织物疵点检测纺织制造业:艺术的状态的调查

文摘

纺织生产过程中的缺陷导致极大的资源浪费,进一步影响纺织产品的质量。自动织物材料的质量保证是最重要之一,要求在纺织智能制造计算机视觉任务。这项调查提供了一个全面的概述对织物疵点检测算法。首先,本文简要介绍了织物疵点检测的重要性和必然性的时代制造的人工智能。第二,缺陷检测方法分为基于传统算法和学习算法,与传统算法进一步分为统计、结构、光谱和基于模型的算法。上优于算法进一步分为传统机器学习算法和深度学习算法是最近很受欢迎。这些方法存在一个系统的文献综述。第三,部署的织物疵点检测算法进行了研究。本文为研究人员提供了一个参考和工程师在织物疵点检测纺织制造业。

1。介绍

人工智能在工业领域的影响已经远远超出了我们的预期(1,2]。大量的研究人员和工程师不断加速的发展工业情报。2010年,德国提出了行业4.0框架,该框架已被广泛推广和应用在欧盟成员国。随后,美国和中国提出相应规划和政策对智能制造他们自己的国家。4.0产业是未来发展的必然趋势的制造业3]。

人工智能工业是典型的交叉学科,相结合的机械知识,数据科学、网络通信、信息安全、和其他学科,它的目标是使用人工智能算法来解决工业问题,提高生产的效率和安全(4,5]。4.0对行业,纺织制造业也需要找到自己的方式适应生产流程。纺织制造业是一个大规模、复杂的行业。纺织生产过程由一系列复杂而有序的过程,主要包括纺纱、织造、染色、印花和整理,和服装制造业。的稳定性和质量整个生产线生产的织物是至关重要的任何企业(4]。

有许多因素影响最终产品在生产线上的纺织制造业,如材质、机械因素,染料类型、纱线支数,人为因素(5]。一般来说,织物缺陷指缺陷表面的织物。有许多类型的织物缺陷,其中大部分是由过程问题和机器故障引起的。缺陷会影响最终产品的质量,导致很大的浪费各种资源(6,7]。织物生产过程中,前一个阶段的缺陷将影响后期。因此,早期发现织物瑕疵可以减少企业的损失和更快的早些时候(8]。因此,有效的织物疵点检测是现代面料制造商的一个关键措施来控制成本,提高产品价值和核心竞争力。

在现代纺织制造业,织物疵点自动确保纺织质量是一个重要的方法(9]。长期以来,织物疵点检测是实现人工目视检查是不够的,昂贵的同时。因此,自动织物疵点检测是纺织工业所必需的降低成本和提高生产率。一个完整的核心在线纺织织物疵点检测系统检测算法。这个领域的许多研究人员和工程师致力于健壮和高效算法的设计在过去的几十年里(10]。手工织物瑕疵检测相比,自动检测系统以更高效率更有效。织物疵点检测一直是一个热门研究领域计算机科学与技术和机械工程。本文不仅提供的算法研究人员还从业者的部署问题[11]。

本文总结和分类的织物疵点检测方法在更广泛的范围。总共有超过2000篇文章检索,从128篇文章被包含在本文中。主要用于检索搜索词”织物疵点检测”,“纺织检验”“织物疵点识别,”“自动纺织制造业,”等。除了传统的和经典方法在前面提到的评论,本文讨论并比较了算法的学习算法的缺陷检测是近年来非常流行。最后,部署算法还讨论了;部署算法,也是非常重要的系统的准确性和效率的实现。希望本文将提供一些帮助和建议AI在织物生产中的应用。

2。织物疵点检测方法

织物疵点检测算法大致分为两类在这项研究中,基于传统算法和学习算法,如图1。最传统的算法是基于特征与先验知识工程,包括统计、结构、光谱和基于模型的方法。上优于算法可以进一步分为经典的机器学习算法和深度学习算法。机器学习使用数学算法来学习和分析数据做出预测并采取决定未来,近年来已被广泛采用,取得了分层的结果在不同的学科和行业。

2.1。传统的算法

2.1.1。统计算法

利用统计方法在图像灰度值的空间分布12应用灰度共生矩阵建立的),如灰度共生矩阵(),自相关分析和分形维数特征。

Raheja等人提出一个自动应用灰度共生矩阵建立织物疵点检测系统利用。在这种方法中,一个信号图是由GLMC统计和interpixel距离。然后比较无缺陷的图像和测试图像。此外,基于伽柏滤波器的方法是利用检测研究中的缺陷。结论应用灰度共生矩阵建立了基于算法生成更高的检测精度和更少的计算复杂度13,14]。

阿南丹et al。15应用灰度共生矩阵建立结合和曲波变换提取特征向量(CT)的缺陷使织物疵点特征更加明显。实验表明了该算法的有效性和应用灰度共生矩阵建立比较小波方法,分别。

Kumar et al。16)设计一个统计方法识别织物缺陷图片的使用特征值。使用变异系数、织物图像的缺陷部分。该方法是简单和容易使用的实验工作。

要有效地检测织物瑕疵,歌曲等。17计算每个织物区域的隶属度。利用图像的极端点密度图结合隶属函数的特征区域,缺陷区域的特点。整个方案进一步采用一个阈值和形态学处理方法。作者该算法可以有效地检测织物瑕疵和准确的噪声和背景纹理干扰。

Gharsallah et al。18]目前的织物疵点检测方法利用一种改进的各向异性扩散滤波和卓越的图像特征。鉴于传统的各向异性扩散方法无法识别的缺陷边缘与背景纹理混淆,改进的各向异性扩散方法结合了局部梯度大小显著图。这种方法可以有效地去除纹理背景和保留图像的缺陷边缘。

表1列出一些统计算法用于纺织织物疵点检测。

2.1.2。谱方法

傅里叶变换,伽柏变换、小波变换和离散余弦变换(22- - - - - -24)的代表方法光谱方法。这些算法中提到的这个调查是列在表中2。傅里叶变换、小波变换和伽柏transform-based方法已经彻底的研究和测试织物疵点检测的应用程序。

李等人。32]提出一种算法采用多尺度小波变换和高斯混合模型对织物疵点自动检测。织物图像是由“金字塔”分解的小波变换,然后使用阈值方法重建。接下来,利用高斯混合模型来重建图像。实验证明该算法的有效性缺陷检测和分割图像。

Rebhi et al。33]目前的织物疵点检测方法使用本地同质性信息和离散余弦变换(DCT)。DCT计算应用于新同质性形象和所有DCT块的不同的能量特征提取。和提取的特征被送入前馈神经网络分类器。

2.1.3。结构方法

一个有效的方法对图案的织物图像分割缺陷区域是金色的图像减法(GIS)方法。颜等人提出了一个方法叫小波预处理金图像减法(过的)34]。此外,小波变换、GIS和设计过的方法相比,在这项研究中,提出和设计过实现它们之间的最佳性能。

贾和梁35)织物图像分割成不重叠的区域叫格,然后这些晶格的相似性计算特征空间。提出的各向同性格子分割(ILS)方法显示了令人满意的结果在盒子上和明星模式图像数据库。贾等人提出另一种方法对于他们以后的研究(36)的基础上格子分割和点阵模板。在这项研究中,格是根据不同位置分割规则的纹理基元,属于不同的类。待定的距离晶格点阵模板计算,和晶格被视为有缺陷的区域距离大于一定的阈值。该算法进一步提高通过添加模板从没有缺陷图像的统计数据(37]。

另一个基于模板的校正方法对织物图像周期性结构介绍了张的工作(38]。织物图像分为晶格变化规律和校正然后减少晶格错位。晶格缺陷的第一位置和缺陷区域分割在稍后的一步。根据假设,晶格分割和基于模板的校正算法更适合图案的织物图像。

施等。39]提出一种方法利用低秩分解梯度信息结合结构化图。织物图像首先被分为基于结构化图没有缺陷区域和缺陷区域的信息。利用自适应阈值在晶格合并步骤。最后,矩阵分解计算先验信息下的分割结果;因此,缺陷区域是强调。提出的方法优于其他方法标准数据库。

Abouelela et al。40)设计一个织物疵点检测系统采用简单的统计特性,比如中间,和方差。作者认为,时间效率是至关重要的任何工业过程。因此,作者交换实时性能的简单特性计算的复杂性。该算法在检测缺陷变化巨大的物理维度。

2.1.4。基于模型的方法

颜等人提出motif-based方法检测缺陷二维图案纹理。这种方法是基于假设的图像可分为晶格和主题。并进一步的能量移动减法计算区分缺陷和没有缺陷区域41]。为了减少假阳性和假阴性的检出率,高斯混合模型用于表示能量方差值(42]。k - means聚类应用于数据和凸包的每个集群计算合适的椭圆形区域。

露西娅等人提出一种算法来检测织物缺陷均匀结构织物图像。该算法包括两个阶段:特征提取阶段和缺陷识别阶段。在第一阶段中,对称伽柏滤波器组和主成分分析用于特征提取,在第二阶段,欧几里得范数的缺陷识别特性计算和比较。该算法设计了一个补丁的基础上并被证明是有效的在公共数据库(蒂尔达43]。

为环保纺织品、蜀et al。44)采用一种基于主成分分析的算法和非局部平均滤波增强织物纹理和减少噪音。texture-based缺陷测量方法用于计算相似性;因此缺陷和nondefect地区可以区分。

有些研究人员对织物疵点检测问题看到下面成了一个分类。Bu et al。45,46)提出一个方法基于支持向量数据描述(SVDD)模型。在训练阶段,多重分形特征提取和高斯核函数的最优参数选择。检测结果在几个数据表明,这种组合是有效的。Bu et al。47使用SVDD模型也存在另一种方法,在此方法中,特征提取是基于自回归(AR)谱估计模型与伯格算法相结合。

与基于模型分析的统计方法,坎贝尔et al。48在他们的研究提出了两种基于模型的方法。第一个方法图像二值化的最大似然。缺陷检测的其他方法主要是重复编织模式;因此,离散傅里叶变换用于纹理分析。最后,基于模型的聚类方法应用于描述缺陷区域。

检测的图案面料,曾荫权et al。49)提出一个方法值得评级(ER)符合体育精神。织物图像分为标准分区。在分区之间匹配计算和修正一个值得点矩阵。缺陷面积(分区)将赢得比赛是一个强大的球员。这个方法是测试点,明星和box-patterned面料数据库和最先进的方法获得类似的结果。

2.2。上优于算法

2.2.1。经典的机器学习算法

(1)基于字典学习算法。许多研究人员验证的有效性基于字典学习算法处理纺织织物疵点检测问题[50,51]。这些算法的一般步骤:首先,词典是学习培训或测试图像,然后没有缺陷的织物图像重建使用学习字典;其后的检测是实现减去测试图像的重建图像。最近,许多算法基于低秩表示一直成长在织物疵点检测的应用。为了解决目标函数的优化问题,许多方法减少低秩分解问题核最小化(NNM)问题。

李等人提出了一个算法基于生物视觉建模。来模拟生物视觉显著低秩表示(远程雷达);因此,织物图像分解成凸缺陷区域和背景没有缺陷52]。

李等人。53)模式没有缺陷区域作为低秩结构和缺陷区域稀疏结构。因此织物图像可以被视为低秩矩阵和稀疏矩阵的总和。降维,而非奇异值分解矩阵对原始图像的方法使用图像矩阵特征值分解在阻塞。因此,这种方法很容易实现,可以很好的考虑到织物图像的对比就足够了。

表3使用低秩分解汇总其他基于字典学习算法。

施等。39指出低秩分解的两个缺点。一是现有的低秩分解模型几乎没有检测到缺陷与高梯度地区。缺陷,另一个缺点是,小面积或复杂的区域将之前错误分割的准确信息。为了克服这些缺点,史等人提出一个低秩分解方法利用梯度信息结合结构化图算法。该方法优于其他点,盒子,和明星数据库。

传统的机器学习算法,如资讯(63年)和神经网络(64年),广泛应用于织物变节检测问题。和特性工程是机器学习的一个主要流程生命周期。

麦等人提取(65年小说)四分形特性和使用支持向量数据描述(SVDD),这是一个支持向量机学习算法用于看到下面成了一个分类,对织物疵点检测在他的作品中。

张等人提出的方法采用径向基函数(RBF)网络。利用高斯混合模型(GMM)改进高斯RBF参数估计的准确性。该方法的有效性在多个类数据集[被证实66年]。

田和李67年提出一个autoencoder-based织物疵点检测方法通过探索相似性图像补丁。利用重复纹理模式,类似合格品补丁被发现对于每个候选人缺陷修补和相应的潜变量加权和结合根据原来的潜变量可以被修改。实验结果显示了该算法的有效性。

Yapi et al。68年认为这个问题是一个二进制的问题。紧凑和精确的特性集提取多尺度的统计建模contourlet分解,然后用贝叶斯分类器(BC)分类的缺陷和nondefect类。该算法获得高精度检测与实时效率。

其他一些传统的机器学习算法用于织物疵点检测如表所示4。

2.2.2。深入学习算法

最近,许多研究人员深入学习技术应用于织物疵点检测的问题,取得了令人满意的结果72年,73年]对纺织产品质量和生产效率的提高(74年]。尽管深度学习方法已经被证明是强大的处理分割和分类问题时,仍存在一些问题在特定行业的实际应用75年]。首先,实际纺织生产线需要高实时性能的算法,执行效率高的需求。此外,正常没有缺陷样品相比,缺陷图像数据难以获得,这让挑战深度学习的训练过程76年]。

目前,基于深度学习对象探测器可分为单程探测器和二级探测器(77年]。经典的深度学习在表列出的目标检测算法5。一般来说,单程探测器检测速度快,满足在线检测的要求,但通常检测精度不符合要求。相比之下,两阶段算法有更高的检测精度,但其检测速度难以满足实时要求的算法在生产场景。在织物疵点检测、单级和两级检测算法的优点和缺点非常类似于那些在其他领域。两阶段算法精度高但比单程算法速度慢。在纺织行业的实际应用中,我们希望,在满足检测精度的前提下,检测速度越快,越好。因此,算法的选择应根据实际的应用场景和需求之间找到平衡的效率和准确性。

(1)单程检测算法。单程检测算法并没有一个单独的方案生成阶段。通常情况下,这些算法对所有位置的形象和管理潜在的对象分类每个感兴趣区域目标对象或背景。

最近提出的单发射击multibox检测器(SSD)是一个典型的单程探测器,在目标检测取得了良好的检测性能。该算法的目的是基于卷积神经网络(CNN)。做了一些改进织物缺陷情况下的刘et al。78年),实验结果显示合理性和有效性。

欧阳et al。79年]目前基于CNN算法on-loom织物疵点检验。这个算法引入了动态激活层利用缺陷概率信息与CNN成对势函数。该算法获得好的结果处理不平衡数据分类问题。

深卷积神经网络算法取得了令人满意的结果(DCNN)基于视觉任务,已经广泛应用于工业场景。刘等人。80年)采用DCNN检测织物瑕疵与复杂的纹理。这个建议的方法是特别设计的真正的纺织生产环境和有限的资源。进行了一系列的改进使检测更有效。周等人提出一种有效的DCNN架构关注织物疵点检测的问题,称为有效缺陷检测器(edd) [81年]。提取更多的低级功能,edd调整输入分辨率,使用扩展战略深度和宽度。相比改善被证明是有效的与现有的织物疵点检测算法。

徐et al。82年]提出一种新颖的检测网络名为de-deformation缺陷检测网络(D4Net)。这个模型是由参考代de-deformation网络,边际损失。最合适的参考选择和搭配输入图像,然后发送到de-deformation网络。边际损失的计算和增强的异同。大型工业数据库包含67 k图像实验已经完成,结果表明,该算法优于其他算法尤其是大型模式织物图像。

彭等人提出一种检测算法称为先天锚卷积神经网络(PRAN-Net)来解决这个问题。金字塔网络特性(红外系统)是用来选择的多尺度特性地图然后稀疏先验锚的生成是基于地面实况盒(83年]。

李等人。84年使用几个微体系结构)提出一个架构。微体系结构是构建多尺度分析,过滤因子分解、多区域池、和参数减少,从而使网络一个紧凑。与小模型大小,提出网络工作在织物疵点检测。

(2)两级检测算法。关于二级探测器,生成一组稀疏的提议在第一阶段和第二阶段,和生成建议的特点是发送到DCNN预测结果。作为一个引人注目的两阶段检测器、更快R-CNN是一个对象检测模型,提高了在快速R-CNN利用地区建议网络(RPN) CNN模型。一些研究人员利用修改快R-CNN织物疵点检测模型(85年- - - - - -87年]。小君et al。88年)提出一个框架,利用Inception-V1模型和LeNet-5模型。这种方法包括当地的缺陷预测在第一阶段和全球缺陷识别在第二阶段。

表6列出了一些其他深度学习算法用于织物缺陷的应用程序。

近年来,生成对抗网络(甘斯)已经吸引了很多的关注97年,98年]。甘斯和相关算法已经广泛应用于计算机视觉和计算机图形学的应用,如图像合成和视频的一代。氮化镓为基础的织物疵点检测算法可以自动适应不同织物纹理通过学习现有的织物疵点样本(99年]。刘等人设计深度语义分割网络检测织物瑕疵。他们训练合成甘多级模型合理的缺陷样本nondefect样本。方法的性能综合实验验证了各种典型织物图像样本。

Le et al。One hundred.]利用瓦瑟斯坦生成对抗网(WGANs)结合转移学习技术和multimodel整体框架。演示了该方案的有效性与缺陷罕见和不平衡数据集的图像。

灵感来自生物视觉感知机制,赵et al。101年基于视觉long-short-term记忆)描述一个CNN模型(VLSTM)。三种类型的特性,视觉感知特性,视觉短时记忆(VSTM)特性,和视觉长期记忆(VLTM)特性,由堆叠卷积autoencoders提取,浅CNN,分别和非局部神经网络。实验已经完成在三个公共数据集和结果表明,该算法与最先进的算法。

传统的特点检测模型通常依靠手工特性来捕获全局上下文的信息和局部细节。研究人员添加关注机制来处理织物疵点检测问题。王等人。102年)提出一个深特点检测模型,该模型将self-attention机制纳入一个CNN对织物疵点检测。多尺度特征图谱生成完全卷积网络,和self-attention模块用于不同层的坐标之间的依赖特性。self-attention机制在该算法被证明是非常有效的复杂或模糊的缺陷。

一些研究把传统和深度学习的方法。王等人。103年)提取全球深使用有线新闻网结合手工低级特征,和非凸凸健壮的PCA正规化全变差是用于数据处理和降噪。然后分割算法用于段显著地图获取缺陷区域。

3所示。应用程序和部署

在部署阶段,会有很多的工程实现问题[104年,105年]。实现真正的智能纺织系统纺织生产过程涵盖了许多方面,包括物联网(物联网)106年],cyber-physical系统(CPS) [107年,更多的108年,109年]。

3.1。检测系统的硬件选择

图像采集系统的基本组件部署工作非常重要,因此对于后续检测硬件的选择是至关重要的工作(110年]。硬件如相机、镜头、灯光和抓帧器是一个重要因素。不同的硬件对应于不同的后续算法。例如,Yildiz et al。111年)提出了一种新的使用热感摄像机的织物疵点检测方法。热成像摄像机获得的织物图像有自己的图像特征。算法可以利用热缺陷之间的差异和没有缺陷区域,提高检测精度和效率,同时降低成本。

不同的视觉检测系统,方et al。112年]介绍织物疵点检测的触觉检测系统。系统设计主要是基于视觉触觉传感器,它包含多个发光二极管,一个照相机和一个弹性传感层。这个系统捕获表面结构的详细信息的忽视颜色和模式;因此,算法设计在这个研究主要是基于结构从触觉传感器获得的信息。

此外,传送带用于输送布料在生产线上也会影响图像采取速度(113年]。因此,硬件的选择需要考虑整个系统作为一个整体。

3.2。数据集

基于本文列出了许多学习算法。虽然这种方法非常有效,它需要大量的标记织物图像的缺陷。然而,很难收集相当数量的织物疵点图像数据在工业现场114年]。因此,许多研究人员采用semisupervised和无监督学习算法的检测(115年]。此外,一些研究利用nondefect图像数据生成和合成缺陷图像数据通过使用基于专家知识的缺陷特征(91年]。陈等人。116年]提出一种基于自动图像采集数据扩增方法。不同的图像采集角度、不同采集场景,为形象设计收集和随机照明条件下模拟实际纺织生产现场。

此外,织物瑕疵和不平衡类别的多样性带来实际挑战织物疵点检测(86年]。例如,织物图像的多尺度缺陷将大大增加模型的复杂性和计算;因此适当大小的设计织物疵点检测模型必须能够满足多尺度目标探测。

3.3。实时的算法

一般来说,实际的织物疵点检测的任务是实现在线平台有限的计算能力。因此在线缺陷检测系统的算法需要准确、高效和健壮的(117年]。因此,算法的鲁棒性和效率的实际生产线的关键。不同的算法的计算成本是一个关键的考虑。

然而,还有许多其他在纺织生产方案中存在的问题。为了获得更好的图像数据和检测结果,大多数现有的算法要求纺织品被夷为平地。因此,一些学者专门为纺织品设计缺陷检测算法与不平衡和多样化的形状(118年]。这种考虑接近真实生活环境。

才能et al。119年)为管状针织物设计检测方法由一个圆形针织机。垂直缺陷圆形针织面料是由针受损造成的。一旦一个垂直缺陷发生在针织,它将继续存在,除非损坏的针被替换为一个新的。

一般来说,毫无实时质量控制系统,能保证生产noncrimp面料质量。施密特等人提出的嵌入式系统。120年确保所有步骤的图像采集、处理、和评估可以实时执行。这个提议系统的优点是,实时,准确,算法的鲁棒性能确保通过检测在工业条件下纤维取向。

在实际应用程序中,织物疵点检测算法不仅要保证检测精度,还保证其适用性与资源有限的硬件平台。目前,现有的检测模型的准确性较低。这在很大程度上是由于织物图像多尺度缺陷;因此,织物疵点检测模型必须能够满足多尺度检测对象。然而,即使最好的模型仍然是困扰问题的大尺寸。因此,我们必须考虑减少模型的大小的方法。成功使用的启发,深卷积神经网络(DCNN)目标探测,我们提出一个叫做WALNet wide-and-light网络结构。

4所示。讨论

织物缺陷对应缺陷表面的织物。大多数织物缺陷是由机器或进程故障和故障引起的。织物瑕疵的存在大大降低了纺织品的销售和使用。纺织品制造企业需要升级设备和技术维持经济增长和竞争力。

传感、存储和计算能力的基于计算机视觉的织物自动检测系统将继续改善。硬件和算法的发展将极大地影响检测的准确性和易于部署。

除了在本调查中讨论织物疵点检测阶段,有很多的工作需要做在整个纺织生产过程。很多研究提出了适合纱生产,面料制造、加工制程利用上优于方法。黄齐(121年)提出了一种织物疵点在线预测方法基于反向传播神经网络模型。后天的形式收集数据时间序列,然后转化为区域数据基于控制图。该模型可以提前预测缺陷类型,从而可以减少生产过程中质量控制的工作负载。

在未来,更多的工作需要做的过程中走向行业4.0 [122年,123年]。智能制造集成了各种技术,包括机器人、CPS,物联网、大数据分析124年),和云计算。CPS的工程系统无缝集成物理和计算组件(125年]。添加人工智能、大数据分析、物联网和云服务生态系统的关键是CPS在未来的发展方向。

5。结论

本文提出一种系统的文献回顾在纺织工业的织物疵点自动检测方法智能制造。在这项工作的所有方法大致分为两大类,即基于传统算法和学习算法。不同类别之间没有清晰的界限。实现一个更好的检测结果,研究人员经常将不同的算法。这个调查的研究结果也证实,可以获得更好的结果通过结合不同的方法,从而为进一步的研究提供了建议和设想。准确、高效和健壮的织物疵点检测算法是必要的开发完全自动化的网络检测系统。

纺织织物疵点自动检测技术基于计算机视觉的研究引起了极大关注。发展的新目标检测算法,计算能力,和传感器技术和产业,基于计算机视觉的纺织品缺陷检测技术将继续高速发展。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

研究计划是由晶晶陈和李曹;草稿准备是由超李;审查和编辑是由晶晶陈,李小君这里,Lingmin他和傅小康。

确认

这项研究是由浙江省基本公共福利研究项目,格兰特LQ20F020024数量。

引用

1. j·李,工业智能,激飞新加坡,新加坡,2020年。
2. k, l . Liu y香,问:金,“客人编辑:人工智能和机器学习解决方案网络情报技术:新方法和应用,“IEEE工业信息,16卷,不。10日,6626 - 6631年,2020页。视图:出版商的网站|谷歌学术搜索
3. K.-D。Thoben,美国威斯纳,美国威斯纳,t·吴”“工业4.0”和智能制造审查研究问题和应用的例子,”国际自动化技术杂志》上,11卷,不。1,4-16,2017页。视图:出版商的网站|谷歌学术搜索
4. a . Kumar“计算机织物疵点分析和测量,建立”计算机技术纺织品和服装:瑞斯出版系列纺织品艾德,j .胡锦涛,45 - 65页。瑞斯出版、剑桥,英国,2011年。视图:谷歌学术搜索
5. 曹德明徐x, y,和j·高,”神经网络算法在故障诊断中的应用机械情报”机械系统和信号处理,第141卷,第106625页,2020年。视图:出版商的网站|谷歌学术搜索
6. j . Bullon a·冈萨雷斯的实习,a·埃尔南德斯encina et al .,“纺织工业生产过程。面料生产专家系统”,ADCAIJ:先进的分布式计算和人工智能杂志》第六卷,没有。4、15 - 23,2017页。视图:出版商的网站|谷歌学术搜索
7. m . sib沙迪克机织物的缺陷及其补救措施理学学士,纺织工程系,水仙花国际大学,达卡,孟加拉国,2014年。
8. k·辛格,j . Kaleka和j . Kaleka“织物缺陷的识别和分类,国际高级研究杂志》上,4卷,不。8,1137 - 1141年,2016页。视图:出版商的网站|谷歌学术搜索
9. l .歌曲,r·李和s·陈,“织物疵点检测基于隶属度的地区,”IEEE访问,卷99,p . 2020。视图:谷歌学术搜索
10. p . m . Mahajan s . r . Kolhe, p . m·帕蒂尔”的织物疵点自动检测技术”,计算研究进展,1卷,不。2,29,2009页。视图:谷歌学术搜索
11. h . y . t .颜g·k·h·庞和n h . c .容”织物疵点自动发现一个评论,”图像和视觉计算卷,29号7,442 - 458年,2011页。视图:出版商的网站|谷歌学术搜索
12. m·t·哈比卜s . b . Shuvo m . s . Uddin et al .,“自动化纺织缺陷分类的贝叶斯分类器基于统计特性,”《2016国际研讨会上计算智能(IWCI)达卡,孟加拉国,2016年12月。视图:谷歌学术搜索
13. j·l·Raheja s·库马尔,a . Chaudhary”织物疵点检测应用灰度共生矩阵建立基于和伽柏过滤器:比较,”Optik,卷124,不。23日,第6474 - 6469页,2013年。视图:出版商的网站|谷歌学术搜索
14. j·l·Raheja b Ajay, a . Chaudhary“实时嵌入式DSP平台上织物疵点检测系统,”Optik,卷124,不。21日,第5284 - 5280页,2013年。视图:出版商的网站|谷歌学术搜索
15. r . s . Sabeenian“织物疵点检测使用离散曲波变换,”Procedia计算机科学卷,133年,第1065 - 1056页,2018年。视图:谷歌学术搜索
16. p . Senthil Kumar和h . Hafedh针织物中缺陷的检测图像,采用特征值”国际计算机科学Engineering-IJASCSE》杂志上,卷2,不。3、7 - 10,2013页。视图:谷歌学术搜索
17. l .歌曲,r·李和s·陈,“织物疵点检测基于隶属度的地区,”IEEE访问,卷99,p . 2020。视图:谷歌学术搜索
18. m . b . Gharsallah和e . b . Braiek”,一个基于视觉注意系统的各向异性扩散方法,一个有效的纺织品缺陷检测,”纺织学院杂志》上,8卷,页1 - 15,2020。视图:谷歌学术搜索
19. m . s .赛义德,健壮的织物疵点检测算法使用过滤和熵最小误差阈值,”中西部学报2016年IEEE第59届国际研讨会上电路与系统(MWSCAS)2016年10月,阿联酋阿布扎比。视图:谷歌学术搜索
20. r·m·l·n·库玛丽,”西尔维斯特矩阵相似性评估方法为基础的自动化缺陷检测在纺织面料,”杂志上的传感器卷,2021篇文章ID 6625421, 11页,2021年。视图:出版商的网站|谷歌学术搜索
21. d . Chetverikov和a . Hanbury”发现缺陷纹理使用规律和局部取向,“模式识别,35卷,不。10日,2165 - 2180年,2002页。视图:出版商的网站|谷歌学术搜索
22. l·陈,美国曾问:高et al .,“自适应伽柏过滤织物疵点检测,”Compurters杂志没有,卷。31日。2、45 - 55,2020页。视图:谷歌学术搜索
23. j .张、李y和h·罗”缺陷检测与优化伽柏纺织面料过滤和BRDPSO算法,”物理学杂志》:会议系列,第1651卷,第012073页,2020年。视图:出版商的网站|谷歌学术搜索
24. b . a . TanveerSajid”在纺织织物疵点检测图像使用伽柏过滤器,”IOSR电气和电子工程杂志》上,3卷,不。2、2012。视图:出版商的网站|谷歌学术搜索
25. h . c . Sulochan”织物编织模式检测基于模糊聚类和纹理方向特性,在小波域,“纺织科学与工程》杂志上,8卷,不。6、2018。视图:出版商的网站|谷歌学术搜索
26. n . Vermaak p Nsengiyumva n . luw中,“使用dual-tree复小波变换对改善织物疵点检测”杂志上的传感器卷,2016篇文章ID 9794723、8页,2016。视图:出版商的网站|谷歌学术搜索
27. g .刘和x郑织物疵点检测基于信息熵和频域特点,“计算机视觉,24卷,2020年。视图:谷歌学术搜索
28. l . Di h .长,j .梁”织物疵点检测基于光照校正和视觉特征,“传感器,20卷,不。18日,2020年。视图:出版商的网站|谷歌学术搜索
29. j·F。陈京,美国,和p F。李:“织物疵点检测基于黄金图像减法。”着色技术,133卷,2017年。视图:出版商的网站|谷歌学术搜索
30. i s穆罕默德和i m . Alhamdani纺织品缺陷检测和分类的模糊系统,以确保织物的质量生产,”国际电气和计算机工程杂志》上,9卷,不。5,2019。视图:出版商的网站|谷歌学术搜索
31. d . Yapi m . s . Allili, n . Baaziz”自动织物疵点检测使用上优于当地结构分布在contourlet域”IEEE自动化科学与工程,15卷,不。3、1014 - 1026年,2018页。视图:出版商的网站|谷歌学术搜索
32. 张p, h . j ., r·李和j .赵”织物疵点检测基于多尺度小波变换和高斯混合模型的方法,”纺织协会的杂志上,卷106,不。6,587 - 592年,2015页。视图:出版商的网站|谷歌学术搜索
33. a . Rebhi i Benmhammed、美国阿比德和f . Fnaiech”织物疵点检测使用本地同质性分析和神经网络,”光子学》杂志ID 376163条,卷。2015年,9页,2015。视图:出版商的网站|谷歌学术搜索
34. h . y . t .颜g·k·h·庞,s . p .容和m . k . Ng”图案的织物疵点检测、基于小波的方法”模式识别,38卷,不。4、559 - 576年,2005页。视图:出版商的网站|谷歌学术搜索
35. l .贾和j .梁”,基于各向同性格子织物疵点检测分割”,富兰克林研究所杂志》上,卷354,不。13日,5694 - 5738年,2017页。视图:出版商的网站|谷歌学术搜索
36. l .贾j . Zhang s . Chen和z侯,“基于格子织物疵点检测分割和点阵模板,“富兰克林研究所杂志》上,卷355,不。15日,第7798 - 7764页,2018年。视图:出版商的网站|谷歌学术搜索
37. l .贾c·陈,徐s和j .沈”织物疵点检验基于格子分割和模板统计,“信息科学卷,512年,第984 - 964页,2020年。视图:出版商的网站|谷歌学术搜索
38. 梁x, c .顾j . et al .,“织物疵点检测基于模式模板校正”,数学问题在工程ID 3709821条,卷。2018年,17页,2018。视图:出版商的网站|谷歌学术搜索
39. 史,j .梁l . Di, c . Chen和z侯,“织物疵点检测通过低秩分解和梯度信息和结构化图算法,”信息科学卷,546年,第626 - 608页,2021年。视图:出版商的网站|谷歌学术搜索
40. a . Abouelela h . m .阿巴斯h . Eldeeb a . a . Wahdan和s . m . Nassar”自动视觉系统本地化结构性缺陷的纺织面料,”模式识别的字母,26卷,不。10日,1435 - 1443年,2005页。视图:出版商的网站|谷歌学术搜索
41. h . y . t .颜g·k·h·庞和n h . c .容“Motif-based缺陷检测有图案的织物,”模式识别第41卷。。6,1878 - 1894年,2008页。视图:出版商的网站|谷歌学术搜索
42. h . y . t .颜g·k·h·庞和n h . c .容“椭圆形决定区域motif-based图案的织物疵点检测”模式识别,43卷,不。6,2132 - 2144年,2010页。视图:出版商的网站|谷歌学术搜索
43. l . Bissi g . Baruffa p . Placidi e·里奇a . Scorzoni和p . Valigi”自动缺陷检测穿制服和结构化面料使用伽柏过滤器和PCA,”杂志的视觉传达和图像表示,24卷,不。7,838 - 845年,2013页。视图:出版商的网站|谷歌学术搜索
44. y, l . Zhang d .左et al .,“分析纹理增强环保织物缺陷的检测方法,”《智能与模糊系统,1 - 11,2021页。视图:谷歌学术搜索
45. H.-G。但是,j . Wang和X.-B。黄”,织物疵点检测基于多重分形特征和支持向量数据描述,“人工智能技术的工程应用,22卷,不。2、224 - 235年,2009页。视图:出版商的网站|谷歌学术搜索
46. H.-G。但是,X.-B。陈黄,j . Wang和x”,检测织物瑕疵的自回归谱分析和支持向量数据描述,“纺织研究杂志,卷80,不。7,579 - 589年,2010页。视图:出版商的网站|谷歌学术搜索
47. 史,j .梁l . Di et al .,“织物疵点检测通过低秩分解和梯度信息,“IEEE访问,卷99,p . 2019。视图:谷歌学术搜索
48. j·g·坎贝尔,c . Fraley d·斯坦福,f . Murtagh和a·e·阿布“纺织故障检测、基于模型的方法”国际期刊的成像系统和技术,10卷,不。4、339 - 346年,1999页。视图:出版商的网站|谷歌学术搜索
49. c s c Tsang h . y . t .颜和g·k·h·庞”面料检验基于值得信赖的评级方法,”模式识别,51卷,第394 - 378页,2016年。视图:出版商的网站|谷歌学术搜索
50. 和c k . l .通w . k . Wong Kwong”织物疵点检测服装行业:非局部稀疏表示的方法,”IEEE访问5卷,第5964 - 5947页,2017年。视图:谷歌学术搜索
51. 张x康和大肠”,一个普遍的和自适应的织物疵点检测算法基于稀疏字典学习,”IEEE访问,卷99,p . 2020。视图:出版商的网站|谷歌学术搜索
52. m·g·c . Li高,z . Liu, d .黄,“织物疵点检测基于生物视觉建模中,“IEEE访问》第六卷,第27670 - 27659页,2018年。视图:出版商的网站|谷歌学术搜索
53. 李p . j .梁、沈x m .赵和l .隋唐“纺织织物疵点检测基于低秩表示,“多媒体工具和应用程序,卷78,不。1,第124 - 99页,2019。视图:出版商的网站|谷歌学术搜索
54. g .高c·刘,刘z . et al .,。“基于伽柏的织物疵点检测过滤和张量低秩的复苏,”学报》2017年第4 IAPR亚洲会议模式识别(ACPR)刘,g .高,c . Liu z et al .,。,南京,中国,2017年11月。视图:谷歌学术搜索
55. z . Liu b, c·李et al .,“织物疵点检测基于deep-feature和低秩分解,“《工程纤维和面料15卷,2020。视图:出版商的网站|谷歌学术搜索
56. z . Liu b, c·李et al .,“织物疵点检测算法基于卷积神经网络和低秩表示,”学报》2017年第4 IAPR亚洲会议模式识别(ACPR),南京,中国,2018年11月。视图:谷歌学术搜索
57. l z . Liu, c .李董y,和g高,“基于稀疏表示的织物疵点检测的主要局部二进制模式,”国际服装科技杂志》上卷,29号3、282 - 293年,2017页。视图:出版商的网站|谷歌学术搜索
58. z d·莫w . k . Wong Lai和j .周”加权double-low-rank分解与织物疵点检测应用程序,”IEEE自动化科学与工程卷。99年,21,2020页。视图:出版商的网站|谷歌学术搜索
59. g . c, c . Liu高,和王y, z . Liu“健壮的多通道特性矩阵的低秩分解对织物疵点检测”多媒体工具和应用程序,卷78,不。6,7321 - 7339年,2019页。视图:出版商的网站|谷歌学术搜索
60. y, z .刘et al ., j . Wang“基于稀疏的织物疵点检测方法和密度混合低秩分解,”学报2018年国际会议上安全、模式分析、控制论(SPAC)2018年12月,中国深圳,。视图:谷歌学术搜索
61. 甘问:j . Wang, j . et al .,“织物疵点检测是基于改进的低秩和稀疏矩阵分解,”学报2017年IEEE国际会议上图像处理(ICIP)2017年9月,北京,中国。视图:谷歌学术搜索
62. y颜,g .彭日成s Yung et al .,“缺陷检测上有图案的提花织物,”美国第32图像模式识别应用研讨会(2003年AIPR),图像数据融合美国,华盛顿特区,2003年10月。视图:谷歌学术搜索
63. n . y . Wang邓,b .鑫”调查3 d表面轮廓重建技术进行自动评价织物光滑的外表,“测量,第166卷,第108264页,2020年。视图:出版商的网站|谷歌学术搜索
64. 诉Bhosale k . s . Kulkarni Jojare, p . Arude“纺织织物疵点检测”IJARCCE,5卷,不。12日,第478 - 476页,2016年。视图:出版商的网站|谷歌学术搜索
65. k . l . Mak p .彭,k . f . c .姚“织物疵点检测使用形态学滤波器,”图像和视觉计算,27卷,不。10日,1585 - 1592年,2009页。视图:出版商的网站|谷歌学术搜索
66. 陆y, z, j·李,“织物疵点分类使用径向基函数网络。”模式识别的字母没有,卷。31日。13日,2033 - 2042年,2010页。视图:出版商的网站|谷歌学术搜索
67. h .田和f·李Autoencoder-based织物疵点检测与跨贴片相似,”学报》2019年16日机器视觉应用国际会议(MVA)东京,日本,2019年5月。视图:谷歌学术搜索
68. d . Yapi m . Mejri m . s . Allili和n . Baaziz“学习型方法在纺织图像自动缺陷检测,”IFAC-PapersOnLine,48卷,不。3、2423 - 2428年,2015页。视图:出版商的网站|谷歌学术搜索
69. 诉一事,k . Manish织物疵点检测系统利用神经网络。”多学科研究和发展的国际期刊,卷2,不。4、569 - 573年,2015页。视图:谷歌学术搜索
70. p . Bumrungkun”缺陷检测在纺织面料与蛇活动轮廓和支持向量机,”物理学杂志》:会议系列文章ID 012006卷,1195年,2019年。视图:出版商的网站|谷歌学术搜索
71. h·张,j .妈,j . Jing, p . Li”织物疵点检测使用L0梯度最小化和模糊c均值,”应用科学,9卷,不。17日,第3506页,2019年。视图:出版商的网站|谷歌学术搜索
72. d . Siegmund傅,a Jose-Garcia et al .,”研究和研究纤维缺陷的检测使用要点和深度学习,”国际期刊《模式识别与人工智能,2020年。视图:谷歌学术搜索
73. s Das a . Wahi s Keerthika, n . Thulasiram“纺织品使用人工神经网络的缺陷分析,“目前的趋势在时尚和纺织工程技术》第六卷,没有。1,2020。视图:谷歌学术搜索
74. s . Barua h·帕蒂尔p·d·德赛et al .,“深上优于智能彩色织物疵点检测系统,”应用计算机视觉和图像处理,2020年。视图:谷歌学术搜索
75. x, y,和w·梁”CNN-RNN基于智能推荐在线医学确诊之前的支持,“IEEE / ACM事务计算生物学和生物信息学,p . 2020。视图:出版商的网站|谷歌学术搜索
76. w . y . Li赵,j .锅”变形图案的织物疵点检测一览表就是给予一定标准与费舍尔深度学习,”IEEE自动化科学与工程,14卷,不。2、1256 - 1264年,2017页。视图:出版商的网站|谷歌学术搜索
77. 吴x、d . Sahoo和c·h·海下,“最近的对象检测深度学习的进步,“Neurocomputing卷,396年,页39 - 64,2020。视图:出版商的网站|谷歌学术搜索
78. z刘,刘s和c·李,“基于SSD织物瑕疵检测,”第二届国际会议上图像和信号处理:ICGSP 18,et al ., Ed,悉尼,澳大利亚,2018年10月。视图:出版商的网站|谷歌学术搜索
79. w·欧阳,徐,j .侯,x元,“织物疵点检测使用激活层嵌入式卷积神经网络,”IEEE访问7卷,第70140 - 70130页,2019年。视图:出版商的网站|谷歌学术搜索
80. 李z . Liu c, c . et al .,“织物疵点识别使用优化的神经网络,”杂志工程纤维和织物,14卷,2019年。视图:出版商的网站|谷歌学术搜索
81. 张周t . j . h . Su, w .邹和b .张“edd:一系列高效的缺陷探测器织物质量检验,”测量,第172卷,第108885页,2021年。视图:出版商的网站|谷歌学术搜索
82. h . x,陈、张,w . w . y . Ng”D4Net: de-deformation缺陷检测为非刚性的产品网络与大型模式,”信息科学卷,547年,第776 - 763页,2021年。视图:出版商的网站|谷歌学术搜索
83. c . p .彭y Wang, z朱、t . Liu和w·周,“使用PRAN-net织物疵点自动检测方法,”应用科学,10卷,不。23日,第8434页,2020年。视图:出版商的网站|谷歌学术搜索
84. d . y . Li张,D.-J。李,“自动织物疵点检测wide-and-compact网络”,Neurocomputing卷,329年,第338 - 329页,2019年。视图:出版商的网站|谷歌学术搜索
85. h .周张成泽,y . Chen等人“探索RCNN用于织物疵点检测速度更快,”学报2020第三人工智能国际会议产业(AI4I)欧文分校,美国,2020年9月。视图:谷歌学术搜索
86. z赵、k Gui和p . Wang”织物疵点检测基于级联R-CNN更快,”《计算机科学和应用工程的第四次国际大会上2020年10月,三亚,中国,。视图:谷歌学术搜索
87. j .吴j . Le z肖et al .,“自动织物疵点检测使用wide-and-light网络”,应用智能,1卷,2021页。视图:谷歌学术搜索
88. 周x, j . Wang j . et al .,“织物疵点检测基于深卷积神经网络使用一个两阶段策略,”纺织研究杂志,卷91,不。1 - 2、130 - 142年,2020页。视图:出版商的网站|谷歌学术搜索
89. m z . j . Jing Wang Rtsch et al .,“Mobile-Unet:一个有效的卷积神经网络用于织物疵点检测,”纺织研究杂志,2020年。视图:出版商的网站|谷歌学术搜索
90. h·张,l·张,p .李et al .,“色织织物疵点检测与YOLOV2基于卷积神经网络,”学报2018年IEEE 7日数据驱动控制和学习系统会议(DDCLS)恩施,页170 - 174年,中国,2018年5月。视图:谷歌学术搜索
91. Y.-J。汉和周宏儒。余,“织物疵点检测系统使用堆叠卷积与合成缺陷数据去噪auto-encoders训练,”应用科学,10卷,不。7,2511年,页2020。视图:出版商的网站|谷歌学术搜索
92. 吴x, l, f的歌,“对织物疵点检测的研究基于深度融合DenseNet-SSD网络”IcWCSN学报2020:2020国际会议上无线通信和传感器网络等,et al ., Ed,华沙波兰,2020年5月。视图:谷歌学术搜索
93. k·m·c·穆罕默德”缺陷纹理分类使用优化神经网络结构,”模式识别的字母卷,135年,第236 - 228页,2020年。视图:出版商的网站|谷歌学术搜索
94. 王美,y, g .温”织物疵点自动检测多尺度卷积去噪autoencoder网络模型,”传感器(瑞士巴塞尔),18卷,不。4、2018。视图:出版商的网站|谷歌学术搜索
95. h·谢和z吴”,一个健壮的织物疵点检测方法基于改进RefineDet,”传感器,20卷,不。15,4260年,页2020。视图:出版商的网站|谷歌学术搜索
96. 黄y . j . Jing, z,“基于深度学习的织物疵点分类方法,”IEEE仪表和测量,70卷,2021年。视图:出版商的网站|谷歌学术搜索
97. j·格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al .,“生成敌对的网,”学报》第27届国际会议上神经信息处理系统,卷2,页2672 - 2680,麻省理工学院出版社,2014年12月加拿大蒙特利尔。视图:谷歌学术搜索
98. k .严a Chong, y莫”生成对抗网络故障检测诊断的冷却装置,”建筑与环境,第172卷,第106698页,2020年。视图:出版商的网站|谷歌学术搜索
99. h·c·j . Liu Wang苏et al .,“多级GAN织物疵点检测。”IEEE图像处理,29卷,第3400 - 3388页,2020年。视图:出版商的网站|谷歌学术搜索
100. x勒,j·梅,h . Zhang et al .,“学习型方法使用小型图像表面缺陷检测的数据集,”Neurocomputing卷,408年,第120 - 112页,2020年。视图:出版商的网站|谷歌学术搜索
101. y赵,k, h他et al .,“基于视觉long-short-term记忆集成CNN织物疵点图像分类模型,”Neurocomputing卷,380年,第270 - 259页,2020年。视图:出版商的网站|谷歌学术搜索
102. c . j . Wang z Liu李et al .,“Self-attention深卓越网络用于织物疵点检测。”通信在计算机和信息科学施普林格,卷。1160年,新加坡,2020年。视图:出版商的网站|谷歌学术搜索
103. c . j . Wang, z刘et al .,梳理深度和手工制作的特性基于NTV-NRPCA织物疵点检测施普林格,可汗,瑞士,2019。
104. d·j·j . Lu Wang Chen等人“面向服务的工具链为航空发动机基于模型的系统工程,“IEEE访问》第六卷,第50458 - 50443页,2018年。视图:出版商的网站|谷歌学术搜索
105. g . j . Lu Wang和m . Torngren”设计本体为cosimulation案例研究基于模型的系统工程工具链,”IEEE系统杂志,14卷,不。1,第1308 - 1297页,2020。视图:出版商的网站|谷歌学术搜索
106. x周,w . Liang王。k . et al .,“深度学习增强人类活动识别互联网医疗保健的东西,“IEEE物联网,7卷,不。7,6429 - 6438年,2020页。视图:出版商的网站|谷歌学术搜索
107. d . j . Lu d . Chen g . Wang Kiritsis, m . Torngren et al .,“基于模型的系统工程工具链进行自动参数值的选择,”在IEEE系统中,人、控制论:系统,2020年。视图:出版商的网站|谷歌学术搜索
108. 诉奥兹德米尔,“大局”AI把“数字健康:物联网和cyber-physical系统”组学:一个综合生物学》杂志上,23卷,不。6,308 - 311年,2019页。视图:出版商的网站|谷歌学术搜索
109. x周,w .梁,清水,j . Ma和金,“暹罗神经网络建立few-shot学习工业cyber-physical异常检测系统”在IEEE工业信息,17卷,不。8,5790 - 5798年,2020页。视图:出版商的网站|谷歌学术搜索
110. k . Hanbay m . f . Talu, O。f . Ozguven”织物疵点检测系统和方法:系统的文献回顾,“Optik,卷127,不。24日,第11973 - 11960页,2016年。视图:出版商的网站|谷歌学术搜索
111. k . Yildiz A . Buldu m . Demetgul et al .,“小说thermal-based织物疵点检测技术,”纺织学院杂志》上,卷106,不。3,2015。视图:出版商的网站|谷歌学术搜索
112. b方,长x, y . Zhang et al .,“织物疵点检测使用应用触觉传感器,”2020年,https://arxiv.org/abs/2003.00839。视图:谷歌学术搜索
113. s . Bangare n . Dhawas诉Taware et al .,“织物使用图像处理故障检测,”IJARCCE》第六卷,第409 - 405页,2017年。视图:谷歌学术搜索
114. x周,w .梁,k I.-K。王et al .,“学术影响力意识和多维网络分析研究协作导航基于学术大数据”IEEE新兴主题计算,9卷,不。1,第257 - 246页,2021。视图:出版商的网站|谷歌学术搜索
115. 王z和j .京”Pixel-wise织物疵点的检测cnn没有标记的训练数据,”IEEE访问,8卷,第161325 - 161317页,2020年。视图:出版商的网站|谷歌学术搜索
116. l .陈:燕,杨h . et al .,“深度学习的数据扩增方法基于多自由度(自由度)自动图像采集,”应用科学,10卷,不。21日,第7755页,2020年。视图:出版商的网站|谷歌学术搜索
117. w·魏d·邓曾l . et al .,“实时实现织物疵点检测的基于变分自动编码器结构相似,“实时图像处理》杂志上,1卷,2020页。视图:谷歌学术搜索
118. d . Siegmund t . Samartzidis傅b . et al .,“纤维非齐次的纺织品缺陷检测,”2017年MCPR学报》上墨,页278 - 287年,墨西哥,2017年6月。视图:谷歌学术搜索
119. t才能:一辉,Hideyuki et al .,“缺陷检测系统的研究开发针织大圆机产生的针织物图像分析,“纺织工程杂志,卷64,不。2,45-49,2018页。视图:出版商的网站|谷歌学术搜索
120. r·施密特t . Furtjes b .阿巴斯et al .,“实时machine-vision-system自动化批量生产质量监控的多轴non-crimp面料,”IFAC-PapersOnLine,卷10267,不。3、769 - 782页。视图:谷歌学术搜索
121. N.-T。黄齐,”在线缺陷预测模型纺织制造业,”资源保护和回收,第161卷,第104910页,2020年。视图:出版商的网站|谷歌学术搜索
122. 即Ilhan”行业4.0纺织生产过程的概念”,棉花堡大学工程科学杂志》上25卷,第823 - 810页,2019年。视图:谷歌学术搜索
123. k .严w·沈问:金et al .,“新兴隐私问题和解决方案在cyber-enabled共享服务:从多个视角,”IEEE访问7卷,第26059 - 26031页,2019年。视图:出版商的网站|谷歌学术搜索
124. 梁x, y, w . et al .,“变分LSTM增强工业大数据异常检测,”IEEE工业信息,17卷,不。5,3469 - 3477年,2020页。视图:谷歌学术搜索
125. 梁x, x, w . et al .,“聪明的小目标检测基于数字智能制造工业CPS,孪生”IEEE工业信息,p . 2021。视图:出版商的网站|谷歌学术搜索

版权

版权©2021(李等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。