基于轻量级模型的经编布瑕疵在线检测算法
发布时间：2021-04-09 06:46
针对目前纺织企业人工检验布匹瑕疵方法的成本高、误检率高、效率低等问题,提出一种基于机器视觉的轻量级模型的经编布瑕疵检测方法。通过搭建瑕疵检测系统平台,改进MUNIT模型以扩充瑕疵样本。在一阶模型YOLO（you only look once）的基础上引入深度可分离卷积,从而减少参数量以提升检测速度,自定义符合瑕疵特征的ASPP（atrous spatial pyramid pooling）模块提高模型精度,并采用Focal Loss损失函数减少类别不平衡对检测精度的影响。结合原始瑕疵样本以及生成样本,实现瑕疵在线检测。为验证模型的高效性,通过设置一系列试验与原始一阶模型YOLO及二阶模型Faster R-CNN（region-convolutional neutral network）进行对比,结果表明,提出的轻量级模型在满足经编布瑕疵检测精度的基础上,具有更快的检测速度,是目前人工检测速度的4～6倍。
【文章来源】：东华大学学报(自然科学版). 2020,46(06)北大核心
【文章页数】：7 页
【部分图文】：
系统实物图图１经编布匹瑕疵检测（ａ）
的ＭＵＮＩＴ模型进行瑕疵样本扩充，该模型的框架如图２所示。将瑕疵图像（Ｘ）编码为内容和风格两部分，将内容存储于共享内容空间（Ｃ），而风格存储于不同风格空间（Ｓ），如图２（ａ）所示。输入正常经编布匹样本（Ｘ１），将其内容编码存储至共享内容空间Ｃ，将共享内容空间Ｃ的内容与风格空间Ｓ２中随机抽取一份解码合成新的瑕疵图像，在这个过程中加入随机噪声，如图２（ｂ）所示。（ａ）瑕疵编码过程（ｂ）扩充瑕疵样本过程图２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ为解决传统ＧＡＮ因训练不稳定而容易出现模式崩溃的问题，改进ＭＵＮＩＴ模型，如图３所示。通过构建多个重构过程，在重构过程中都加入随机噪声，同时使用像素损失和ＧＡＮ损失，在训练过程中将所有的损失函数联合在一起同时优化，最终得到训练过程稳定、生成瑕疵样本多样性好的ＭＵＮＩＴ模型。将正常布匹和瑕疵图像分别编码成内容和风格，再将编码的内容和风格重构为原始图像，如图３（ａ）所示。同理，通过交叉重构实现正常布匹与瑕疵布匹的内容和风格编码及解码。此外，为使生成图像多样性更好，将正常布匹和瑕疵图像重构的图像进行再次编码，然后对原始图像的内容及风格进行优化，如图３（ｂ）所示。（ａ）编码解码过程（ｂ）交叉编码解码再编码过程图３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定义ＡＳＰＰ模块通常神经网
的ＭＵＮＩＴ模型进行瑕疵样本扩充，该模型的框架如图２所示。将瑕疵图像（Ｘ）编码为内容和风格两部分，将内容存储于共享内容空间（Ｃ），而风格存储于不同风格空间（Ｓ），如图２（ａ）所示。输入正常经编布匹样本（Ｘ１），将其内容编码存储至共享内容空间Ｃ，将共享内容空间Ｃ的内容与风格空间Ｓ２中随机抽取一份解码合成新的瑕疵图像，在这个过程中加入随机噪声，如图２（ｂ）所示。（ａ）瑕疵编码过程（ｂ）扩充瑕疵样本过程图２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ为解决传统ＧＡＮ因训练不稳定而容易出现模式崩溃的问题，改进ＭＵＮＩＴ模型，如图３所示。通过构建多个重构过程，在重构过程中都加入随机噪声，同时使用像素损失和ＧＡＮ损失，在训练过程中将所有的损失函数联合在一起同时优化，最终得到训练过程稳定、生成瑕疵样本多样性好的ＭＵＮＩＴ模型。将正常布匹和瑕疵图像分别编码成内容和风格，再将编码的内容和风格重构为原始图像，如图３（ａ）所示。同理，通过交叉重构实现正常布匹与瑕疵布匹的内容和风格编码及解码。此外，为使生成图像多样性更好，将正常布匹和瑕疵图像重构的图像进行再次编码，然后对原始图像的内容及风格进行优化，如图３（ｂ）所示。（ａ）编码解码过程（ｂ）交叉编码解码再编码过程图３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定义ＡＳＰＰ模块通常神经网
【参考文献】：
期刊论文
[1]深度学习在布匹缺陷检测中的应用[J]. 赵志勇,叶林,桑红石,桂康. 国外电子测量技术. 2019(08)
[2]应用Canny算子的织物疵点检测改进算法[J]. 胡克满,罗少龙,胡海燕. 纺织学报. 2019(01)
[3]基于Gabor滤波器和HOG特征的织物疵点检测[J]. 汤晓庆,黄开兴,秦元庆,周纯杰. 计算机测量与控制. 2018(09)
[4]基于CUDA计算GLCM特征值和SVM的织布疵点检测[J]. 万东,孙志刚,肖力. 计算机与数字工程. 2018(04)
[5]基于K-SVD学习字典的机织物纹理表征及应用[J]. 吴莹,汪军. 纺织学报. 2018(02)
本文编号：3127131
【文章来源】：东华大学学报(自然科学版). 2020,46(06)北大核心
【文章页数】：7 页
【部分图文】：
系统实物图图１经编布匹瑕疵检测（ａ）
的ＭＵＮＩＴ模型进行瑕疵样本扩充，该模型的框架如图２所示。将瑕疵图像（Ｘ）编码为内容和风格两部分，将内容存储于共享内容空间（Ｃ），而风格存储于不同风格空间（Ｓ），如图２（ａ）所示。输入正常经编布匹样本（Ｘ１），将其内容编码存储至共享内容空间Ｃ，将共享内容空间Ｃ的内容与风格空间Ｓ２中随机抽取一份解码合成新的瑕疵图像，在这个过程中加入随机噪声，如图２（ｂ）所示。（ａ）瑕疵编码过程（ｂ）扩充瑕疵样本过程图２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ为解决传统ＧＡＮ因训练不稳定而容易出现模式崩溃的问题，改进ＭＵＮＩＴ模型，如图３所示。通过构建多个重构过程，在重构过程中都加入随机噪声，同时使用像素损失和ＧＡＮ损失，在训练过程中将所有的损失函数联合在一起同时优化，最终得到训练过程稳定、生成瑕疵样本多样性好的ＭＵＮＩＴ模型。将正常布匹和瑕疵图像分别编码成内容和风格，再将编码的内容和风格重构为原始图像，如图３（ａ）所示。同理，通过交叉重构实现正常布匹与瑕疵布匹的内容和风格编码及解码。此外，为使生成图像多样性更好，将正常布匹和瑕疵图像重构的图像进行再次编码，然后对原始图像的内容及风格进行优化，如图３（ｂ）所示。（ａ）编码解码过程（ｂ）交叉编码解码再编码过程图３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定义ＡＳＰＰ模块通常神经网
的ＭＵＮＩＴ模型进行瑕疵样本扩充，该模型的框架如图２所示。将瑕疵图像（Ｘ）编码为内容和风格两部分，将内容存储于共享内容空间（Ｃ），而风格存储于不同风格空间（Ｓ），如图２（ａ）所示。输入正常经编布匹样本（Ｘ１），将其内容编码存储至共享内容空间Ｃ，将共享内容空间Ｃ的内容与风格空间Ｓ２中随机抽取一份解码合成新的瑕疵图像，在这个过程中加入随机噪声，如图２（ｂ）所示。（ａ）瑕疵编码过程（ｂ）扩充瑕疵样本过程图２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ为解决传统ＧＡＮ因训练不稳定而容易出现模式崩溃的问题，改进ＭＵＮＩＴ模型，如图３所示。通过构建多个重构过程，在重构过程中都加入随机噪声，同时使用像素损失和ＧＡＮ损失，在训练过程中将所有的损失函数联合在一起同时优化，最终得到训练过程稳定、生成瑕疵样本多样性好的ＭＵＮＩＴ模型。将正常布匹和瑕疵图像分别编码成内容和风格，再将编码的内容和风格重构为原始图像，如图３（ａ）所示。同理，通过交叉重构实现正常布匹与瑕疵布匹的内容和风格编码及解码。此外，为使生成图像多样性更好，将正常布匹和瑕疵图像重构的图像进行再次编码，然后对原始图像的内容及风格进行优化，如图３（ｂ）所示。（ａ）编码解码过程（ｂ）交叉编码解码再编码过程图３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定义ＡＳＰＰ模块通常神经网
【参考文献】：
期刊论文
[1]深度学习在布匹缺陷检测中的应用[J]. 赵志勇,叶林,桑红石,桂康. 国外电子测量技术. 2019(08)
[2]应用Canny算子的织物疵点检测改进算法[J]. 胡克满,罗少龙,胡海燕. 纺织学报. 2019(01)
[3]基于Gabor滤波器和HOG特征的织物疵点检测[J]. 汤晓庆,黄开兴,秦元庆,周纯杰. 计算机测量与控制. 2018(09)
[4]基于CUDA计算GLCM特征值和SVM的织布疵点检测[J]. 万东,孙志刚,肖力. 计算机与数字工程. 2018(04)
[5]基于K-SVD学习字典的机织物纹理表征及应用[J]. 吴莹,汪军. 纺织学报. 2018(02)
本文编号：3127131
本文链接：https://www.wllwen.com/projectlw/qgylw/3127131.html
