一种基于深度学习的纤维杂质检测方法与流程

技术特征：
1.一种基于深度学习的纤维杂质检测方法，其特征在于，具体方法包括：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；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；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；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。2.根据权利要求1所述的一种基于深度学习的纤维杂质检测方法，其特征在于，根据获取的生产流程数据采集关键数据的方法包括：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。3.根据权利要求2所述的一种基于深度学习的纤维杂质检测方法，其特征在于，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：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。4.根据权利要求3所述的一种基于深度学习的纤维杂质检测方法，其特征在于，设计公式为：w
i
＝[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]。5.根据权利要求4所述的一种基于深度学习的纤维杂质检测方法，其特征在于，构造适应度函数确定α1、α2、α3的最优解，β为常数。6.根据权利要求3所述的一种基于深度学习的纤维杂质检测方法，其特征在于，建立设备设计库的方法包括：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。7.根据权利要求1所述的一种基于深度学习的纤维杂质检测方法，其特征在于，对获得的高清图像进行处理的方法包括：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。8.根据权利要求1所述的一种基于深度学习的纤维杂质检测方法，其特征在于，还包括：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；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；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。

技术总结
本发明公开了一种基于深度学习的纤维杂质检测方法，属于纤维检测技术领域，具体方法包括：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；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；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；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。应的检测结果。应的检测结果。


技术研发人员：张胜 张端奎 石朝毅 胡学友 季守信 周泽华 陈琛
受保护的技术使用者：安徽雪龙纤维科技股份有限公司
技术研发日：2022.04.01
技术公布日：2022/8/12