码印花图像输入至第1卷积层C1,卷积层过滤器尺寸为3×3,深度为64,使用全0填充,步长为1,故该卷积层输出为64个256×256大小的特征图。再经过池化层S2,池化层过滤器为3×3,使用全0填充,步长为2,故该池化层输出128×128×64矩阵。接着进入第2个卷积层C3,卷积层过滤器尺寸为3×3,深度为16,使用全0填充,步长为1,故该卷积层形成16个128×128大小的特征图。再经过池化层S4,池化层过滤器为3×3,使用全0填充,步长为1,故该池化层输出128×128×16矩阵。第5层和第6层为全连接层,神经元个数分别为128和128。最后一层为分类输出层。

图 7. 卷积神经网络拓扑结构

Fig. 7. Topological structure of convolutional neural network

下载图片 查看所有图片

卷积神经网络以图片的形式作为输入,卷积是在图像每个位置进行线性变换映射成新值,提取数据的某一简单特征。多层卷积逐层进行映射,可以提取图像更为复杂的抽象特征,卷积后通过激活函数得到特征映射。多层卷积操作的过程可表示为

gi=fx=1ny=1nz=1max,y,z×wx,y,zi+bi,(1)

式中: ax,y,z表示过滤器中输入节点 (x,y,z)的取值; wx,y,zi表示过滤器输入节点 (x,y,z)的权重; bi表示输出节点对应的偏置项参数; f(·)表示激活函数; n表示过滤器的长宽尺寸; m表示过滤器深度。

池化层是对图像特征进行下采样,主要用于特征降维,在保留有效信息的同时压缩数据处理量,有效减小过拟合,提高模型容错性 [16]。对输入的特征图,通过池化操作获得新的输出特征。

Xji+1=downXji+bji+1,(2)

式中: down(·)表示图像特征下采样方式,一般可以在过滤器确定的邻域内像素选择最大池化或平均池化; bji+1表示偏置项参数。本文卷积神经网络池化层,采用最大池化图像特征下采样方法。

在CNN池化操作后引入批量归一化(BN)层[17-18]。BN层将池化输出的数据进行归一化处理,规范输入下一层的数据服从方差为1、均值为0的标准正态分布,避免网络训练时出现梯度消失问题,加快网络收敛的同时增强模型泛化能力。算法原理如下:设CNN池化层输出结果为 X=x1,x2,,xm,则批量归一化输出 {yi=BNγ,β(xi)}计算过程如下:

1)计算上一层CNN池化层输出数据的均值 μβ,

μβ=1mi=1mxi,(3)

式中: m是训练样本batch的大小。

2)计算上一层CNN池化层输出数据的标准差 σβ2,

σβ2=1mi=1m(xi-μβ)2(4)

3)归一化处理,得到 x˙i,

x˙i=xi+μβσβ2+ε,(5)

式中: ε是为了避免分母为0而加进去的接近于0的很小值。

4)对经过上述步骤归一化处理得到的数据进行重构得到输出 yi,

yi=γx˙i+β,(6)

式中: γβ为可学习参数。

3.3 分类器的选择

Softmax回归模型是Logistics回归模型在多分类问题上的推广,其引入Softmax代价函数将 x分类为类别 j的概率,表示为

pyi=jxi;θ=expl=1kexp,(7)

式中: θ表示输入 x经卷积神经网络计算后的输出值; T表示分类的类别总数。由(1)式可以看出,Softmax回归可以有效减小远离分类平面的点的权重,相对增加与分类最相关的数据点的权重。且经Softmax运算后可以更方便地与离散标签计算误差,有利于离散值模型的预测和训练,故本文选择Softmax分类器。

4 实验结果与分析

4.1 制作数据集

扫描仪获取的原始样本尺寸为5100×7014,水平和垂直分辨率为600×600dpi(dot per inch)。通过对样本中存在缺陷的部位进行裁剪,得到PASS道、漏墨、喷墨不均以及布匹褶皱4类常见缺陷,裁剪后图像大小为1024×1024,每类缺陷有100张。经图像预处理后图像大小调整为256×256,水平和垂直分辨率为96×96dpi(dot per inch),并经数据增强将每类缺陷扩增至600张,共2400张样本图片。图8展示了数据集中部分缺陷样例。实验采用TFRecord格式构建图像数据集。TFRecord文件以二进制存储数据,适合用串行的方式读取大批量的数据。图像标签采用二进制独热编码格式。

图 8. 数码印花缺陷数据集样本。(a)~(d) PASS道;(e)~(h)喷墨不均;(i)~(l)漏墨;(m)~(p)布匹褶皱

Fig. 8. Samples of digital printing defect data set. (a)--(d) PASS tracks; (e)--(h) uneven inkjet; (i)--(l) ink leakage; (m)--(p) fabric wrinkles

下载图片 查看所有图片

4.2 模型训练与优化

针对数码印花缺陷分类模型的训练,实验硬件配置为CPU Intel(R) Core(TM) i5-8400 2.80GHz,GPU NVIDIA GeForce GTX 2080Ti,内存为16G,硬盘为1TB,Windows10操作系统。采用Matlab R2018b软件完成印花图像预处理。模型训练使用Python语言、TensorFlow深度学习框架、Spyder 4.0.0rc1集成开发环境、第三方函数库Anaconda3.4.1完成。训练时随机从数据集每类印花图像中抽取150张作为测试集,其余450张作为训练集。网络训练共迭代50000次,期间每迭代100次将当前训练的模型保存一次,训练结束后用测试集验证最终模型的分类效果。

本文通过对数码印花缺陷图像进行预处理,设计了拓扑结构为2个卷积层、2个池化层和2个全连接层的CNN分类网络,然后采取不同目标函数对CNN进行分类准确率验证,结果如表2所示。经与分类交叉熵、二元交叉熵、均方损失、铰链损失以及接收器工作特性(ROC)曲线下面积(AUC) 分数等目标函数比较可知,Softmax交叉熵分类准确率最高,为98.14%。之后采取不同优化算法对CNN进行分类准确率验证,结果如表3所示。经与随机梯度下降算法、前向均方根梯度下降算法、动量梯度下降算法以及自适应次梯度算法等优化算法比较可知,采用自适应矩估计(Adam)优化算法分类准确率最高,为98.21%。

表 2. 不同目标函数对应的分类准确率

Table 2. Classification accuracy corresponding to different objective functions

Objective functionAccuracy/%
Softmax cross entropy98.14
Classification cross entropy96.42
Binary cross entropy81.29
Mean square loss88.02
Hinge loss74.92
ROC AUC score77.33

查看所有表

表 3. 不同优化函数对应的分类准确率

Table 3. Classification accuracy corresponding to different optimization algorithms

OptimizationAccuracy/%
Adaptive moment estimation98.21
Stochastic gradient descent74.84
Root mean square propagation65.38
Momentum gradient descent92.73
Adaptive sub-gradient method81.67

查看所有表

综上所述,本文选择以Softmax交叉熵作为评估网络分类效果的目标函数,以Adam算法作为网络梯度优化算法的CNN分类模型。由于CNN训练时迭代次数直接影响训练模型的优化程度,故统计模型训练过程中迭代50000次的总损失率,结果如图9所示。从图9可以看出,模型训练的总损失率随着迭代次数的递增总体呈下降趋势,并在30000次迭代时,曲线逐渐收敛至最小值且接近于0,此时训练模型达到最优,因此本文综合考虑模型检测准确率、效率等因素,选择取迭代次数为30000时训练的CNN模型,进行数码印花缺陷分类测试。

图 9. 总损失率曲线

Fig. 9. Total loss rate curve

下载图片 查看所有图片

4.3 测试结果与分析

为了验证该模型针对每一类缺陷的分类效果,采用留出法对数据集进行10次交叉验证。表4统计了每类印花缺陷验证集和测试集的分类准确率和标准差,可以看出,针对PASS道、漏墨、喷墨不均以及布匹褶皱4类缺陷,均有超过90%的分类准确率。横向对比4类缺陷分类结果,PASS道缺陷检测准确率的标准差最高为0.0316。其中,由于PASS道缺陷呈狭窄突变线状,特征相较于其他种类缺陷在复杂印花背景纹理中不明显,使得该缺陷检测准确率较低。

表 4. 每类缺陷分类性能指标

Table 4. Performance index of each defect classification

DefectclassificationPerformance /%Averageaccuracy /%Standarddeviation
12345678910
Validation set98.1798.5396.3395.0098.3396.1795.6198.4195.2796.1896.800.0133
Test setPASS tracks9294899585938690889190.300.0316
Uneven inkjet9498979691899292939093.200.0286
Ink leakage981009397949510098969796.800.0223
Fabric wrinkles10093969598969794959495.800.0199

查看所有表

为了验证不同网络模型对数码印花缺陷分类的性能,将本文设计的CNN与LeNet-5、AlexNet、VGG16以及GoogLeNet模型进行对比实验。采用Kappa系数评估数码印花缺陷多分类任务的准确度[19]。Kappa系数取值越高,则表明模型多分类准确度越高。统计上述5种CNN模型的分类Kappa系数值,结果如图10所示。可以看出,随着网络深度逐渐加深,采用高层次特征描述数码印花PASS道等小目标缺陷,语义信息的丢失会引起分类准确率逐渐降低。而本文设计的CNN网络预测Kappa系数值最大为0.94,数码印花缺陷分类准确率最高。

图 10. 不同CNN模型预测Kappa系数值

Fig. 10. Kappa coefficient value predicted by different CNN models

下载图片 查看所有图片

为了评估不同模型的运算效率,表5展示了不同CNN分类模型的训练用时,以及在GPU下运行每张样本的平均测试时间,可以看出,本文提出的CNN模型层数少,网络参数简单,故训练和测试用时最短分别为65min和10ms。

表 5. 不同CNN模型训练和测试用时

Table 5. Training and testing time of different CNN models

CNN modelLeNet5AlexNetVGG16GoogLeNetProposed
Training/min769211413665
Testing/ms156415312410

查看所有表

5 结论

本文提出了一种基于卷积神经网络的数码印花缺陷检测算法,有效解决了现有算法针对数码印花产品缺陷分类检测不足的问题。该算法对印花样本进行预处理,提升输入网络的图像质量;根据数码印花小目标缺陷特性,设计特定的CNN拓扑结构;通过实验确定最优的分类模型参数。实验结果表明,相较于现有的网络,本文算法在数码印花缺陷分类准确率和高效性方面都具有明显优势。下一步研究重点是将本文数码印花缺陷分类算法扩展至缺陷检测领域,以定位产品存在缺陷的具体位置。

参考文献

[1] 李敏, 赵影, 张丽平, 等. 涤纶针织物数码印花清晰度的影响因素[J]. 纺织学报, 2018, 39(5): 62-66.

    Li M, Zhao Y, Zhang L P, et al. Factors influencing printing accuracy of digital printing for knitted polyester fabric[J]. Journal of Textile Research, 2018, 39(5): 62-66.

[2] 邓新. 基于嵌入式GPU的数码印花缺陷检测算法研发[D]. 杭州: 浙江大学, 2018: 14- 16.

    DengX. Development of defects detection algorithms for digital textile printing based on embedded GPU[D]. Hangzhou: Zhejiang University, 2018: 14- 16.

[3] 任欢欢, 景军锋, 张缓缓, 等. 应用GIS和FTDT的织物错花缺陷检测研究[J]. 激光与光电子学进展, 2019, 56(13): 131005.

    Ren H H, Jing J F, Zhang H H, et al. Cross-printing defect detection of printed fabric using GIS and FTDT[J]. Laser & Optoelectronics Progress, 2019, 56(13): 131005.

[4] 王晨煜, 景军锋, 张缓缓, 等. 基于滚动引导滤波与FT算法的色织物疵点检测[J]. 棉纺织技术, 2019, 47(6): 28-33.

    Wang C Y, Jing J F, Zhang H H, et al. Defect detection of yarn-dyed fabric based on rolling guide filtering and FT sailiency[J]. Cotton Textile Technology, 2019, 47(6): 28-33.

[5] 卢荣胜, 吴昂, 张腾达, 视觉, 等. 检测技术及其在缺陷检测中的应用综述[J]. 光学学报, 2018, 38(8): 0815002.

    Lu R S, Wu A, Zhang T D, et al. Review on automated optical (visual) inspection and its applications in defect detection[J]. Acta Optica Sinica, 2018, 38(8): 0815002.

[6] Jeyaraj P R. Nadar E R S. Computer vision for automatic detection and classification of fabric defect employing deep learning algorithm[J]. International Journal of Clothing Science and Technology, 2019, 31(4): 510-521.

[7] 卓东, 景军锋, 张缓缓, 等. 基于卷积神经网络的短切毡缺陷分类[J]. 激光与光电子学进展, 2019, 56(10): 101009.

    Zhuo D, Jing J F, Zhang H H, et al. Classification of chopped strand mat defects based on convolutional neural network[J]. Laser & Optoelectronics Progress, 2019, 56(10): 101009.

[8] Mottalib MM, RokonuzzamanM, Habib MT, et al.Fabric defect classification with geometric features using Bayesian classifier[C]∥2015 International Conference on Advances in Electrical Engineering (ICAEE), December 17-19, 2015, Dhaka, Bangladesh.New York: IEEE Press, 2015: 137- 140.

[9] 赵鹏, 唐英杰, 杨牧, 等. 卷积神经网络在无纺布缺陷分类检测中的应用[J]. 包装工程, 2020, 41(5): 192-196.

    Zhao P, Tang Y J, Yang M, et al. Application of convolutional neural network in classification and detection of non-woven fabric defects[J]. Packaging Engineering, 2020, 41(5): 192-196.

[10] 景军锋, 范晓婷, 李鹏飞, 等. 应用深度卷积神经网络的色织物缺陷检测[J]. 纺织学报, 2017, 38(2): 68-74.

    Jing J F, Fan X T, Li P F, et al. Yarn-dyed fabric defect detection based on deep-convolutional neural network[J]. Journal of Textile Research, 2017, 38(2): 68-74.

[11] 王巧, 宋柳叶, 王伊千, 等. 数码印花图案及其在丝绸服装设计中的应用路径[J]. 纺织导报, 2019( 3): 82- 85.

    WangQ, Song LY, Wang YQ, et al. Design and application of digital printing in silk garments[J]. China Textile Leader, 2019( 3): 82- 85.

[12] 李勇, 林小竹, 蒋梦莹. 基于跨连接LeNet-5网络的面部表情识别[J]. 自动化学报, 2018, 44(1): 176-182.

    Li Y, Lin X Z, Jiang M Y. Facial expression recognition with cross-connect LeNet-5 network[J]. Acta Automatica Sinica, 2018, 44(1): 176-182.

[13] Wang R, Xu J W, Han T X. Object instance detection with pruned AlexNet and extended training data[J]. Signal Processing: Image Communication, 2019, 70: 145-156.

[14] Swasono DI, TjandrasaH, FathicahC. Classification of tobacco leaf pests using VGG16 transfer learning[C]∥2019 12th International Conference on Information & Communication Technology and System (ICTS), July 18-18, 2019, Surabaya, Indonesia.New York: IEEE Press, 2019: 176- 181.

[15] 张宏伟, 张凌婕, 李鹏飞, 等. 基于GoogLeNet的色织物花型分类[J]. 纺织科技进展, 2017( 7): 33- 35, 52.

    Zhang HW, Zhang LJ, Li PF, et al. Pattern classification of yarn-dyed fabrics based on GoogLeNet[J]. Progress in Textile Science & Technology, 2017( 7): 33- 35, 52.

[16] 马俊成, 赵红东, 杨东旭, 等. 飞机目标分类的深度卷积神经网络设计优化[J]. 激光与光电子学进展, 2019, 56(23): 231006.

    Ma J C, Zhao H D, Yang D X, et al. Design and optimization of deep convolutional neural network for aircraft target classification[J]. Laser & Optoelectronics Progress, 2019, 56(23): 231006.

[17] 谭光鸿, 侯进, 韩雁鹏, 等. 基于卷积神经网络的低参数量实时图像分割算法[J]. 激光与光电子学进展, 2019, 56(9): 091003.

    Tan G H, Hou J, Han Y P, et al. Low-parameter real-time image segmentation algorithm based on convolutional neural network[J]. Laser & Optoelectronics Progress, 2019, 56(9): 091003.

[18] IoffeS, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[EB/OL].( 2015-03-02)[2020-04-27]. https:∥arxiv.org/abs/1502. 03167.

[19] Tu B, Yang X C, Li N Y, et al. Hyperspectral image classification via superpixel correlation coefficient representation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(11): 4113-4127.

苏泽斌, 高敏, 李鹏飞, 景军锋, 张缓缓. 基于卷积神经网络的数码印花缺陷分类算法[J]. 激光与光电子学进展, 2020, 57(24): 241011. Zebin Su, Min Gao, Pengfei Li, Junfeng Jing, Huanhuan Zhang. Digital Printing Defect Classification Algorithm Based on Convolutional Neural Network[J]. Laser & Optoelectronics Progress, 2020, 57(24): 241011.

本文已被 2 篇论文引用
被引统计数据来源于中国光学期刊网
引用该论文: TXT   |   EndNote

相关论文

加载中...

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!