本文二维码信息
二维码(扫一下试试看!)
基于深度学习的纸病检测系统设计与研究
Design and Research of Deep Learning-based Paper Defect Detection System
投稿时间:2024-02-23  
DOI:10.11980/j.issn.0254-508X.2024.08.019
关键词:  纸病检测  深度学习  系统设计  架构设计
Key Words:paper defect detection  deep learning  system design  architecture design
基金项目:浙江省高等学校国内访问工程师“校企合作项目”(FG2023285);浙江省教育厅一般项目(Y202351406);嘉兴市应用性基础研究项目(2023AY11022,2024AD10063)。
作者单位邮编
顾文君 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
谭永涛 民丰特种纸股份有限公司浙江嘉兴314000 314000
李强 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
刘耀斌 民丰特种纸股份有限公司浙江嘉兴314000 314000
周易 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
王平军 民丰特种纸股份有限公司浙江嘉兴314000 314000
孙霞 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
陆文荣 浙江省造纸行业协会浙江杭州310000 310000
吴昱昊 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
伍沐原 嘉兴职业技术学院浙江嘉兴314036
嘉兴市工业互联网安全重点实验室浙江嘉兴314036 
314036
摘要点击次数: 505
全文下载次数: 460
摘要:本课题设计了基于深度学习的纸病检测系统,用于提高造纸生产过程中的质量控制水平。该系统采用了“CCD+FPGA+工业控制计算机+训练计算机”的架构模式,实现了对纸张图像数据的实时采集、纸病的实时判断和纸病类型的实时识别。综合考虑分类准确率与推理速度,选择MobileNet模型算法,其分类准确率达99.5%,每秒可推理约103.1张分辨率为224×224的图像,满足现场纸病图像分类识别的实时要求。
Abstract:A deep learning-based paper defect detection system was designed in this paper to enhance the quality control of papermaking production. This system adopted the architecture model of “CCD + FPGA + industrial control computer + training computer”, achieving real-time collection of paper image data, real-time assessment of paper defects, and real-time identification of types of paper defects. Considering both classification accuracy and inference speed, the MobileNet model was chosen to achieve a classification accuracy of 99.5%. It could infer approximately 103.1 images per second with a resolution of 224×224, meeting the real-time requirements for on-site and recognition of pager defect image classification.
查看全文  查看/发表评论  下载PDF阅读器