论文部分内容阅读
棉麻混纺纱结合了棉纤维和麻纤维的优良特性,制成的织物手感舒适,吸湿透气性好,因此备受广大消费者的喜爱。棉麻混纺比的测定是非常重要的一个指标,由于棉麻纤维同属于纤维素纤维,所以无法用化学溶解法、燃烧法等常规方法来进行定量分析。目前的显微镜观察法效率较低,且费时费力。近几年来随着深度学习的迅速发展,凭借可以自动提取被检测目标的特征来进行识别和定位,且精度往往比传统的图像处理技术高的优势应用到了各个领域。因此,本文基于深度学习技术探索其用于棉大麻纤维混纺比检测的可行性。本文的研究工作如下:(1)本文提出采用深度学习技术基于目标检测方法对棉大麻混纺纱混纺比进行检测。通过对棉和大麻纤维取样来获取图像、目标标注、数据集划分、训练等,探讨了纤维切片长度、纤维搭接、纤维状态、纤维样本量以及细小纤维存在对模型检测的影响,确定了最优的棉/大麻纤维检测模型。研究结果表明,本文提出的方法是有效的。(2)构建了基于目标检测对棉/大麻纤维的检测模型。棉/大麻数据集采用VOC2007格式,在数据集的准备中,对棉/大麻纤维图片的获取及纤维目标标注进行了统一的规定,并将数据集按照8:2划分训练集和测试集。在模型的建立及训练中,通过对比SSD网络和FasterRcnn网络检测精度,本文构建了以resnet50为主干网络的类似Faster Rcnn的检测模型。在此基础上探讨了不同置信度阈值以及训练的epoch数对检测模型的影响。模型测试表明,棉/大麻检测模型在棉纤维的召回率为74.6%,查准率为79.3%,大麻纤维的召回率为76.7%,查准率为80.0%,模型的总体精度偏低。(3)优化了基于目标检测对棉/大麻纤维的检测模型。探讨了纤维切片长度、纤维搭接、纤维状态、纤维数据量以及细小纤维的存在对检测模型效果的影响。对比了0.24mm,0.30mm,0.36mm三种纤维切片长度条件下的检测效果,发现纤维切片长度在0.30mm水平时,模型检测精度达到最优,该模型对于棉纤维的查准率为85.7%,召回率为86.9%,大麻纤维的查准率为84.2%,召回率为90.9%,模型的mAP值为85.9%。通过分析纤维搭接因素对模型训练和预测的影响,解释了0.36mm模型检测精度较低的原因。采用了改进的Soft NMS测试代码算法,改善了由于纤维重合度过高所产生的漏检问题,使棉/大麻检测模型在棉纤维的召回率上提升了3%,达到了89.9%。针对纤维样本量不足的情况,采用旋转、翻转、镜像等处理手段对训练集上的图片进行增广,增广后的模型在棉纤维的查准率达到了90.7%,召回率为91.0%,大麻纤维的查准率为91.4%,召回率为90.7%,模型的mAP为89.2%。此外,根据多尺度检测原理,引入了特征金字塔结构,可以减少对细小纤维的误判。最后,综合各参数优化的模型,模型对于棉纤维的查准率达到了91.5%,召回率为94.3%,大麻纤维的查准率为92.4%,召回率为95.2%,模型的mAP值为91.0%。(4)棉大麻混纺纱混纺比的测试验证。本文利用优化后的模型分别对混纺比为60/40,50/50的棉麻混纺纱进行了棉麻纤维混纺比的检测。利用山羊绒包覆棉麻混纺纱的方式制作切片并获取了棉麻纤维图片;然后采用优化好的模型对图片中的纤维目标进行检测,得到了各类纤维的根数;最后采用纤维细度仪测量两类纤维的直径,利用两个数值换算得到了棉麻混纺纱的混纺比。实验结果表明,通过模型检测与人工测算得到的棉/大麻纤维各类根数基本吻合,且两者所换算的混纺比相对误差为0.02,因此证明了本文所提方法的有效性。本文所提出的基于目标检测对棉/大麻纤维检测模型对于棉大麻混纺纱混纺比的测定是可行的,为相关测试方法的产业化提供了技术支持,也为同类纤维检测的研究提供借鉴。