论文部分内容阅读
基于深度学习的织物疵点检测研究
【摘 要】
：
纺织业在国民经济中占据着十分重要的地位,通过织物疵点的自动检测可以发现有质量问题的织物,并进行及时的修复和预防,可以减少因各种原因导致的织物质量下降问题。深度学习算法具有检测速度快、准确率高、鲁棒性强等优点,成为了目前织物疵点检测算法的发展趋势。在使用基于深度学习的卷积神经网络对织物疵点进行检测时,网络却很少重视卷积层中特征图的空间信息和表达能力,该问题会导致网络分类性能不佳。本文对这些问题进行了
【机 构】
：
武汉纺织大学
【出 处】
：
武汉纺织大学
【发表日期】
：
2021年01期
【基金项目】
：
其他文献
近年来,随着图像处理研究的快速发展,非标准图像的研究已逐渐成为研究热点,例如,织物图像、遥感图像和齿轮图像等。其中部分遥感图像与标准图像相比具有复杂的背景和低光照性,并且采集时易混入噪声;部分织物图像具有丰富的纹理信息,为相关处理增加了难度,采集时也容易混入噪声。视觉感知特征中边缘特征是最基本的低层次特征,此特征在图像信息简化和分析中发挥着重要作用,为后续图像更深层次处理打下了良好的基础。并且图像
学位
传统深度神经网络潜在假设所输入数据处于欧氏空间,但在许多实际应用场景中更多的数据位于非欧氏高维空间中。为探究数据中存在的内在几何结构,几何深度学习从图和流形两个方向着手,将传统深度神经网络从欧氏空间扩展到非欧氏空间。基于图的深度神经网络研究在近些年受到广泛关注,而基于流形的深度神经网络研究相对较少。针对上述问题,本文对深度流形网络的结构进行了探索,并在多个不同的任务上进行了算法验证研究。本文的主要
学位
视觉伺服技术使得机器人拥有了目标识别功能,能够增强产线的智能化和柔性化程度,促进生产效率的不断提高。图像去噪与边缘检测作为视觉伺服技术中的关键点,其算法的优劣直接影响着图像处理的质量和准确度。图像噪声是由于图像在成像过程中受到环境、传输途径、设备等因素的影响而产生的干扰信号,其噪声类型主要是高斯噪声和脉冲噪声。当前大多数图像去噪算法是针对单一类型噪声处理,无法有效处理混合噪声。另一方面,工业应用的
学位