[发明专利]一种基于深度学习的泰勒锥检测方法及检测系统

说明书

本发明涉及静电纺丝领域，具体涉及一种基于深度学习的泰勒锥检测方法及检测系统，该方法包括：采集图像样本，对采集到的图像样本进行训练生成泰勒锥检测模型；在静电纺丝设备上安装部署了泰勒锥检测模型的小型计算机，使用泰勒锥检测模型在静电纺丝过程中对纺丝针头处是否形成泰勒锥进行检测。检测系统包括：图像样本采集装置、检测模型训练装置、静电纺丝装置，图像样本采集装置用于采集图像样本，高性能计算机用于训练生成检测模型，将检测模型部署在静电纺丝设备上的小型计算机中检测是否生成泰勒锥，通过上述检测方法及检测系统，实现自动检测泰勒锥，无需人工肉眼观察，提高判断的速度以及准确率。

技术领域

本发明涉及静电纺丝技术领域，尤其涉及一种基于深度学习的泰勒锥检测方法及检测系统。

背景技术

静电纺丝技术最早由Formhzls在1934年提出，随后Taylor等人于1964年对静电纺丝过程中带电聚合物的变形提出了泰勒锥这一概念，直到上个世纪90年代人们开始广泛关注静电纺丝技术。静电纺丝技术的原理是，处于高压电场的溶体或者溶液，在电场力的作用下，克服其表面张力，形成泰勒锥。当电场力远大于其粘弹力和张力时，泰勒锥就会出现带电射流现象。射流形成的纤维沉积后，就制备好了纤维。在静电纺丝的过程中，需要实时监控泰勒锥的状态是否正常，目前常用的方法是通过相机获取泰勒锥的实时图像，通过肉眼观测泰勒锥是否正常，从而判断静电纺丝的进行是否正常。但由于纺丝过程时间过长，人眼具有疲劳性，不能长时间观测，同时人工成本过于昂贵。

发明内容

为解决上述问题，本发明提供了一种基于深度学习的泰勒锥检测方法，包括：

采集图像样本；

对采集到的图像样本进行训练生成泰勒锥检测模型；

在静电纺丝设备上安装部署了泰勒锥检测模型的小型计算机，使用泰勒锥检测模型在静电纺丝过程中对纺丝针头处是否形成泰勒锥进行检测。

进一步的，对采集到的图像样本进行训练生成泰勒锥检测模型包括：

获取图像样本，将图像样本分为训练集、交叉验证集、测试集；

对训练集、交叉验证集内的图像样本进行标记，生成xml标记文件，xml标记文件包括图片名称、图片地址、图片大小、标记类别、标记类别对应的区域坐标；

选择网络模型，配置网络模型超参数、定义损失函数对训练集进行训练，并在训练过程中输出当前训练步数、损失值、训练一步所需的时间；

不定时保存训练出的模型参数，用当前的模型参数对交叉验证集内的图像样本进行预测，并输出当前的预测图片、预测损失、预测准确率；

若当前预测准确率达到预设的预测准确率或者当前训练步数达到训练步数上限，则停止训练，根据当前的模型参数保存最终的检测模型；否则根据预测损失、预测准确率调整网络模型超参数继续进行训练。

进一步的，网络模型超参数包括标记类别数量、输入的图像尺寸、核函数、每步训练的图像样本数量、学习率、学习率下降的速度、训练步数上限、交叉验证集内的图像样本数量。

进一步的，网络模型ssd_mobilenet；标记类别数量设为1，输入图像的尺寸设为长640px、宽640px,核函数设为Sigmoid函数，每步训练的图像样本数量设为10张，学习率设为0.0799999982119，学习率下降的速度设为0.0266660004854，训练步数上限设为12500步，交叉验证集内的图像样本数量设为3000张。

进一步的，训练集的图像样本数量占图像样本总量的70％、交叉验证集的图像样本数量占图像样本总量的15％、测试集的图像样本数量占图像样本总量的15％。

进一步的，损失函数为：

进一步的，预测准确率的计算公式为：