CN116051479B 融合跨域迁移和异常检测的纺织品缺陷识别方法 （福州大学）_第1页
CN116051479B 融合跨域迁移和异常检测的纺织品缺陷识别方法 （福州大学）_第2页
CN116051479B 融合跨域迁移和异常检测的纺织品缺陷识别方法 （福州大学）_第3页
CN116051479B 融合跨域迁移和异常检测的纺织品缺陷识别方法 （福州大学）_第4页
CN116051479B 融合跨域迁移和异常检测的纺织品缺陷识别方法 （福州大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

融合跨域迁移和异常检测的纺织品缺陷识本发明涉及一种融合跨域迁移和异常检测设计一种基于多层级特征匹配的无监督异常检2通过机器采集织物图像作为原始数据集，对原始数据集中的初始数将图像集分为正常图像、大尺度形态类缺陷图像和小尺度表面针对织物中的大尺度形态类缺陷，提出一种改进的半监督跨域神同风格数据之间的映射；域判别器通过无监督学习方式来实现数据从源域到目标域的迁在SSDANN训练过程中，分别将源域和目标域数据输入到针对织物中的小尺度表面缺陷，提出一种无需缺陷数据参与训练所述无需缺陷数据参与训练的异常检测方法，构建了基于小尺度3假设基于正常数据的多层级特征记忆单元M中第i个正常样本的l层级特征为m;,待测其中，s;的物理含义为测试样本特征与基于正常数据的多层级特征记忆单元内对应特2.根据权利要求1所述的融合跨域迁移和异常检测的纺织品缺陷识别方法，其特征在特征提取器由多个卷积和池化层组成，作用是将数据映射fpf4pp域分类器用于对整体的输入数据进行域鉴别，判断数据来自源域还是pt带标签的目标域数据损失函数计算方式和公式(3)一样，网络采用梯度下降法进行反5[0002]纺织品是人们日常生活和工业领域都不可或缺的材料，其需求量也是日益增[0003]随着硬件设备的发展，深度学习方法在近年来被广泛地应用于织物的缺陷识别6[0009]通过机器采集织物图像作为原始数据集，对原始数据集[0013]针对织物中的大尺度形态类缺陷，提出一种改进的半监督跨域[0016]针对织物中的小尺度表面缺陷，提出一种无需缺陷数据参与训练的异常检测方7[0025]基于小尺度表面缺陷的多层级特征匹配网络模块，当跨域网络输出结果为正常[0026]图2为本发明针对织物中的形态类缺陷设计的SSDANN网络结构图，特征提取器由8域不变特征。为了简化训练过程，在特征提取器和域分类器之间中引入一个梯度反转层[0051]图3是本发明中知识蒸馏的算法示意图，深度卷积神经网络可以提取输入图像的CNN在公开数据集中习得的知识迁移到织物图像领域，使深度学习模型在保留原有高质量9[0055]图4为本发明针对小尺度表面缺陷所设计的基于多层级特征匹配的异常判定框架[0059]假设记忆单元M中第i个正常样本的l层级特征为m;,待测试

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论