基于显著性线索与改进U-Net的织物缺陷检测方法

Fabric defect detection method based on saliency cues and improved U-Net

计算机视觉建立了图像处理与工业之间的联系,将现代感知技术引入到了自动化工业中。同时,基于深度学习的缺陷检测方法已在自动化检测中扮演重要角色。提出一种结合显著性检测算法与改进卷积神经网络CU-Net的织物缺陷检测方法。首先融合五条基于人类视觉机制的重要显著性线索,对织物图像预处理,其次对经典U-Net网络改进,在压缩网络尺寸基础上,引入注意力机制并使用新的复合损失函数进行训练。利用公开的AITEX缺陷织物数据集作为测试样本,结果表明,方法的准确率Acc和召回率RE分别达到98.3%和92.7%,相比于其他检测方法的最高分数提高4.8%和2.3%,显著提升了织物缺陷检测精度。