摘要：为解决工业生产中人工检测丝饼表面缺陷效率低、漏检率高的问题,提出了一种在梯度空间下根据图像信息熵变化和能量分布的差异来检测丝饼表面缺陷的方法。首先设计一套基于机器视觉的丝饼图像采集装置,用于获取传输过程中的丝饼表面图像;然后将丝饼图像转换到梯度空间域,构建一个信息熵和能量的组合特征用来表征缺陷,选择适当的临界阈值区分丝饼缺陷区域与正常区域;最后对分割出的丝饼缺陷利用形态学处理得到最终的检测结果。实验结果表明,该方法对丝饼表面污渍、压痕、起毛等缺陷具有较好的检测效果,缺陷识别准确率高、速度快,可满足工厂对检测准确性和实时性的要求,实现丝饼表面缺陷的自动化检测。

摘要：毕业设计是工业学校教学过程中最后的一个教学环节，与其他教学环节一样，也有其固有的规律和特点。正确地认识它的规律和特点，对提高毕业设计的质量是很有益处的。下面就这一问题谈谈我的一点粗浅认识。

摘要：针对应用深度学习检测数码印花缺陷需准确分类的问题,提出了基于卷积神经网络(CNN)的数码印花缺陷分类算法。该方法首先依次对图像进行RGB颜色空间直方图均衡化、高斯滤波、局部均值分辨率调整的图像预处理,提升输入网络的图像质量,并进行图像几何变换的数据增强,扩充样本数据集;然后,设计拓扑结构为2个卷积层、2个池化层、2个全连接层的CNN网络对样本进行训练,得出最优的数码印花缺陷分类CNN模型。经600张测试样本验证,结果表明,该算法对各类数码印花缺陷的分类准确率均超过90.0%,多分类任务Kappa系数值为0.94,能实现数码印花缺陷的准确分类。

摘要：阐述了早时标网络计划的编制特点,结合多年的教学和实践,总结出早时标网络计划的绘制方法和步骤,通过实例证明,早时标网络计划具有图形表达直观、逻辑关系明确等优点。

摘要：目的为了提升数码印花中彩色图像的复现精度,提出一种在子空间采用遗传算法优化BP神经网络的颜色特性化方法。方法介绍遗传算法(GA)优化BP神经网络的基本原理,设计一种在L^*a^*b^*颜色子空间建立的颜色特性化模型,并对1000个色样开展GA-BP神经网络模型训练实验,最终拟合出印花色样的L^*a^*b^*色度值和输入的印花图像RGB驱动值之间的非线性关系。结果该方法对125个测试色样的颜色特性化预测结果显示,超过90%的色样色差分布在2.0以内,光谱均方根误差(RMSE)分布在0.02以内。结论该方法较未进行遗传算法优化BP神经网络,预测精度得到明显提升,能够达到较高的数码喷墨印花彩色图像复现精度。

摘要：为了解决纱线条干及毛羽的检测问题,设计了一种基于机器视觉的纱线质量检测系统。该系统主要包括硬件设计和软件检测算法。硬件主要包括图像采集单元、纱线牵引装置和系统控制装置。在软件系统中,利用机器视觉及图像处理方法,分别对纱线条干和纱线毛羽进行检测。利用双边滤波及Otsu阈值实现纱线条干的检测,利用EM算法及密度聚类实现纱线毛羽的检测。将检测结果以及处理后的纱线图像显示在搭建的人工交互界面上,实时显示纱线条干及毛羽的评价。实验结果表明,该系统的实时性及稳定性好,准确率高,具有一定的学术研究价值及应用推广价值。

摘要：针对纺织过程中纱线张力波动问题,设计一种纱线张力控制器,并介绍其软硬件设计方案.该控制器在STM32硬件平台基础上,基于BP神经网络的自适应PID技术控制电机的加减速,恒定纱线的实时张力.仿真结果表明,基于BP神经网络PID控制效果优于常规PID,具有响应速度快、超调量小、鲁棒性强等优点.

摘要：研究基于树莓派的深度学习色织物疵点检测效果。设计了一种基于树莓派的深度学习疵点检测系统。采用多线程并发执行思路,将系统任务划分为图像采集、图像处理和人工交互三个线程;采用改进的Inception-v3模型图像处理算法,实现了织物图像疵点检测和分类;通过人工交互界面,实时显示系统的运行数据,根据色织物疵点报警停车。结果表明:该系统实现了色织物疵点检测和分类,平均准确率达94%。认为:该织物疵点检测方法可达到工业现场在线检测的要求。

摘要：针对传统制鞋业定制化程度低,无法适应足部多样性、舒适性,造成鞋业资源的浪费,无法满足当代顾客追求个性化的心里等问题,提出了一种基于VR和Kinect的定制鞋设计方法;对个体足部特征进行测量分析,利用三维建模以及VR技术,实现个体鞋的定制设计;首先,使用Kinect3D摄像机进行足部三维扫描,获取足部深度信息数据并转换成点云数据,利用kd-tree算法及贪婪投影三角化算法进行足部点云的去噪处理和点云重构,在Meshlab软件中测量数据并结合MAYA软件完成三维鞋的建模;最后,结合Unity引擎,设计虚拟交互界面,实现纹理贴图和更换,完成定制鞋系统;结果证明,该系统可以快速地进行人机交互,实现鞋的三维定制,满足顾客个性化的心理需求,会对鞋业的发展产生很大的推进作用。

摘要：在大规模自然场景人脸识别任务中,针对判别性强的深度嵌入特征难以提取以及交叉熵损失难以优化类内紧凑性的问题,提出了一种EfficientFaceNets深度网络的识别方法。该网络结构以EfficientNetV2-S结构为基础,采用上下文特征融合和三维注意力机制增强人脸深度嵌入特征的判别性。同时,为进一步提高人脸深度嵌入特征的类内紧凑性和类间分离性,设计了一种新的可信度增强损失增强深度嵌入特征的相似性,该损失联合交叉熵损失对网络进行训练,可以提升深度网络模型的分类性能。采用2种公开人脸识别数据集LFW和CFP-FP对提出的EfficientFaceNets模型性能进行验证,与3种主流深度网络模型进行了对比实验。该模型在CFP-FP数据集上的识别率相比Mobilefacenet提高了2.82%,相比于MobilenetV3-large提高了2.38%,相比于Resnet50提高了1.91%。实验证明,该模型可以用于人脸识别、图像分类等计算机视觉任务。