摘要
织物疵点检测在纺织品品质管控中扮演着重要的角色，通过检测及时发现织物疵点，从源头控制织物的生产，能够有效减少企业的损失。基于深度学习的织物疵点检测方法，在保证准确率的同时，检测的速度也较快，所以成为了纺织企业的首要选择。但是，由于织物图像具有结构纹理复杂、疵点类型多样等特点，卷积神经网络很容易忽略卷积层中疵点的特征信息，从而出现网络识别率不高、分类效果不好等问题。本文针对以上问题，主要完成了如下研究工作： （1）提出了一种基于改进RefineDet的织物疵点检测方法。针对传统RefineDet模型分类性能不佳和定位结果不精确的问题，对其进行了改进。首先，将VGG16改为全卷积网络对织物图像特征进行提取；其次，为了获取疵点重要的特征并抑制不必要的特征，在anchor细化模块(Anchor Refinement Module，ARM)中加入了注意力机制；为了提高网络的分类性能，在传输连接块(Transfer Connection Block，TCB)中加入了SE模块(Squeeze and Excitation，SE)；最后，目标检测模块(Object Detection Module，ODM)将检测到的结果回归到正确的目标位置，再预测疵点的类别，对疵点进行定位。实验结果显示，本文算法对孔、污渍、纱疵和线状四种类别织物图像的均值平均精度mAP达到了79.7%，比传统RefineDet检测方法均值平均精度提高了5%，具有良好的分类和定位效果。 （2）提出了一种基于改进DCGAN(Deep Convolution Generative Adversarial Networks)的织物疵点检测算法。首先，针对DCGAN网络中的生成层仅采用一层反卷积，出现网络无法识别织物图像中细小疵点的问题，创新性的在原始DCGAN中引入了全局指导模块和注意力机制，对原始DCGAN进行了改进。该方法，在原始DCGAN的生成层加入全局指导模块，使网络充分获取织物图像的全局信息，避免丢失掉疵点的细节信息；其次，为了使生成器对疵点投入更多关注度，给予疵点区域相比其它区域较高的权重，将注意力模块引入到生成器中，有助于模型更好的识别不同类型疵点的特征信息；最后，目标检测模块将检测结果回归到正确的目标位置并预测疵点类别，对疵点进行定位。实验结果显示，本文算法对七种不同类型的织物图像分类准确率达到了95.52%，比原始DCGAN的准确率提高了3.17%，具有良好的分类和定位效果。
NETL