一种基于深度学习的纤维杂质检测方法与流程

1.本发明属于纤维检测技术领域，具体是一种基于深度学习的纤维杂质检测方法。


背景技术：

2.纤维在生产过程中经常会因为某些原因使得纤维内具有杂质，但是，目前大部分的纤维杂质检测广泛采用的是称重杂质的方法，该方法测试结果误差很大，而且操作复杂，需要的人工较多，不能实现自动化测量，造成很大的人力和物力等方面的巨大浪费；因此本发明提供了一种基于深度学习的纤维杂质检测方法，用于解决当前纤维检测不够智能化的问题。


技术实现要素：

3.为了解决上述方案存在的问题，本发明提供了一种基于深度学习的纤维杂质检测方法。
4.本发明的目的可以通过以下技术方案实现：
5.一种基于深度学习的纤维杂质检测方法，具体方法包括：
6.步骤一：获取当前纤维的生产流程数据，根据获取的生产流程数据采集关键数据，根据采集的关键数据在当前的纤维生产线中补充分栏设备；
7.步骤二：获取分栏设备正常工作时的若干张高清图像，对获得的高清图像进行处理，获得若干组检测训练集；
8.步骤三：构造用于纤维杂质检测的深度神经网络，再通过获得的训练集和测试集进行深度神经网络的训练和测试，将测试成功的深度神经网络标记为杂质检测模型；
9.步骤四：采集通过分栏设备处的纤维图像，标记为目标图像，将目标图像输入到杂质检测模型中，获得对应的检测结果；检测结果包括检测合格、检测不合格以及检测不合格对应的杂质区域。
10.进一步地，根据获取的生产流程数据采集关键数据的方法包括：
11.识别生产流程数据中的纤维产量数值、设备数据和生产效率数据，对设备数据进行分析，获得设备评值，根据生产效率数据设置当前纤维生产线的效率需求值；将纤维产量数值、设备评值和效率需求值整合为关键数据。
12.进一步地，根据采集的关键数据在当前的纤维生产线中补充分栏设备的方法包括：
13.建立设备设计库，识别设备设计库中各个设备设计方案的设计评值，将设计评值标记为i，其中i＝1、2、
……
、n，n为正整数；将关键数据中的纤维产量数值、设备评值和效率需求值分别标记为a、b、c，将设计评值中的纤维产量数值、设备评值和效率需求值分别标记为pi、li、ki；根据设计公式计算关键数据相对各个设计评值的设计值，根据计算的设计值，获得对应的设备设计方案，根据获得的设备设计方案设计对应的分栏设备，将分栏设备补充到纤维生产线中的对应位置上。
14.进一步地，设计公式为：
15.wi＝[1-exp(-α1×
|a-pi|)]
×
[1-exp(-α2×
|b-li|]
×
[1-exp(-α3×
|c-ki|)]，α1、α2、α3为调节系数，取值范围为[0，1]。
[0016]
进一步地，构造适应度函数确定α1、α2、α3的最优解，β为常数。
[0017]
进一步地，建立设备设计库的方法包括：
[0018]
获取当前纤维生产工厂具有的所有关键数据，将关键数据进行坐标化，标记为关键坐标，将关键坐标映射到坐标空间中，设置点位半径表和合并模型，根据点位半径表由合并模型将坐标空间内的关键坐标进行合并标记，获得关键合并区，根据各个关键合并区对应的关键数据设置对应的设备设计方案，并打上对应的关键合并区标签，建立第一数据库，将设备设计方案发送到第一数据库中进行储存，将当前的第一数据库标记为设备设计库。
[0019]
进一步地，对获得的高清图像进行处理的方法包括：
[0020]
标记高清图像中的杂质区域和合格区域，并在杂质区域和合格区域上标记对应的位置信息，基于预设尺寸对高清图像分割，获得若干个分割图像，识别分割图像上的标记信息，整合为训练集和测试集。
[0021]
进一步地，还包括：
[0022]
步骤五：建立纤维生产线模型，设置动态模块，将动态模块和纤维生产线模型整合为动态追踪模型；
[0023]
步骤六：获取检测结果为检测不合格对应的杂质区域，将杂质区域输入到动态追踪模型中，对具有杂质的纤维区域进行标记；
[0024]
步骤七：实时识别动态追踪模型中的标记区域，将标记区域对应的纤维进行分拣。
[0025]
与现有技术相比，本发明的有益效果是：
[0026]
通过设置分栏设备，在进行纤维杂质检测前将大量的纤维在生产线上进行分栏、分流，将纤维尽可能的进行摊开，便于采集纤维的内部图像；实现对纤维的内部检测，使得检测的更加全面，解决当前纤维因为生产线上数量较大而检测较片面的问题；通过设置动态追踪模型，便于对具有杂质的纤维进行追踪和分拣，实现对生产纤维的智能检测和后续杂质处理。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1为本发明方法流程图。
具体实施方式
[0029]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030]
如图1所示，一种基于深度学习的纤维杂质检测方法，具体方法包括：
[0031]
步骤一：获取当前纤维的生产流程数据，根据获取的生产流程数据采集关键数据，根据采集的关键数据在当前的纤维生产线中补充分栏设备；
[0032]
生产流程数据即为当前纤维生产线的数据，如设备信息、产量信息等数据；
[0033]
根据获取的生产流程数据采集关键数据的方法包括：
[0034]
识别生产流程数据中的纤维产量数值、设备数据和生产效率数据，设备数据指的生产设备、传输设备等纤维生产线中使用到的设备数据；对设备数据进行分析，获得设备评值，根据生产效率数据设置当前纤维生产线的效率需求值；将纤维产量数值、设备评值和效率需求值整合为关键数据。
[0035]
对设备数据进行分析的方法是基于cnn网络或dnn网络建立智能模型，再通过设置训练集进行训练，通过训练成功后的智能模型对当前的设备数据进行分析，获得设备评值；具体的建立和训练过程为本领域常识，因此不进行详细叙述。
[0036]
根据生产效率数据设置当前纤维生产线的效率需求值指的是分栏设备的效率要能满足当前纤维生产线的效率需求，进而对分栏设备提出的效率需求值，具体的设置方法由专家组进行讨论设置，或者直接建立一个效率匹配表，进行相应的匹配设置。
[0037]
根据采集的关键数据在当前的纤维生产线中补充分栏设备的方法包括：
[0038]
建立设备设计库，识别设备设计库中各个设备设计方案的设计评值，设计评值包括对应设备设计方案针对的纤维产量数值、设备评值和效率需求值；将设计评值标记为i，其中i＝1、2、
……
、n，n为正整数；将关键数据中的纤维产量数值、设备评值和效率需求值分别标记为a、b、c，将设计评值中的纤维产量数值、设备评值和效率需求值分别标记为pi、li、ki；根据设计公式计算关键数据相对各个设计评值的设计值，根据计算的设计值，获得对应的设备设计方案，根据获得的设备设计方案设计对应的分栏设备，将分栏设备补充到纤维生产线中的对应位置上。
[0039]
设计公式为：
[0040]
wi＝[1-exp(-α1×
|a-pi|)]
×
[1-exp(-α2×
|b-li|]
×
[1-exp(-α3×
|c-ki|)]
[0041]
其中α1、α2、α3为调节系数，α1、α2、α3的取值范围为[0，1]。根据设计值的大小选择对应的设备设计方案。
[0042]
确定α1、α2、α3的最优解的方法包括：
[0043]
构造适应度函数
[0044]
其中，β为常数，取不同的值对应不同的适应度函数，可以取1、2、3等；当b＝min{wi}，fit(wij)＝0.5时，a即为wi到min{wi}的距离，a、b的初值可以人为设定，通常a和b的
值通过遗传算法交叉变异进化的下一代不断修正，从而得到wi的值，带入到设计公式wi中优化最初的调节系数α1、α2、α3，即可得到调节系数的最优解；还可以通过遗传算法优化系数和初值，可以使用matlab软件中自带的遗传算法工具箱进行迭代计算。
[0045]
分栏设备用于在进行纤维杂质检测前将大量的纤维在生产线上进行分栏、分流，将纤维尽可能的进行摊开，如设置多个分栏通道，将大量的纤维进行分流摊开，便于采集纤维的内部图像；实现对纤维的内部检测，使得检测的更加全面，解决当前纤维因为生产线上数量较大而检测较片面的问题。
[0046]
建立设备设计库的方法包括：
[0047]
获取当前纤维生产工厂具有的所有关键数据，将关键数据进行坐标化，标记为关键坐标，将关键坐标映射到坐标空间中，设置点位半径表和合并模型，根据点位半径表由合并模型将坐标空间内的关键坐标进行合并标记，获得关键合并区，根据各个关键合并区对应的关键数据设置对应的设备设计方案，并打上对应的关键合并区标签，建立第一数据库，将设备设计方案发送到第一数据库中进行储存，将当前的第一数据库标记为设备设计库。
[0048]
点位半径表是由专家组设置的用于限制关键坐标合并的限制条件，从实际编制设备设计方案的角度进行设置相应的区间范围，进而设置相应的点位半径表，具体的设置过程为本领域常识，因此不进行详细叙述。
[0049]
合并模型是基于cnn网络或dnn网络建立的，再通过设置训练集进行训练，具体的建立和训练过程为本领域常识，因此不进行详细叙述。
[0050]
根据各个关键合并区对应的关键数据设置对应的设备设计方案为直接由专家组进行讨论设置。
[0051]
步骤二：获取分栏设备正常工作时的若干张高清图像，对获得的高清图像进行处理，获得若干组检测训练集；
[0052]
对获得的高清图像进行处理的方法包括：
[0053]
标记高清图像中的杂质区域和合格区域，由人工进行标记，并在杂质区域和合格区域上标记对应的位置信息，即为高清图像上的位置具体对应的是分栏设备中的哪个分流通道和具体的位置；基于预设尺寸对高清图像分割，获得若干个分割图像，预设尺寸指的是根据后续训练深度神经网络的需求由专家组进行设置的；识别分割图像上的标记信息，整合为训练集和测试集。
[0054]
步骤三：构造用于纤维杂质检测的深度神经网络，再通过获得的训练集和测试集进行深度神经网络的训练和测试，将测试成功的深度神经网络标记为杂质检测模型；
[0055]
具体的如何构建深度神经网络、训练和测试为本领域常识，因此不进行详细叙述；杂质检测模型用于根据输入进来的纤维图像，识别对应的污染区域；
[0056]
步骤四：采集通过分栏设备处的纤维图像，标记为目标图像，将目标图像输入到杂质检测模型中，获得对应的检测结果，检测结果包括检测合格、检测不合格以及检测不合格对应的杂质区域。
[0057]
在另一个实施例中，还包括：
[0058]
步骤五：建立纤维生产线模型，即为根据纤维生产线建立的三维数据模型，是包括分栏设备的；设置动态模块，将动态模块和纤维生产线模型整合为动态追踪模型；
[0059]
动态模块用于动态表示纤维在纤维生产线模型中的移动情况，基于物联网设备实
现的，具体的设置方法为本领域常识，因此不进行详细叙述；整合后的动态追踪模型可以动态表示纤维的传输情况，并可更加接收到的位置信息，对对应位置的纤维进行实时追踪标记。
[0060]
步骤六：获取检测结果为检测不合格对应的杂质区域，将杂质区域输入到动态追踪模型中，对具有杂质的纤维区域进行标记；
[0061]
步骤七：实时识别动态追踪模型中的标记区域，将标记区域对应的纤维进行分拣；去除生产线中具有杂质的纤维，后续再对具有杂质的纤维进行清理。
[0062]
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0063]
本发明的工作原理：获取当前纤维的生产流程数据，识别生产流程数据中的纤维产量数值、设备数据和生产效率数据，对设备数据进行分析，获得设备评值，根据生产效率数据设置当前纤维生产线的效率需求值；将纤维产量数值、设备评值和效率需求值整合为关键数据；根据关键数据在当前的纤维生产线中补充分栏设备；获取分栏设备正常工作时的若干张高清图像，标记高清图像中的杂质区域和合格区域，并在杂质区域和合格区域上标记对应的位置信息；基于预设尺寸对高清图像分割，获得若干个分割图像，识别分割图像上的标记信息，整合为训练集和测试集；构造用于纤维杂质检测的深度神经网络，再通过获得的训练集和测试集进行深度神经网络的训练和测试，将测试成功的深度神经网络标记为杂质检测模型；采集通过分栏设备处的纤维图像，标记为目标图像，将目标图像输入到杂质检测模型中，获得对应的检测结果；建立纤维生产线模型，设置动态模块，将动态模块和纤维生产线模型整合为动态追踪模型；获取检测结果为检测不合格对应的杂质区域，将杂质区域输入到动态追踪模型中，对具有杂质的纤维区域进行标记；实时识别动态追踪模型中的标记区域，将标记区域对应的纤维进行分拣。
[0064]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。