基于动态卷积神经网络的涤纶长丝均匀性在线检测系统

1.本发明属于纤维智能制造技术领域，具体涉及一种涤纶长丝均匀性在线检测系统及方法，尤其是涉及一种基于动态卷积神经网络的涤纶长丝均匀性在线检测系统。


背景技术：

2.在涤纶长丝生产过程中，条干的均匀性会直接影响纤维的品质，继而对纤维的后加工如拉伸、加捻、染整等产生深远的影响，因此，对条干均匀性的检测和控制极为重要。传统的纺丝车间无法直接在线检测条干不匀情况，只有当出现严重的飘丝、断头等现象，才能对其进行干预和控制。亦或是通过纤维成品进行物理性离线检测，再根据检测的结果对其进行优劣等级的划分，但是这种传统做法无法起到实时的优化生产的作用。
3.近年来作为人工智能领域重要分支的深度学习，在工业界也得到了大量的应用。深度学习算法是一种模拟人类大脑思维方式和视觉信息处理的学习算法，因其能够学习到大量数据的本质特征而在各个领域都获得了突破性的进展。由于现代工业的飞速发展，海量的工业大数据也为实现工业的智能化提供了可能。
4.因此，基于涤纶长丝生产的大量生产数据，利用深度学习和图像处理技术，设计了一种基于动态卷积神经网络(dynamicconvolutional neural network,dcnn)算法的涤纶长丝均匀性在线检测系统及方法，能够有效保证均匀性的在线检测精度，并及时分析原因，做出调整措施，从而克服传统的人工检测的滞后性等问题。
5.目前，尚未有专门针对涤纶长丝均匀性在线检测的方法，只有部分采用纯物理性方法如利用不同光源作为发射器来设计光学元件用于纤维均匀性的离线检测。虽然当前工业控制系统逐步完善，机器人能够替代生产工人完成繁重、复杂的重复性工作，但是对于高速涤纶长丝均匀性的在线检测却始终无法真正突破。
6.如专利cn103154663a中提出一种连续检测线状物体特别是纺织纤维的粗细和均匀性的方法，该方法将光源作为发射器的一部分，并且使用光学扫描器来扫描由作为接收器的一部分的源所发射的光，作为发射器的一部分的点或面光源和准直元件的组合以及光学扫描器和作为发射器的一部分的具有针孔的准直元件的组合允许增加的测量面积和线状物体粗细的精确测量。该方法属于纯物理性方法，且无法实现在线的检测，未能从根本上解决问题。


技术实现要素：

7.为解决现有技术中存在的问题，本发明提供基于动态卷积神经网络的涤纶长丝均匀性在线检测方法；
8.为达到上述目的，本发明采用的方案如下：
9.基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，包括如下步骤：
10.s1数据采集：利用电容式uster条干仪及高速摄像头，采集纺丝车间中涤纶长丝纺丝时的电信号数据和视频数据；即利用电容式uster条干仪采集电信号数据，利用高速摄像
头采集视频数据。
11.s2数据转换：利用计算机设备，将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图；
12.s3模型构建：以频域图、时域图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；
13.s4在线检测：利用基于动态卷积神经网络算法的条干均匀性检测模型进行在线检测，将实时采集到的待测样本的视频数据输入到基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果。
14.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s4在线检测后，还进行以下步骤：
15.s5给出分析：将检测结果输入至条干不匀原因分析的专家系统中，根据导致条干不匀的因素，输出对应的实时采集到的待测样本的视频数据中形成条干不匀的原因；
16.导致条干不匀的因素主要分为：原料因素、工艺因素和设备因素；
17.原料因素主要包括分子量大小及其分布、外界杂质、内部杂质；
18.工艺因素主要包括熔体温度及其波动、吹风速率不当、计量泵转速不当；
19.设备因素主要包括结构因素和运转因素两方面，其中，结构因素主要包括纺丝机有无纺前预过滤器和熔体混合器、环吹风或侧吹风、计量泵齿轮有无缺陷、计量泵变频电源的精度、卷绕机有无导丝盘、导丝盘和卷绕装置的偏心度及轴承问题、卷绕锭子变频电源的精度；运转因素主要包括纺丝挤压机的不正常运转、计量泵的不正常运转、卷装筒子卷紧时的不匀和横动导丝系统使筒子成形不良等。
20.s6做出反馈：根据不同原因产生的条干不匀，给出相应的补救措施。
21.step6做出反馈中，针对上述分析得出的导致涤纶长丝不匀的具体原因，收集相应的解决措施，组成经验库，当模型给出导致不匀的原因时，系统可以做出相应的补救措施。
22.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s1数据采集中，采集涤纶长丝纺丝时的电信号数据是指：利用监测仪上的一对可变速牵引罗拉，将涤纶长丝以3000m/min的纺丝速度通过uster条干仪上的平行电容极板，当连续通过电容极板间的纤维的线密度变化时，电容器的电容量会相应的变化，将电容量的变化转化成电量变化即可得到反映条干线密度不匀的电信号数据；
23.采集涤纶长丝纺丝时的视频数据是指：在agv(automated guided vehicle)巡检小车上安装高速摄像头，agv小车在每个纺丝位上停留30s，利用agv小车上的高速摄像头采集从喷丝板到纤维集束上油前的丝条实时视频数据。
24.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s2数据转换中，将电信号数据转换成频域图是指：s2数据转换中，将电信号数据转换成频域图是指：先利用电容式uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后利用电容式uster条干仪上的频谱仪将放大后的电讯号进一步放大，并，并输入到n个频道中，分离出n种波谱分量，以及采用电容式uster条干仪上的积分器将n种波谱分量在整个周期内累计；最后通过扫描，将这些累计得到的电压值记录在专用的记录纸上，绘成一张完整的波谱图；其中，波谱图的横坐标(对数刻度)为周期性不匀的波长，纵坐标(线性刻度)为对应周期性不匀波长的相对平均幅度值；所述周期是从长丝测试起始端开始，到测试结束为止；波谱图
是长丝线密度变化的频率域表示法之一；
25.将电信号数据转换成时域图是指：先利用电容式uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后将放大后的电讯号送到记录器，画出丝条细度不匀曲线图；其中，不匀曲线图的横坐标为从长丝测试起始端开始计算的长度，纵坐标为长丝在对应长度处线密度变异的相对振幅(现有技术)；不匀曲线图是长丝线密度变化的时域图表示法之一；
26.将视频数据进行切割是指：利用计算机将涤纶长丝纺丝时的视频数据以帧为单位进行切割得到视频帧图；
27.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s3模型构建的具体步骤为：
28.s3
‑
1模型框架构建：构建由输入层(i)、三条支流(即中间层)和输出层(o)构成动态卷积神经网络；
29.第一条支流为学习波谱图深层特征的支流，依次由卷积层1(c1)、下采样层1(s1)、卷积层2(c2)、下采样层2(s2)、全连接层1(f1)、门控循环单元层1(gru1)、门控循环单元层2(gru2)、全连接层2(f2)构成；
30.第二条支流为学习不匀曲线图深层特征的支流，依次由卷积层1(c1)、下采样层1(s1)、卷积层2(c2)、下采样层2(s2)、全连接层1(f1)、门控循环单元层1(gru1)、门控循环单元层2(gru2)、全连接层2(f2)构成；
31.第三条支流为学习视频帧图深层特征的支流，依次由卷积层1(c1)、下采样层1(s1)、卷积层2(c2)、下采样层2(s2)、卷积层3(c3)、下采样层3(s3)、全连接层1(f1)、门控循环单元层1(gru1)、门控循环单元层2(gru2)、全连接层2(f2)构成；
32.s3
‑
2模型离线训练：
33.先进行数据预处理：将波谱图、不匀曲线图、视频帧图的尺寸调整为深度卷积网络训练时所设计的大小，对调整后的图像进行旋转和平移操作，使深度卷积网络尽可能学习更多的图像特征，得到样本集；
34.再对样本集划分，得到训练集、验证集和测试集；训练集是模型拟合的数据样本，验证集是模型训练过程中单独留出来的样本集，用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用于评估最终模型的泛化能力；
35.然后，将训练集中的样本输入到模型中，并采用模型自身的误差反向传播的训练方式进行训练，当误差精度小于0.01时，得到基于动态卷积神经网络算法的条干均匀性检测模型。
36.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，训练集、验证集和测试集分别占样本集的80％、10％和10％。
37.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s3
‑
1模型框架构建中，卷积层的输入为图像数据(既包括训练集中的输入图像数据，也包括下采样层1的输出)；卷积层中的卷积核与输入之间全部连接，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，输出一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播。卷积层中的每个神经元的权值矩阵被称为卷积核，卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达。
38.如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，卷积层中，卷积层的输入为上一层的特征图，在卷积层中，该特征图被某个可学习的卷积核(卷积核可随机选择)进行卷积操作得到，再通过一个激活函数进行激活，最终输出新的特征图，每个输出特征图组合卷积多个特征图的值：
[0039][0040][0041]
其中，是卷积层l的第j个通道的输出；函数f(
·
)表征激活函数；是卷积层l的第j个通道的净激活(即卷积操作，净激活是指在运算完“卷积求和加偏置”之后，在激活函数f操作之前的中间值，其通过对前一层输出特征图卷积求和偏置后得到)，是前一层的输出特征图；m
j
表示用于计算的输入特征图子集，表示卷积核矩阵，为偏置项函数，*为卷积符号，l为卷积层的序号，i为卷积层通道的序号，j也为卷积层通道的序号；
[0042]
下采样层的输入为卷积层的特征图，并将在不同位置的特征进行融合，对特征信息进行降维和归一化处理后输出；所述归一化处理是指将下采样层的输出进行线性变换把数据映射到闭区间[0,1]之间；
[0043]
门控循环单元层采用具有自循环链接的门控型循环神经网络，提取特征中的时序性关系，使得所学特征更具有时序性；
[0044]
全连接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；输出层为2个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。
[0045]
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，门控循环单元层是通过门控机制选择性的记忆有效的历史信息，并遗忘无效的历史信息，将有效的信息传递到下一时刻，从而更高效地学习数据时序上的内在关系；门控循环单元(gru)主要包括两个门计算和一个候选状态变量更新方程，如下：
[0046]
更新门z
t
：z
t
＝σ(x
t
u
z
+h
t
‑1w
z
+b
z
)；
[0047]
重置门r
t
：r
t
＝σ(x
t
u
r
+h
t
‑1w
r
+b
r
)；
[0048]
更新方程更新方程
[0049]
则门控循环单元的输出为当前的状态变量h
t
：
[0050]
其中，x
t
为当前时刻的输入，h
t
‑1为上一时刻的隐层状态输出，u
z
，w
z
，u
r
，w
r
，u
h
，w
h
均为网络的权重矩阵，b
z
、b
r
和b
h
均为网络的偏置向量，σ为sigmoid函数，值域为(0,1)；即，通过sigmoid函数映射后的更新门和重置门，若接近于0，则表示“门”关闭，通过的信息量为0，若接近于1，则表示“门”打开，通过的信息量为全部，
°
表示逐元素相乘。
[0051]
如上所述的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，s4在线检测中，实时采集到的待测样本的视频数据是指高速摄像头采集到的实时视频的视频帧；检测结果为“均匀”或“不均匀”。在线检测时，模型的权重已经固定，可将整个模型看成一个固定
的函数，当新的图像数据输入时，通过模型的计算，可以得到模型的输出。
[0052]
有益效果
[0053]
本发明的基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，通过利用深度学习的动态卷积神经网络来提取不匀曲线图、波谱图以及视频帧图中的条干不匀特征，可以使得模型判断条干均匀性的精确率更高，且该模型能实现在线检测，并及时给予不匀原因和解决方案，有利于整个生产过程的优化和控制。
附图说明
[0054]
图1为本发明的动态卷积神经网络算法的涤纶长丝均匀性在线检测方法的流程示意图；
[0055]
图2为dcnn模型框架图；
[0056]
图3为dcnn模型内部网络示意图；
[0057]
图4为波谱图；
[0058]
图5为不匀曲线图；
[0059]
图6为喷丝板挤出到纤维集束上油前丝条的视频帧图；
[0060]
图7为网络误差函数训练的结果图。
具体实施方式
[0061]
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0062]
基于动态卷积神经网络的涤纶长丝均匀性在线检测方法，如图1所示，包括如下步骤：
[0063]
s1数据采集：利用电容式uster条干仪及高速摄像头，采集纺丝车间中涤纶长丝纺丝时的电信号数据和视频数据，如下：
[0064]
用监测仪上的一对可变速牵引罗拉，将涤纶长丝以3000m/min的纺丝速度通过uster条干仪上的平行电容极板，当连续通过电容极板间的纤维的线密度变化时，电容器的电容量会相应的变化，将电容量的变化转化成电量变化即可得到反映条干线密度不匀的电信号数据；
[0065]
采集涤纶长丝纺丝时的视频数据是指：在agv(automated guided vehicle)巡检小车上安装高速摄像头，agv小车在每个纺丝位上停留30s，利用agv小车上的高速摄像头采集从喷丝板到纤维集束上油前的丝条实时视频数据，并保存到计算机设备上。
[0066]
s2数据转换：利用计算机设备，将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图，如下：
[0067]
将电信号数据转换成频域图是指：s2数据转换中，将电信号数据转换成频域图是指：先利用电容式uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后利用电容式uster条干仪上的频谱仪将放大后的电讯号进一步放大，并，并输入到n个频道中，分离出n种波谱分量，以及采用电容式uster条干仪上的积分器将n种波谱分量在整个周期
内累计；最后通过扫描，将这些累计得到的电压值记录在专用的记录纸上，绘成一张完整的波谱图；其中，波谱图的横坐标(对数刻度)为周期性不匀的波长，纵坐标(线性刻度)为对应周期性不匀波长的相对平均幅度值；所述周期是从长丝测试起始端开始，到测试结束为止；波谱图是长丝线密度变化的频率域表示法之一；
[0068]
将电信号数据转换成时域图是指：先利用电容式uster条干仪上的控制仪，放大与条干不匀成比例关系的电讯号，然后将放大后的电讯号送到记录器，画出丝条细度不匀曲线图；其中，不匀曲线图的横坐标为从长丝测试起始端开始计算的长度，纵坐标为长丝在对应长度处线密度变异的相对振幅(现有技术)；不匀曲线图是长丝线密度变化的时域图表示法之一；
[0069]
将视频数据进行切割是指：利用计算机将涤纶长丝纺丝时的视频数据以帧为单位进行切割得到视频帧图；
[0070]
s3模型构建：以波谱图、不匀曲线图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；具体如下：
[0071]
s3
‑
1模型框架构建：如图2～3所示，构建由输入层、三条支流和输出层构成动态卷积神经网络；
[0072]
第一条支流为学习波谱图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
[0073]
第二条支流为学习不匀曲线图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
[0074]
第三条支流为学习视频帧图深层特征的支流，依次由卷积层1、下采样层1、卷积层2、下采样层2、卷积层3、下采样层3、全连接层1、门控循环单元层1、门控循环单元层2、全连接层2构成；
[0075]
卷积层的输入为图像数据(既包括训练集中的输入图像数据，也包括下采样层1的输出)；卷积层中的卷积核与输入之间全部连接，每个卷积核通过滑动窗口的方式提取输入数据不同位置的特征，输出一个二维特征集合，即特征图；卷积层的特征图将作为下一层的输入继续传播。卷积层中的每个神经元的权值矩阵被称为卷积核，卷积核提取的特征能够对输入的图像进行逐层抽象，获得更高层次的分布式特征表达。
[0076]
且卷积层的输入为上一层的特征图，在卷积层中，该特征图被某个可学习的卷积核进行卷积操作得到，再通过一个激活函数进行激活，最终输出新的特征图，每个输出特征图组合卷积多个特征图的值：
[0077][0078][0079]
其中，是卷积层l的第j个通道的输出；函数f(
·
)表征激活函数；是卷积层l的第j个通道的净激活(即卷积操作，净激活是指在运算完“卷积求和加偏置”之后，在激活函数f操作之前的中间值，其通过对前一层输出特征图卷积求和偏置后得到)，是
前一层的输出特征图；m
j
表示用于计算的输入特征图子集，表示卷积核矩阵，为偏置项函数，*为卷积符号，l为卷积层的序号，i为卷积层通道的序号，j也为卷积层通道的序号；
[0080]
下采样层的输入为卷积层的特征图，并将在不同位置的特征进行融合，对特征信息进行降维和归一化处理后输出；所述归一化处理是指将下采样层的输出进行线性变换把数据映射到闭区间[0,1]之间；
[0081]
门控循环单元层采用具有自循环链接的门控型循环神经网络，提取特征中的时序性关系，使得所学特征更具有时序性；门控循环单元层是通过门控机制选择性的记忆有效的历史信息，并遗忘无效的历史信息，将有效的信息传递到下一时刻，从而更高效地学习数据时序上的内在关系；门控循环单元(gru)主要包括两个门计算和一个候选状态变量更新方程，如下：
[0082]
更新门z
t
：z
t
＝σ(x
t
u
z
+h
t
‑1w
z
+b
z
)；
[0083]
重置门r
t
：r
t
＝σ(x
t
u
r
+h
t
‑1w
r
+b
r
)；
[0084]
更新方程更新方程则门控循环单元的输出为当前的状态变量h
t
：
[0085]
其中，x
t
为当前时刻的输入，h
t
‑1为上一时刻的隐层状态输出，u
z
，w
z
，u
r
，w
r
，u
h
，w
h
均为网络的权重矩阵，b
z
、b
r
和b
h
均为网络的偏置向量，σ为sigmoid函数，值域为(0,1)；即，通过sigmoid函数映射后的更新门和重置门，若接近于0，则表示“门”关闭，通过的信息量为0，若接近于1，则表示“门”打开，通过的信息量为全部，
°
表示逐元素相乘。
[0086]
全连接层采用全连接操作将下采样层的输出由一个特征空间线性变换到另一个特征空间；
[0087]
输出层为2个输出的softmax输出层，在输出层用softmax函数得到类别上的概率分布。
[0088]
s3
‑
2模型离线训练：
[0089]
先进行数据预处理：将波谱图、不匀曲线图、视频帧图的尺寸调整为深度卷积网络训练时所设计的大小，对调整后的图像进行旋转和平移操作，使深度卷积网络尽可能学习更多的图像特征，得到样本集；
[0090]
再对样本集划分，得到训练集、验证集和测试集，且训练集、验证集和测试集分别占样本集的80％、10％和10％；训练集是模型拟合的数据样本，验证集是模型训练过程中单独留出来的样本集，用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用于评估最终模型的泛化能力；
[0091]
然后，将训练集中的样本(波谱图(如图4所示)、不匀曲线图(如图5所示)和视频帧图(如图6所示))输入到模型中，并采用模型自身的误差反向传播的训练方式进行训练，当误差精度小于0.01(即阈值)时，得到基于动态卷积神经网络算法的条干均匀性检测模型，具体描述为：
[0092]
将训练集作为网络的输入(直接以图像作为原始输入数据，如对于输入是图像来说，则输入数据是图像的像素值)；数据经过卷积层后，会得到由不同卷积核产生的特征图，然后经过下采样处理，降低特征维数并能够保证最后特征表达的某些不变性(平移、旋转、
伸缩等)；图像数据在网络中经过多次卷积和下采样操作后，得到低维特征图，采用全连接操作，其核心即矩阵向量乘积，本质是由一个特征空间线性变换到另一个特征空间；将经过卷积操作后的特征被喂入到门控循环层，门控循环层利用门控机制，有效地学习和提取时间维度上的特征；动态卷积网络输出层是一个分类器，在输出层用softmax函数得到类别上的概率分布。
[0093]
s4在线检测：利用基于动态卷积神经网络算法的条干均匀性检测模型进行在线检测，将高速摄像头采集到的实时视频中的视频帧输入到基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果“均匀”或“不均匀”。
[0094]
结合具体算例验证本发明的方法的有效性：
[0095]
采集含有三类图像的数据集，每类数据量为500张，图像像素大小为227
×
227
×
3；并随机选择其中80％的数据为训练集；
[0096]
以训练集为输入，输入至动态卷积网络模型采用上述方法构建的模型中，其中，卷积核的大小(kernel size)分别为112、32；112、32、112、52、32像素，输出的特征图数目分别为96、256；96、256；96、384、256个，卷积的步长(stride)分别为3、1；3、1；3、1、1像素；下采样层采用最大化下采样方式，下采样的尺寸均为22像素，下采样步长均为2像素；门控循环层的神经元个数与上一层全连接层的神经元个数一致；模型中2个全连接层均为包含4096个神经元的隐含层；在cpu或者gpu上运行(在nvidia geforce gtx 1080，128g内存，ubuntu14.04，tensorflow0.8.0平台下进行验证的)；图7为该算法学习过程中，误差函数训练的结果，其中，横轴表示训练迭代次数，纵轴表示交叉熵代价函数(cost)，交叉熵代价函数值越小，说明模型效果越好。从图7可以看出，本发明中的模型训练误差逐步收敛于0，说明模型检测精度能达到99％以上，故该模型能获得良好的检测效果。