基于深度学习的布匹缺陷检测算法研究

发布时间：2021-09-09 15:31

　　中国是世界上最大的布匹生产国,布匹缺陷的识别与检测是制约其生产效率与产品质量的重要因素。传统的布匹缺陷检测与识别是通过人工的方式进行的,存在受主观影响较大、检测效率低下等问题。近年来,随着计算机算力的突破,深度学习技术发展迅猛,在工业生产的缺陷检测领域已经产生了越来越多的应用。布匹缺陷检测也应该与深度学习相结合,以实现更好的识别效果与检测精度。与常见的图像识别与检测场景不同,布匹缺陷图像存在背景单一以及小目标缺陷占比大、存在极端长宽比缺陷的特点和难点。由此,本文研究了一种基于深度学习的布匹缺陷检测算法,本文主要研究内容如下:1.提出了一种两步池化算法。针对布匹缺陷图像的单一背景,两步池化算法可以对特征图的背景进行抑制,同时对缺陷点的特征进行增强。两步池化算法分为三个步骤:首先利用全局平均池化获取浅层特征图的背景近似值;然后通过设计的背景抑制函数对特征图的背景进行抑制,同时对缺陷点特征进行增强;最后通过最大值池化,对缺陷区域特征进行提取。由于两步池化算法结构简单,本文将其与三类经典的特征提取网络相结合,并在DAGM数据集上进行相关的对照实验。结果表明,两步池化算法能够大大提升与背景相差较... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：92 页

【学位级别】：硕士

【部分图文】：

R-CNN检测整体框架

候选框交叠情况示意图

纹理图像与常规情境对比图

【参考文献】：
期刊论文
[1]基于深度学习的混凝土表面缺陷检测方法[J]. 翟磊,王会峰,丁光洲,杨文光,武泽键.  激光杂志. 2020(06)
[2]基于Faster R-CNN的高压电线缺陷检测方法[J]. 金昊,康宇哲,齐希阳,洪榛.  计算机应用. 2019(S2)
[3]纺织生产和纺织产品智能化的探析[J]. 王远进.  科技经济导刊. 2019(35)
[4]基于深度卷积神经网络的木材表面缺陷检测系统设计[J]. 项宇杰,陈月芬,卢卫国,潘佳浩.  系统仿真技术. 2019(04)
[5]基于多任务深度学习的铝材表面缺陷检测[J]. 沈晓海,栗泽昊,李敏,徐晓龙,张学武.  激光与光电子学进展. 2020(10)
[6]基于机器视觉的缺陷检测应用综述[J]. 韩茜茜,耿世勇,李恒毅.  电工技术. 2019(14)
[7]上半年我国纺织品服装出口保持稳定增长[J].   网印工业. 2019(07)
[8]深度学习计算平台发展综述[J]. 郭乔进,胡杰,宫世杰,梁中岩.  信息化研究. 2019(03)
[9]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)
[10]《机器学习》[J]. 周志华.  航空港. 2018(02)



本文编号：3392340