【技术实现步骤摘要】
本专利技术涉及纱线检测领域，具体来说，涉及一种基于多阶段卷积神经网络的纱线包覆检测方法及系统。
技术介绍
1、纱线包覆是一种纺织工艺，主要用于生产具有特定功能性或改善物理特性的纱线。在这一工艺中，一个或多个细纱线（称为芯纱）被另一种或多种不同类型的纱线（称为包覆纱）紧密地包裹或缠绕。通过这种方式，可以制造出具有所需弹性、耐用性、手感或其他特定属性的纱线。包覆纱线广泛应用于服装、家用纺织品、医疗用品、工业用品等领域。例如，包覆橡胶或氨纶的纱线可以用来制作高弹性的针织品，如内衣、运动服等。此外，包覆技术也常用于生产防静电、防紫外线或抗菌功能的纱线。
2、纱线包覆检测是在识别和定位纺织品中的纱线包覆缺陷。这些缺陷可能是由于生产过程中的机械故障、材料质量问题或操作错误导致的。纱线包覆缺陷不仅影响纺织品的外观质量，还可能影响其性能和耐用性。因此，准确的纱线包覆检测对于保证纺织品质量至关重要。
3、例如中国专利201910621954.7公开了一种基于图像的纱线缺陷检测方法，其对采集的纱线图像进行处理，对得到的处理后的纱线图像进行缺陷判定，完成纱线缺陷检测，但是上述还存在以下不足：单一阶段的图像处理和缺陷判定流程，不利于学习图像中的深层次特征表示，进而不利于获得更高的识别精度，同时仅仅基于图像的检测方法对于不同情况的泛化能力不足。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于多阶段卷积
2、为此，本专利技术采用的具体技术方案如下：
3、根据本专利技术的一个方面，提供了一种基于多阶段卷积神经网络的纱线包覆检测方法，该基于多阶段卷积神经网络的纱线包覆检测方法包括以下步骤：
4、s1、采集纱线包覆的生产过程数据，并从生产过程数据中筛选出若干因素作为输入变量，同时获取输入变量对应的标签。
5、s2、利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型。
6、s3、构建多阶段卷积神经网络，并结合纱线包覆质量预测模型的输出及图像数据进行纱线包覆的缺陷检测分类。
7、s4、根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例。
8、其中，构建多阶段卷积神经网络，并结合纱线包覆质量预测模型的输出及图像数据进行纱线包覆的缺陷检测分类包括以下步骤：
9、s31、采集纱线包覆生产中的图像数据，基于图像数据，获取对应的标注信息，且图像数据中包括有缺陷的样本和无缺陷的样本，且将图像数据分为训练集和验证集；
10、s32、构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷；
11、s33、构建并训练第二阶段卷积神经网络，且结合第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出，获取最终的纱线包覆缺陷分类结果。
12、进一步的，利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型包括以下步骤：
13、s21、选择支持向量机模型作为基础模型；
14、s22、利用粒子群优化算法优化支持向量机模型中的参数；
15、s23、将输入变量作为特征，对应的纱线包覆质量评价作为标签，对优化后的支持向量机模型进行训练；
16、s24、使用交叉验证评估支持向量机模型的预测性能，确保模型的泛化能力，若达到预先设定的目标，则将训练后的支持向量机模型作为纱线包覆质量预测模型。
17、进一步的，利用粒子群优化算法优化支持向量机模型中的参数包括以下步骤：
18、s221、随机生成若干粒子的位置和速度，每个粒子代表支持向量机模型中的参数；
19、s222、对于每个粒子，设置支持向量机模型的参数并训练支持向量机模型，同时计算适应度；
20、s223、每个粒子根据该粒子的适应度与最佳适应度进行比较，更新其个体极值；
21、s224、在种群中寻找具有最佳适应度的粒子，并将该粒子位置作为全局最优解，更新全局极值；
22、s225、根据个体极值和全局极值更新每个粒子的速度和位置；
23、s226、重复s222到s225，直到达到预设的迭代次数。
24、进一步的，适应度的计算公式为：
25、 ；
26、式中，f表示适应度值；
27、a表示准确率，b表示f1分数，c表示召回率，d表示精确度；
28、 w1、 w2、 w3及 w4分别表示准确率、f1分数、召回率及精确度的权重。
29、进一步的，构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷包括以下步骤：
30、s321、构建基于轻量化结构的卷积神经网络作为第一阶段卷积神经网络；
31、s322、通过训练集对第一阶段卷积神经网络进行训练，并应用交叉熵损失函数和优化器，且在验证集上评估第一阶段卷积神经网络；
32、s323、获取新图像数据，并输入第一阶段卷积神经网络，得到初步缺陷的识别结果。
33、进一步的，构建并训练第二阶段卷积神经网络，且结合第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出，获取最终的纱线包覆缺陷分类结果包括以下步骤：
34、s331、构建相比于第一阶段卷积神经网络更深层的卷积神经网络，得到第二阶段卷积神经网络；
35、s332、将第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出进行融合，并划分融合训练集、融合测试集及融合验证集，且每个样本均有对应的真实缺陷分类标签；
36、s333、通过融合训练集、融合测试集及融合验证集对第二阶段卷积神经网络进行训练、测试及验证；
37、s334、将新图像数据的第一阶段卷积神经网络的输出以及新图像数据对应的生产过程数据的纱线包覆质量预测结果进行融合，并代入第二阶段卷积神经网络中，得到最终的纱线包覆缺陷分类结果。
38、进一步的，根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例包括以下步骤：
39、s41、根据纱线包覆的缺陷检测分类结果，计算缺陷率；
40、s42、定义适应度函数，用于评估每组生产过程中参数和原材料比例的性能；
41、s43、使用逻辑混沌序列对差分进化算法的种群进行初始化；
42、s44、利用变异操作及交叉操作生成新的变异个体及新的后代；
43、s45、根据适应度函数评估新个体，并使用贪婪策略选本文档来自技高网...
【技术保护点】
1.一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，该基于多阶段卷积神经网络的纱线包覆检测方法包括以下步骤：
2.根据权利要求1所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型包括以下步骤：
3.根据权利要求2所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述利用粒子群优化算法优化支持向量机模型中的参数包括以下步骤：
4.根据权利要求3所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述适应度的计算公式为：
5.根据权利要求4所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷包括以下步骤：
6.根据权利要求5所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述构建并训练第二阶段卷积神经网络，且结合第一阶段卷积神经网络的输出及纱线包覆质量预测模型的输出，获取最终的纱线
7.根据权利要求6所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述根据纱线包覆的缺陷检测分类结果，使用差分进化算法优化生产过程中的参数和原材料比例包括以下步骤：
8.根据权利要求7所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述根据纱线包覆的缺陷检测分类结果，计算缺陷率包括以下步骤：
9.根据权利要求8所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述使用逻辑混沌序列对差分进化算法的种群进行初始化包括以下步骤：
10.一种基于多阶段卷积神经网络的纱线包覆检测系统，用于实现权利要求1-9任一项所述的基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，该基于多阶段卷积神经网络的纱线包覆检测系统包括输入变量获取模块、质量预测模块、缺陷分类模块及优化生产模块；
...【技术特征摘要】
1.一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，该基于多阶段卷积神经网络的纱线包覆检测方法包括以下步骤：
2.根据权利要求1所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述利用优化算法对支持向量机模型进行优化，并通过输入变量及对应的标签训练支持向量机模型，得到纱线包覆质量预测模型包括以下步骤：
3.根据权利要求2所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述利用粒子群优化算法优化支持向量机模型中的参数包括以下步骤：
4.根据权利要求3所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述适应度的计算公式为：
5.根据权利要求4所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述构建并训练第一阶段卷积神经网络，识别纱线包覆的初步缺陷包括以下步骤：
6.根据权利要求5所述的一种基于多阶段卷积神经网络的纱线包覆检测方法，其特征在于，所述构建并训练第...
【专利技术属性】
技术研发人员：杨军祥，孟华勇，李延军，齐耀奎，
申请(专利权)人：南通海润新材料科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。