关键词：纺织车间;空纱筒识别;残差网络;模型轻量化;深度学习
摘 要：针对纺织车间背景复杂、纱筒种类多导致利用传统机器视觉识别空纱筒准确率低、模型参数量大的问题，设计了一种基于改进残差网络的空纱筒识别模型。该模型借鉴ResNet系列的模型结构，进行卷积核轻量化，改进经典的残差模块并加入SENet注意力机制，以达到提高检测空纱筒的准确率，减少模型参数的目的。最后通过数据增强，创建了适合工厂实际生产的纱筒数据集。实验结果表明：在消融实验中，应用SENet注意力机制可以提高3.86%的准确率，利用优化残差模块不仅减少了650%的模型参数还提高了1.22%的准确率。在原数据集的验证集上，改进模型的准确率为99.6%比ResNet-18模型高4.46%,与VGG-16和AlexNet相比提高了7.05%～9.41%。在增强的数据集上，识别模型的准确率都有了较大的提升，但改进模型的准确率变化不大，说明该模型的鲁棒性较好，不易受到样本不足的影响。改进模型的参数数量缩小到原模型参数数量的1/10左右，为嵌入式设备部署空纱筒识别模型提供了思路。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取