Fisher准则指导的深层卷积神经网络织物疵点检测优化
需积分: 14 14 浏览量
更新于2024-08-13
收藏 1.18MB PDF 举报
"这篇论文提出了一种基于Fisher准则的深层卷积神经网络(FDCNN)用于织物疵点检测的方法,旨在解决具有周期性图案织物的疵点分类问题。通过深度可分离卷积构建小型DCNN,并在Softmax层引入Fisher准则约束,利用梯度算法优化网络参数,提高了分类效率和准确性。实验结果显示,FDCNN在TILDA和彩色格子数据集上的分类率分别达到98.14%和98.55%。"
本文主要关注的是利用深度学习技术改善织物疵点检测的性能,特别是对于那些有周期性图案的织物。传统的算法在此类任务上存在局限性,因此研究者提出了一种新的基于Fisher准则的深层卷积神经网络方法。首先,他们采用了深度可分离卷积(Depthwise Separable Convolution),这是一种轻量级的卷积操作,能够减少网络参数的数量,降低计算复杂度,同时保持较高的特征提取能力。
深度可分离卷积是将标准卷积分解为深度卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)两部分。深度卷积针对每个输入通道独立进行滤波,逐点卷积则负责通道间的交互。这种方法大大减少了计算量,使得构建小型但高效的网络成为可能。
接着,研究者在DCNN的Softmax层引入了Fisher准则约束。Softmax函数常用于多分类问题,它将网络的输出转换为概率分布。Fisher准则是一种优化目标,有助于提高类间距离,增强类内凝聚力,从而改善分类性能。通过梯度算法(可能是反向传播)更新网络参数,使模型更好地符合Fisher准则,从而提高分类的准确性和稳定性。
实验部分,FDCNN模型在两个数据集——TILDA和彩色格子数据集上进行了测试,分类准确率分别达到了98.14%和98.55%,这表明该模型不仅在减少网络参数和降低运行时间方面表现出色,而且在提高织物疵点分类效果上也取得了显著的成果。
总结来说,这篇论文通过结合深度可分离卷积、Fisher准则约束以及梯度算法优化,提出了一种新的织物疵点检测模型,该模型在处理具有周期性图案的织物时,能有效提升分类精度,同时降低了计算资源的需求,对于工业生产中的质量控制具有重要的实际应用价值。
2022-03-21 上传
2021-05-14 上传
2021-09-25 上传
2024-04-08 上传
2023-12-31 上传
2023-12-18 上传
2023-04-17 上传
2023-06-02 上传
2023-06-02 上传
weixin_38516863
- 粉丝: 3
- 资源: 970
最新资源
- Raspberry Pi OpenCL驱动程序安装与QEMU仿真指南
- Apache RocketMQ Go客户端:全面支持与消息处理功能
- WStage平台:无线传感器网络阶段数据交互技术
- 基于Java SpringBoot和微信小程序的ssm智能仓储系统开发
- CorrectMe项目:自动更正与建议API的开发与应用
- IdeaBiz请求处理程序JAVA:自动化API调用与令牌管理
- 墨西哥面包店研讨会:介绍关键业绩指标(KPI)与评估标准
- 2014年Android音乐播放器源码学习分享
- CleverRecyclerView扩展库:滑动效果与特性增强
- 利用Python和SURF特征识别斑点猫图像
- Wurpr开源PHP MySQL包装器:安全易用且高效
- Scratch少儿编程:Kanon妹系闹钟音效素材包
- 食品分享社交应用的开发教程与功能介绍
- Cookies by lfj.io: 浏览数据智能管理与同步工具
- 掌握SSH框架与SpringMVC Hibernate集成教程
- C语言实现FFT算法及互相关性能优化指南