摘要：在布匹缺陷自动化检测中,常用机器视觉方法依赖于人工设计的特征,难以检测复杂缺陷,而常用深度学习方法易受花色布图案干扰,检测准确率偏低。因此,提出了一种特征融合网络模型。该模型以Cascade R-CNN为基础框架,采用一种基于快速稳健特征算法(Speeded up robust feature,SURF)获得无干扰信息的差分特征图,并与原始缺陷图融合,获得更丰富的特征信息;采用可变形卷积提高特征提取能力。试验分析显示,相比Cascade R-CNN,该模型在检测准确率上有10.8%的提升。

摘要：针对布匹瑕疵自动化检测,基于传统的机器视觉方法依赖于人工设计特征,对具有复杂背景图案的花色布瑕疵特征提取难度非常大,因此提出一种基于改进Faster R-CNN(faster region with convolutional neural network)的花色布瑕疵检测算法。在Faster R-CNN的基础上使用Resnet-50作为主干网络,嵌入可变形卷积来提高瑕疵特征的学习能力。通过设计多尺度模型来提高小瑕疵的检测,引入级联网络来提高瑕疵检测精度和定位准确度,构造优化的损失函数来降低样本不平衡影响。通过试验验证了该算法的有效性。结果表明,瑕疵检测效果准确率达94.97%,并能精准定位瑕疵位置,可满足工厂的实际需求。