基于机器视觉的纱锭检测与分拣系统研究
化学纤维在纺织行业扮演着重要的角色，并广泛应用于服装、医学、航天等领域。中国是世界上最大的化学纤维生产国之一，其纺织企业通常将长丝卷绕成纱锭，并对其进行质量检测。然而，传统的人工检测方法存在检测效率低、工人易出现视觉疲劳等缺点。随着深度学习和图像处理算法的发展，纺织企业开始研发基于机器视觉的瑕疵检测系统，以推动人工智能在工业生产中的应用。 目前，许多目标检测算法模型结构复杂，参数量庞大，难以在生产系统中实时部署，无法满足纺织厂的生产要求。因此，本文旨在设计一套基于机器视觉的纱锭瑕疵检测分拣系统，该系统具备准确率高、实时性强、可靠性强等特点，以适应纺织企业实际生产需求。本文主要完成以下工作: 首先，基于企业的生产需求，设计瑕疵检测分捡的嵌入式系统的总体设计方案。该方案包括视觉检测平台的搭建和嵌入式分捡系统的软硬件设计，其中硬件选型、平台搭建、软件设计等工作均得到了充分考虑。同时，完成数据集的采集工作，并通过OpenCv图像处理算法对图像进行增强，以完成数据集的扩充。此外，设计简单易操作的人机交互子系统，以使操作工人能够通过显示屏控制整套系统。 其次，本文对视觉检测算法进行研究分析，采用改进的YOLOv5目标检测算法进行纱锭检测。具体而言，使用ShuffleNetv2轻量化网络来替换原有的主干网络，以提高检测速度和精度;在YOLOv5基础模型的特征提取网络中引入了CBAM注意力机制，以提高整体的特征提取效率。采用迁移学习的解决数据集较少导致模型收敛慢甚至无法收敛的问题，加快模型训练的速度以及提高检测的准确率。 最终，本文成功改进了YOLOv5算法并训练出了轻量化模型，将其部署到嵌入式系统中进行测试。实验结果表明，检测速度达到了28.4帧率，可以满足实时性的需求;同时，准确率达到了92.5％,具有高度的检测精度。因此，本系统能满足了纺织企业在实际生产中的要求。
纱锭检测;分拣系统;YOLOv5软件;ShuffleNetv2软件;注意力机制;迁移学习
武汉纺织大学
硕士
机械
庞爱民
2023
中文
TP391.41;TP311.52
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）