[發(fā)明專利]基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110153334.2
• 申請(qǐng)日: 2021-02-04
• 公開（公告）號(hào): CN113005608A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計(jì)）人: 郭玉春;顧利忠;胡燕杰;沈敏春;李彬;沈振峰;牛浩然;吳松
• 申請(qǐng)（專利權(quán)）人: 江蘇博雅達(dá)紡織有限公司;蘇州深杭智能化技術(shù)有限公司
• 主分類號(hào): D03J1/00
• 分類號(hào): D03J1/00;D03D51/28
• 代理公司: 上海統(tǒng)攝知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31303
• 代理人: 杜亞

1.基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征是：實(shí)時(shí)采集噴水織機(jī)經(jīng)面圖像，將噴水織機(jī)經(jīng)面圖像轉(zhuǎn)化為成數(shù)據(jù)信息，將數(shù)據(jù)信息輸入缺陷檢測(cè)模型得出結(jié)果；將數(shù)據(jù)信息和結(jié)果輸入控制模組中輸出低壓信號(hào)，低壓信號(hào)和織機(jī)系統(tǒng)的控制信號(hào)耦合控制織機(jī)的停機(jī)或者不停機(jī)；

缺陷檢測(cè)模型由6部分組成，具體如下：

第1部分為3×3卷積核；

第2部分為下采樣單元和4個(gè)連續(xù)的IDSConv-branch卷積單元組成；

第3部分為下采用單元和8個(gè)連續(xù)的IDSConv-branch卷積單元組成；

第4部分為6個(gè)連續(xù)的IDSConv-branch卷積單元組成；

第5部分為注意力融合模塊；

第6部分為分類層；

IDSConv-branch卷積單元主要由改進(jìn)的深度可分離卷積核構(gòu)成；改進(jìn)的深度可分離卷積核的結(jié)構(gòu)是基于低軼矩陣的分解減少深度可分離卷積核的參數(shù)的同時(shí)添加殘差結(jié)構(gòu)從輸入特征圖中提取出空間特征，最后用L2正則來(lái)進(jìn)行標(biāo)準(zhǔn)化得到。

2.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，3×3卷積核的步長(zhǎng)為2。

3.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，下采樣單元由一個(gè)步長(zhǎng)是2的標(biāo)準(zhǔn)卷積層和一個(gè)步長(zhǎng)為1的最大池化層組成。

4.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，分類層包括全局平均池化和8維的全連接層；8維的全連接層采用softmax函數(shù)計(jì)算。

5.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，全連接層是基于循環(huán)分塊矩陣和哈達(dá)瑪變換的全連接層；

循環(huán)分塊矩陣是基于矩陣的計(jì)算，具體為：將原始的任意大小的權(quán)矩陣分割為2D的方形子循環(huán)分塊矩陣；

哈達(dá)瑪變換為：將循環(huán)分塊矩陣分解為兩個(gè)離散傅里葉分塊矩陣以及一個(gè)對(duì)角分塊矩陣的乘積。

6.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，IDSConv-branch卷積單元的結(jié)構(gòu)是首先將輸入通道一分為二，一側(cè)是改進(jìn)的深度可分離卷積核，另一側(cè)是殘差結(jié)構(gòu)；然后通過(guò)Concatenated操作將兩分支拼接，使用通道混洗操作對(duì)分支通道進(jìn)行融合；最后輸出特征圖；

Concatenated操作前，采用BN函數(shù)和Relu函數(shù)對(duì)改進(jìn)的深度可分離卷積核進(jìn)行計(jì)算。

7.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，將噴水織機(jī)經(jīng)面圖像轉(zhuǎn)化為成數(shù)據(jù)信息之前，對(duì)噴水織機(jī)經(jīng)面圖像進(jìn)行圖像增強(qiáng)算法處理，具體步驟：

(1)灰度變換：先將噴水織機(jī)經(jīng)面圖像進(jìn)行灰度化，再使用伽馬函數(shù)對(duì)灰度化后的圖像進(jìn)行處理；所述伽馬函數(shù)為：s＝c(r+ε)^γ；其中，s為輸出灰度級(jí)，c為正常數(shù)，r為輸入灰度級(jí)，ε為偏移量，γ為正常數(shù)；

(2)將灰度變換之后的圖像進(jìn)行銳化處理；銳化處理使用拉普拉斯算子來(lái)增強(qiáng)圖像的細(xì)節(jié)。

8.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，改進(jìn)的深度可分離卷積核的結(jié)構(gòu)中基于低軼矩陣的分解的同時(shí)添加殘差結(jié)構(gòu)從輸入特征圖中提取出空間特征的計(jì)算過(guò)程為：

其中，為深度卷積核，為輸入特征圖，P_m,n為標(biāo)準(zhǔn)化矩陣，和為逐點(diǎn)卷積分解后的兩個(gè)逐點(diǎn)卷積，I_m為單位矩陣。

9.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，注意力融合模塊是將高層次信息和低層次信息分別依次進(jìn)行包括全局平均池化、注意力機(jī)制、1*1的卷積核，Sigmold函數(shù)的處理后融合得到全局特征信息。

10.根據(jù)權(quán)利要求1所述的基于無(wú)接觸經(jīng)紗斷經(jīng)檢測(cè)的織機(jī)的控制方法，其特征在于，缺陷檢測(cè)模型中還使用Dropout層和局部響應(yīng)歸一化層進(jìn)行訓(xùn)練，局部響應(yīng)歸一化層的歸一化計(jì)算公式為：

其中，(x,y)為輸入特征圖的坐標(biāo)，為坐標(biāo)為(x,y)位置歸一化之后的像素值，為坐標(biāo)為(x,y)位置歸一化之前的像素值，k＝2，α＝1×10^-4，β＝0.75，n＝5，N為通道數(shù)；i為第i個(gè)神經(jīng)元的輸出值。