摘要
布匹瑕疵检测是纺织企业管控产品质量的关键环节，也是制约布匹生产效率的主要因素。现如今，我国很多纺织企业的质检环节仍然停留在人工目测检测的传统方式上，这种方式不仅效率低下、劳动强度大、漏检率和失误率也较高。使用基于深度学习的目标检测技术，实现高效精准的布匹瑕疵自动检测，有助于纺织企业减少人力成本，提高产品质量，促进产业结构的升级。本论文将目前最新的目标检测研究成果应用到了布匹瑕疵检测任务当中，根据企业的多样化部署需求，设计出了适用于多平台多场景部署的轻量化检测算法，具有较高的工程应用价值。 主要研究内容包括: （1）针对当前目标检测模型因参数量大、计算复杂导致对推理环境性能要求高的问题，提出了两种基于YOLOv5s的改进算法。分别融合了MobileNetv3和GhostNet两种轻量级网络，并将SE注意力模块嵌入到CSP核心特征提取网络中，设计了全新的双路注意力CSPMobile结构和CSPGhostSE结构，保持较高精度的同时大幅降低了模型的参数量和计算量，提升了模型在较低性能平台部署的适应能力。 （2）针对轻量化网络参数量下降对模型精度带来的影响，提出了多阶段改进策略。首先，在网络特征提取阶段，引入了SimAM注意力机制，同时关注三维作用域的信息形成统一的注意力，重新标定特征权重，提升了网络对于重要特征的提取能力。其次，在特征融合阶段使用了加权双向金字塔BiFPN结构，根据不同分辨率特征对网络最后输出贡献度的不同做了加权区分，实现了多尺度特征的高效融合。最后，在回归框筛选阶段，利用目标框加权融合的方式替换原有的非极大值抑制筛选，充分利用了所有预测框的有效信息，提高了回归框定位精准度。实验表明，多阶段的优化显著提升了模型的整体性能，在mAP平均精度指标上提高了1.6％。 （3）针对缺陷特征不明显样本在检测时易出现误检的问题，提出了检测+分类的级联网络架构。在上述改进的检测网络之后增加了一个二级分类网络，对检测模型输出的预测框进一步进行是否为瑕疵的二分类判断，最大程度过滤误检，提升网络精度。最终在5068张测试图片上获得了93.6％的识别率和55帧每秒的检测速度。
NETL