基于强化学习和循环注意力模型的复杂光照织物缺陷检测算法研究

摘要

纺织业中，质量控制问题对于纺织企业的利润具有巨大的影响。视觉系统中光源的强度、亮度会随着使用的时间而呈现出不同程度的衰减。传统的织物缺陷检测算法针对的对象是正常光照条件下的某种特定织物。当织物种类或光照强度变化时，算法的准确率会大幅度下降。卷积神经网络提取到的特征虽然具有通用性和极强的鲁棒性，但是经过实验研究发现，对于复杂光照条件下的织物缺陷检测而言，该模型的识别率不高。循环注意力模型对光照变化和噪声不敏感，又与强化学习紧紧耦合，因此本文提出基于强化学习和循环注意力模型的织物缺陷识别算法。 针对复杂光照这一问题，本文提出使用多尺度Retinex图像增强算法对织物图像进行预处理。灰度变换法处理后的图像整体亮度过亮，直方图均衡化算法会增加噪声并导致细节缺失；多尺度Retinex算法可以在保持图像的局部细节的同时限制光照变化和噪声的影响。最后经过实验证明多尺度Retinex算法具有良好的鲁棒性和适用性。 深度确定性策略梯度算法（DDPG）存在着经验池采样缺乏科学的理论方法指导以及评价方式粗糙导致的最优动作与非最优动作的状态值函数差异较小等问题。本文提出DDPG-OSPC算法，使用基于时间差分法的优化采样算法和多维评价方式来解决上述问题。基于强化学习环境的实验证明该算法与DDPG算法相比可提前25回合达到要求，回合累积的奖励的峰值与稳定后的值都更高。 循环注意力模型中使用的策略梯度算法存在收敛困难，回合更新的缺点导致算法的效率低下。本文提出DDPG-RAM算法，使用DDPG算法解决上述问题。研究中还发现强化学习任务与分类任务耦合与否对实验结果具有重要的影响。耦合会导致梯度的方差较大，解耦合会导致数据不具有一致性。经过实验分析证明DDPG-RAM算法可以完成对复杂光照条件下织物的缺陷检测。与循环注意力模型和卷积神经网络相比，解耦合后该算法的准确率可达95.24%，收敛速度也比循环注意力模型提前了50%。这说明数据的不一致性影响较小，而梯度方差小，神经网络的波动也会变小，收敛速度会加快和稳定性会更强。

目录

声明

第1章 绪论

1.1 课题背景及研究意义

1.1.1 课题来源

1.1.2 研究目的及意义

1.2 国内外织物缺陷检测研究现状

1.2.1 传统算法

1.2.2 深度学习算法

1.3 存在的问题与研究内容

1.3.1 存在的问题

1.3.2 研究内容

1.4 论文的结构安排

第2章 织物缺陷数据库及图像增强算法

2.1 复杂光照织物缺陷数据库

2.1.1 TILDA数据库

2.1.2 复杂光照织物缺陷数据库

2.2 图像增强算法

2.2.1 灰度变换法

2.2.2 直方图均衡化算法

2.2.3 Retinex算法

2.2.4 图像增强算法实验分析

2.3 本章小结

第3章 基于优化采样和多维评价的DDPG算法

3.1 DDPG算法

3.1.1 时间差分法

3.1.2 DDPG算法

3.2 基于时间差分法的优化采样算法

3.3 多维评价机制

3.4 实验分析

3.4.1 深度神经网络模型

3.4.2 DDPG-OSPC算法流程

3.4.3 实验数据分析

3.5 本章小结

第4章 基于DDPG算法和循环注意力模型的织物缺陷检测算法

4.1 循环神经网络

4.1.1 循环神经网络

4.1.2 长短期记忆网络

4.2 注意力模型

4.2.1 基于项的注意力模型

4.2.2 基于位置的注意力模型

4.3 循环注意力模型

4.4 基于DDPG算法的循环注意力模型

4.5 任务解耦

4.6 实验分析

4.6.1 DDPG-RAM算法流程

4.6.2 实验数据分析

4.7 本章小结

第5章 总结与展望

5.1 全文总结

5.2 展望

参考文献

致谢

附录