劉艷,張維霞(山東省臨沂市纖維質(zhì)量檢驗(yàn)監(jiān)測(cè)中心,山東 臨沂 276000)
化纖行業(yè)是我國(guó)工業(yè)體系重要組成部分,其生產(chǎn)力及生產(chǎn)水平的提升直接關(guān)系到工業(yè)發(fā)展,更關(guān)系到社會(huì)經(jīng)濟(jì)及科學(xué)技術(shù)發(fā)展。有文獻(xiàn)顯示,加強(qiáng)化纖絲餅毛羽檢測(cè)能夠有效提高化纖產(chǎn)品生產(chǎn)質(zhì)量,從而促進(jìn)化纖行業(yè)生產(chǎn)水平提升,所以很多化纖企業(yè)都將化纖絲餅毛羽檢測(cè)作為主要管理項(xiàng)目,以此來(lái)提高化纖絲餅毛羽檢測(cè)工作質(zhì)量[1]。盡管如此,依然有很多化纖生產(chǎn)企業(yè)實(shí)用人工檢測(cè)方法檢測(cè)化纖絲餅毛羽,不僅增加了化纖絲餅被二次污染的風(fēng)險(xiǎn),還增加了漏檢、檢錯(cuò)等不良現(xiàn)象發(fā)生,導(dǎo)致化纖絲餅毛羽檢測(cè)準(zhǔn)確度及檢測(cè)效率下降,影響高質(zhì)量化纖產(chǎn)品生產(chǎn)質(zhì)量及效率[2]。
采集原理至于利用激光器在待測(cè)物體表面投射一條線激光,然后通過(guò)反射光線進(jìn)入相機(jī)獲取照射物體的表面圖像,并在移動(dòng)過(guò)程重建成較為直觀化的圖像。
當(dāng)化纖絲餅毛羽旋轉(zhuǎn)時(shí)對(duì)應(yīng)的相機(jī)和激光器也會(huì)移動(dòng),所以絲餅毛羽表面的高度發(fā)生了變化,導(dǎo)致激光線、相機(jī)視點(diǎn)位置發(fā)生改變,兩者的交叉點(diǎn)也發(fā)生了移動(dòng)。每次的拍攝都能夠采集到對(duì)應(yīng)的絲餅表面輪廓圖,經(jīng)過(guò)多次拍攝后截取最為清晰準(zhǔn)確的表面輪廓圖,并依次拼接采集輪廓圖,以判斷是否出現(xiàn)毛羽。
圖像采集方法適用于常規(guī)的化纖絲餅毛羽檢測(cè),但無(wú)法直接采集卷繞成形后的化纖絲餅表面輪廓圖,需要基于激光三角測(cè)量法設(shè)計(jì)圖像采集裝置,用于采集卷繞成形后的化纖絲餅的表面輪廓圖,包括上、下端面和柱面等輪廓圖,為大面積毛羽抽樣檢測(cè)提供依據(jù),從而提高化纖絲餅毛羽檢測(cè)精準(zhǔn)度。
SSD模型的原理至于根據(jù)回歸思想、單次階段深度學(xué)習(xí)目標(biāo),結(jié)合相關(guān)網(wǎng)絡(luò)端構(gòu)建的信息化及網(wǎng)絡(luò)化檢測(cè)模型,整個(gè)模型主要由前、后兩端網(wǎng)絡(luò)組成,前端網(wǎng)絡(luò)系統(tǒng)采用了VGG16截?cái)嗑W(wǎng)絡(luò)端口作為基礎(chǔ)特征提取器,用于提取深度卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的信息,然后在該基礎(chǔ)上用卷積層替換FC6、FC7全連接層,以提取目標(biāo)特征。后端網(wǎng)絡(luò)則以級(jí)聯(lián)網(wǎng)絡(luò)作為多尺度特征檢測(cè)器,以前段網(wǎng)絡(luò)相比增加了4個(gè)卷積層,能夠提取不同尺度條件下的特征,最后可輸入多級(jí)特征進(jìn)行回歸計(jì)算,得出非極大值和最終輸出結(jié)果,為絲餅毛羽檢測(cè)模型提供可靠的數(shù)據(jù)信息。
在原有的SSD模型前端網(wǎng)絡(luò)中利用Mobilenet取代VGG16形成新的基礎(chǔ)特征提取器,以提高運(yùn)行速度、減少模型參數(shù)量、提高絲餅毛羽小目標(biāo)識(shí)別能力及特征層信息提取能力,然后在后端網(wǎng)絡(luò)中利用雙向特征融合方式構(gòu)建特征金字塔,并引入深度可分卷積 (DSC)算法,改進(jìn)原有模型基礎(chǔ)CNN層,最后形成絲餅毛羽檢測(cè)模型。
提取絲餅毛羽特征過(guò)程中進(jìn)行大量運(yùn)算,會(huì)涉及到數(shù)據(jù)輸入通道數(shù)、卷積核個(gè)數(shù)、固定大小和對(duì)應(yīng)層數(shù)、特征數(shù)據(jù)等參數(shù)的應(yīng)用,CNN層的數(shù)據(jù)計(jì)算量可設(shè)為O1,具體計(jì)算公式如下:
式中:K為當(dāng)前層卷積核個(gè)數(shù);D為數(shù)據(jù)通道數(shù);F為卷積核大?。籒為輸入數(shù)據(jù)的寬和高。
絲餅毛羽檢測(cè)模型的后端網(wǎng)絡(luò)進(jìn)行轉(zhuǎn)置卷積操作時(shí)需要運(yùn)用到雙向特征融合策略,即將大小相同的特征層行融合,以增強(qiáng)特征層的特征提取能力和表達(dá)能力,從而快速回去各個(gè)層級(jí)特征圖特點(diǎn),并獲取每個(gè)卷積層至少1組的預(yù)測(cè)結(jié)果,提高絲餅毛羽檢測(cè)準(zhǔn)確率。
操作系統(tǒng)選用為Windows 10,選用型號(hào)為 Intel(R)Core(TM)i7-6 800K的處理器型,顯卡型號(hào)為 NVIDIA GeForce GTX 1 080Ti,內(nèi)存為128G。
檢測(cè)效果判定指標(biāo)包括平均精確率均值mAP和檢測(cè)速度。mAP的計(jì)算公式為:
式中:RAPC為每類絲餅毛羽缺陷平均精確率;C為毛羽種類,C=1,2,3……n(總數(shù))。
檢測(cè)速度的判定指標(biāo)為幀速率V(幀·s-1),計(jì)算公式為:
式中:R為檢測(cè)絲餅毛羽的總幀數(shù);t為檢測(cè)總時(shí)間(s)。
本研究選用端毛羽、圈毛羽和交叉毛羽3種類型絲餅毛羽(由江蘇某化纖廠提供)進(jìn)行實(shí)驗(yàn),圈毛羽最少,其次是交叉毛羽,最后是端毛羽(最多),三種毛羽的比例為2∶3∶5,相關(guān)數(shù)據(jù)分布及數(shù)據(jù)集如表1所示。
表1 絲餅毛羽數(shù)據(jù)分布及數(shù)據(jù)集 單位:張
模型訓(xùn)練超參數(shù)設(shè)置:迭代次數(shù)100 000次;初始學(xué)習(xí)率0.001;學(xué)習(xí)衰減率0.8;權(quán)重衰減系數(shù)0.000 5;交并比(IoU)閾值0.75,檢測(cè)過(guò)程中的損失函數(shù)曲線如圖1所示。
圖1 損失函數(shù)曲線
迭代次數(shù)為40 000次時(shí)損失函數(shù)值降到0.2,然后曲線平緩,迭代約70 000次時(shí)出現(xiàn)波動(dòng),下降為0.05之后,曲線趨于平穩(wěn)(基本保持在0.02左右)[8]。
對(duì)比實(shí)驗(yàn)的檢測(cè)結(jié)果如表2所示。
表2 不同檢測(cè)模型下的絲餅毛羽檢測(cè)結(jié)果比較(x±s)
從表2可以看出,本研究的檢測(cè)模型,在RAPC、mAP、檢測(cè)速度(V)等指標(biāo)上的比較均具有可比性和統(tǒng)計(jì)學(xué)意義(P<0.05)。統(tǒng)計(jì)學(xué)分析選用SPSS20.0統(tǒng)計(jì)學(xué)軟件對(duì)不同模型檢測(cè)結(jié)果進(jìn)行分析,本研究檢測(cè)結(jié)果可作為計(jì)量資料,使用t檢驗(yàn),表示為“”,差異有統(tǒng)計(jì)學(xué)意義用“P<0.05”表示。以上結(jié)果經(jīng)過(guò)統(tǒng)計(jì)學(xué)分析了解到基于激光三角測(cè)量法改進(jìn)的SSD檢測(cè)模型,其各項(xiàng)檢測(cè)指標(biāo)都明顯優(yōu)于原始的SSD,說(shuō)明改進(jìn)后的SSD檢測(cè)模型檢測(cè)效果更佳。
通過(guò)上文分析了解到,基于激光三角測(cè)量法改進(jìn)SSD檢測(cè)模型,圈毛羽、交叉毛羽和端毛羽的精確率都得到了提高,證實(shí)了激光三角測(cè)量法具有顯著的絲餅毛羽檢測(cè)效果,值得推廣應(yīng)用。