摘要：针对现有布匹瑕疵检测模型存在的参数量大、训练耗时和准确率低等情况,提出了一种基于YOLOv5改进的布匹瑕疵检测(fabric defect detection YOLO,FDD-YOLO)算法.首先,在特征提取阶段引入ConvMp模块,实现跨通道特征融合,减少特征下采样时的信息丢失;其次,将重参幽灵卷积(RepGhost)与残差结构相融合,降低模型参数,并减少冗余信息的传递;最后,设计了轻量级注意力聚合结构,以增强模型对小目标的特征提取能力,抑制无用信息的传递.结果表明,相较于YOLOv5,FDD-YOLO算法在ZJU-Leaper数据集和天池布匹瑕疵数据集上平均精度分别提升了3.3和4.6百分点,同时,模型参数量缩减至3.2 M.

摘要：当布匹的背景信息复杂多变时,复杂花色布匹的瑕疵定位与分类较为困难.针对这一问题,文中提出基于级联卷积神经网络的复杂花色布匹瑕疵检测算法.首先,使用双路残差的骨干特征提取网络,在缺陷图和模板图上提取并融合特征.然后,设计密度聚类边框生产器,指导框架中区域候选网络的预检测框设计.最后,通过级联回归方法完成瑕疵的精确定位和分类.采用工业现场采集的布匹图像数据进行训练与预测,结果表明,文中算法的精准率和召回率较高.

摘要：布匹瑕疵的自动化检测是目前纺织行业面临的一个难点问题。针对当前布匹瑕疵检测算法对尺度和长宽比变化大、小目标众多的样本检测效果并不理想的问题,提出了基于改进Cascade R-CNN网络的布匹瑕疵检测算法。首先,在特征提取网络ResNet-50中融入可变形卷积,自适应地提取更多的瑕疵形状与尺度特征;其次,在特征金字塔网络上采样前引入平衡特征金字塔,缩小特征融合前各特征层之间的语义差距,得到更具表达力的多尺度特征;然后,根据瑕疵尺度与长宽比特点重新设计更适合的初始锚框;最后,采用具有尺度不变性的GIoU Loss作为级联检测器的回归损失,以获取更加精确的瑕疵预测边界框。实验结果表明,相比基于Cascade R-CNN的算法,改进后的Cascade R-CNN算法对布匹瑕疵检测的平均精确率获得了明显提升。

摘要：在纺织行业中,布匹瑕疵的出现将严重影响其经济价值,而目前纺织工厂的质检环节严重依赖人工质检。为了解决人工质检过程中出现的错检、漏检以及检测效率随时间下降的问题,设计了一种基于YOLOv5深度学习算法的布匹瑕疵检测方法,通过在真实产线上收集布匹样本并自建相关瑕疵的数据集,使用YOLOv5训练出一组双面的布匹瑕疵模型。实验结果表明,该模型在检测速度与准确度方面与传统质检方式相比表现优异,可以满足工业生产的实际需要。

摘要：在布匹生产过程中,会产生不同种类的瑕疵,准确的瑕疵检测对于提高纺织工业的生产效率具有重要意义。然而,布匹瑕疵仍存在小目标、极端纵横比、数量不均衡等问题,导致布匹瑕疵检测识别率低、错检漏检频发。因此提出了融合形变卷积和自注意力的素色布匹检测方法。首先,提出了融合形变卷积的多尺度特征提取,缓解模型对不规则瑕疵特征提取能力不足的问题。其次,构建多通道注意力聚合网络,生成新的具有强语义和精确位置信息的瑕疵特征图,提高小目标瑕疵检测的准确率。最后,设计自适应边框生成器,指导生成更精确的瑕疵边界框,解决部分纵横比悬殊的瑕疵无法生成紧密包围框的问题。在标准数据集上的实验结果表明,提出的方法有效提升了布匹瑕疵检测的准确率和效率。

摘要：布匹缺陷检测是纺织行业生产过程中保障布匹质量的重要环节,计算机视觉技术的发展使得利用数字图像处理来检测布匹瑕疵成为大势所趋。针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率和漏检率高的问题,结合布匹纹理比较统一的特征以及布匹瑕疵数据规模小的特点,提出一种基于图像增强和卷积神经网络(convolutional neural network, CNN)的单色布匹瑕疵检测方法,设计了结合数字图像增强技术的浅层卷积神经网络结构。摄像机采集的布匹图像经过图像预处理、图像增强和边缘检测后,突显布匹的纹理特征和瑕疵区域,提升了卷积神经网络对布匹有效特征的提取效率,减少了不必要的特征提取,有效降低了神经网络模型的过拟合问题造成的错误率。实验结果表明,该方法可实现较高的准确率,在PC机的GPU模式下,准确率可达到93%。

摘要：针对纺织生产中布匹瑕疵检测高精度、实时性的需求,提出了一种基于改进YOLOv5s的轻量化布匹瑕疵检测算法(GhostNet-CBAM-Partial convolution-YOLOv5s,GCP-YOLOv5s)。该算法首先引入GhostNet中的GhostConv模块,对原主干网络进行优化重构,大幅减少网络参数;其次,在主干特征提取网络中加入CBAM(Convolutional block attention module)注意力机制,增加网络的特征提取能力;最后,设计了基于Partial convolution的改进C3模块(C3-Partial convolution,C3-P),在降低模型参数量的同时提高特征融合能力。在自建布匹瑕疵数据集上进行了对比测试,结果表明:与基准模型YOLOv5s相比,GCP-YOLOv5s的参数量降低了41.6%,计算量降低了43.1%,检测速度提高了12 FPS,检测精度提升了1.7%。GCP-YOLOv5s算法在保证模型轻量化的同时具有较高的检测精度,可以满足布匹瑕疵检测的高精度和实时性要求。

摘要：针对布匹生产企业存在人工检测布匹瑕疵效率低、误检率、漏检率高的问题,提出一种基于深度卷积神经网络的单色布匹瑕疵检测算法.首先由于布匹瑕疵的数据规模远小于大型深度卷积神经网络的数据规模,如果采用大型卷积神经网络,计算量大且容易导致过拟合,因此设计了浅层的卷积神经网络结构;然后提出双网络并行的模型训练方法,用一个大网络指导小网络的训练过程,提高模型的训练效果;最后为了使得深度卷积神经网络模型脱离GPU的限制,能够在普通电脑、移动设备、嵌入式设备中高速运行,且保证模型检测精度,提出结合特征图优化卷积核参数的模型压缩算法.实验结果表明该算法可实现高准确率、高检测速度,在PC机的CPU模式下,检测速度为135 m/min,准确率可达到96.99%.