概括
采用基于深度学习的语义分割方法对化纤外观缺陷进行检测，并在此基础上自2014年起整理了具有代表性的基于深度学习的语义分割方法并应用于化纤外观检测项目。
01化纤外观缺陷检测背景
合成纤维作为纺织制造的原材料，在进入下游纺织企业之前，被卷成丝饼。但丝饼制作过程中，可能会出现不同程度的破损，如油渍、毛线、绊倒等。断丝、断丝等缺陷，这些缺陷直接导致下游纺织企业生产的产品质量下降。油污会影响织物的外观和颜色。羊毛会降低织造效率并导致织物表面出现缺陷。绊丝不仅影响化纤包装外观，而且在操作过程中容易造成断头、毛丝。化纤的后续加工和断裂直接导致丝在化纤中的不连续。因此，为保证合纤出厂质量，有必要对合纤纱饼中影响织物质量的表面缺陷进行检测。目前，多数生产厂家采用人工检测化纤外观缺陷，费时、费力，且质量无法保证。
化纤外观缺陷主要有油污、掉毛、纸管破损、绊丝、毛毛、断丝等。一些常见缺陷如图1所示。大多数这些缺陷都是使用语义分割方法来处理的。语义分割结合了图像分割和对象识别两种主要技术，将图像划分为几组具有特定语义类别的区域。这是一个像素级的密集分类题。最初，直方图阈值、混合特征空间聚类、区域生长方法和基于支持向量机的方法通常用于图像对象的语义分割。这些方法受缺陷和图像本身的影响很大，导致严重的检测漏检，例如使用直方图阈值进行油污检测可能不容易检测到颜色鲜艳的油污，并且可能错误地将丝线纹理检测为油污。能。
图1化纤典型外观缺陷
02基于深度学习的语义分割
深度学习概念自2006年提出以来，在图像分类、检测等基础领域展现出优异的性能，取得了令人瞩目的进展。特别是2012年，AlexKrizhevsky等人通过设计AlexNet模型引领了行业。深度学习引起了广泛关注，传统方法在ImageNet图像分类挑战赛中以10%的准确率获得第二名。此后，深度学习算法开始应用于包括语义分割在内的许多计算机视觉题，并且在某些领域，识别精度已经超越了人工识别。基于深度学习的语义分割一般包括基于解码器的方法、基于信息融合的方法、基于循环神经网络（RNN）的方法和基于对抗生成网络的方法。
21基于解码器的方法
2014年，Shelhamer等人提出了一种基于全卷积神经网络FCN的语义分割方法。作为图像语义分割的先驱，FCN实现了像素级分类，为后续使用CNN的图像语义分割模型提供了重要基础。基本的。如图2所示，用卷积层代替CNN的全连接层，构建了全卷积网络。输入任意尺寸的图像后，它通过学习和处理生成该尺寸的输出，然后进行分类。对于每个像素，这个过程称为编码器，分类完成后，通过上采样将分类结果映射到原始图像尺寸，以获得密集的像素级标签，即语义分割结果。它被称为解码器。FCN融合多分辨率信息并对不同尺寸的特征图进行上采样和融合，以达到更准确的分割效果。
然而，FCN在解码阶段进行上采样时，像素的位置信息很可能丢失，从而影响分割精度。例如，2017年的SegNet算法就是如何明智地设计解码器。根据Badrinarayanan等人的说法，SegNet中的每个编码对应一个解码器层，解码器的输出可以发送到分类器以独立生成每个像素的类别概率。与FCN相比，它能够准确地恢复图像边界信息，具有更好的分割效果。
图2全卷积神经网络FCN语义分割模型结构
22基于信息融合的方法
它融合不同层次的信息来提高语义分割效果，充分利用分割目标的空间信息。常见的信息融合方法有像素级特征融合、多特征图等。和多尺度融合。
图3金字塔空洞池ASPP模块
例如，在像素级特征融合方法中，Google研究团队的ChenLC等人在2014年提出了DeepLabV1模型。该模型引入了条件随机场CRF作为后处理模块来组合每个像素。它利用CRF模型的节点来创建图像，测量所有像素之间的连通性，实现底层图像信息的像素到像素的融合，并于2016年在DeepLabV2中引入了金字塔孔池化ASPP。基于DeepLabV1的模块，具有各种可选采样率的Atrus卷积，处理特征图以提高分割精度。2017年，DeepLabV3在DeepLabV2的基础上继续优化ASPP结构，有效地提取了级联的多个atrus。特点2018年的DeepLabV3+采用DeepLabv3作为编码器，主干网络采用Xception模型，提高语义分割的鲁棒性和执行速度。
例如，在多特征图和多尺度融合方法中，LiuW等人提出了一种金字塔场景解析网络，将全局特征图转换为与局部特征图相同的尺寸，并进行不同类型的处理。该模块专注于来自多个区域的激活特征图，合并它们后，它们要么被输入到下一层，要么用于训练分类器。该分类器有效利用了前一层提供的上下文信息，获得了比FCN跳跃结构更好的分割结果。2020年，HoKeiCheng等人提出了CascadePSP，它使用不同尺度的图像和多个不完美的分割掩模来生成精细的分割。多尺度输入允许模型捕获不同级别的结构和边界信息，并自适应地融合不同的掩模。所有低分辨率输入段均被双线性上采样至相同大小并与RGB图像连接。CascadePSP是一种通用级联分割模型，给定输入分割，无需微调即可提高现有分割模型的性能。
23基于循环神经网络的方法
循环神经网络是基于记忆的网络模型，它通过周期性连接从连续数据中学习长期依赖性，并对它们进行建模，从而捕获图像中的长期语义依赖性。适用于语义分割。例如，2015年，VisinF提出了基于ReNet的ReSeg语义分割用于图像分类。该模型中的每个ReNet层由四个RNN组成，它们对激活信息或补丁进行编码并生成相应的全局特征。预训练的卷积结构，生成通用局部特征，通过对全局特征和局部特征进行上采样获得分割图。
24基于对抗性生成网络的方法
2016年，PaulineLuc等人在论文《使用对抗网络进行语义分割》中，首次应用对抗生成网络从真实标签中识别分割图像并减少高阶不一致。在标签和分割图像之间。该网络模型使用Segmenter作为生成器，然后添加判别网络结构，通过GAN生成高质量的生成图像，以改进像素分类。该方法具有一般的分割效果，是对抗生成网络应用于语义的有效尝试。分割。随后基于对抗生成网络的半监督语义分割取得了一些进展，例如2017年的“AdversarialRegularizationforSemi-SupervisedLearningofStructuredOutputNeuralNetworks”。
03利用语义分割检测化纤外观缺陷
汉臻智能分析化纤外观缺陷中的油污、绒毛、纸管破损等，采用基于深度学习语义分割的方法处理正负缺陷样本极不平衡的情况，并使用了系统设计了它。该项目的损失函数还分析了油污、绒毛和纸管破损的特征，对客户感知的缺陷达到了更好的分割效果。具体结果如图4所示。
图4化纤外观缺陷检测结果
一、煤矿严禁穿化纤衣服下井，怎样识别化纤衣服？
化纤服装[chemicalfibregarments]由各种化学纤维材料制成的服装。如何鉴别化纤面料
1、看面料的光泽和颜色。在明亮的地方，涤棉光泽明亮，色泽鲜艳，人造丝光泽柔和，乙烯棉光泽弱，颜色不均匀，反光差，尼龙最亮。
2.看看你手上的皱纹。涤棉面料柔软光滑，握在手中几乎没有皱纹。人造棉和富春芳有很多皱纹，不易消失，乙烯棉手感粗糙，皱纹不能完全恢复，而尼龙皱纹一握在手里一放开就消失了。
3.观察反射光。先看光泽。丝绸的光泽均匀、柔和，像灯一样，而人造丝则光泽暗淡，但没有微妙的光泽，看起来就像涂了一层蜡，握起来时会出现光带和闪光点。如果将其握在手中并放松，真丝会有一种紧握感，但人造丝则没有。与人造丝不同，丝绸有很深的皱纹，并且不易散开。
二、化纤布如何染色？
1.煮练和漂白是去除天然纤维中含有的杂质的过程，在纤维加工过程中，会添加各种浆料、油类和污染的污垢，这些杂质的存在会干扰染色和加工的顺利进行。不仅如此，而且还影响质量。展示织物的性能。
2、煮漂的目的是利用化学和物理机械作用，去除织物中的杂质，使织物洁白、柔软、透气，满足服装要求，提供适合染色、印花的半成品。并完成。
3、将染色机分为两部分，前片染色，后片固定。染色方法根据所用染料的种类而不同，但一般染料包括活性染料、硅烯染料、硫化染料和涂料染料，每种染料都有各自的优点和缺点，并且一般取决于所需的颜色，并且彼此不能互换。不同的。
是的，化学纤维也可以着色。涤纶、锦纶、腈纶等常见的化纤材料都可以通过染色工艺进行染色，这些材料一般采用分散染料或酸性染料进行染色。
在染色过程中，根据不同的合成纤维材质和颜色要求，必须配制合适的染料溶液，并控制染色温度、时间、pH值等条件，以保证染色效果均匀、连续。
因此，化纤具有优良的可塑性和颜色适应性，可以满足各种颜色要求的应用需要。
化纤机械颜色分类和化纤机械颜色的话题已经一一解完毕，希望对诸位有所帮助。
No Comment