Faster RCNN模型在坯布疵点检测中的应用

探讨Faster RCNN模型在坯布疵点检测中的应用效果。在原始Faster RCNN的基础上,采用提取特征效果更好的深度残差网络,先使用残差网络进行坯布图像特征提取,再通过区域生成网络及Fast RCNN检测网络对坯布的疵点目标进行分类与检测。试验对比了Faster RCNN分别与VGG16、ResNet101结合时的检测结果,并讨论了不同参数对结果的影响。试验结果表明:该方法可以有效解决坯布疵点检测问题,检测准确率能够达到99.6%。认为:基于Faster RCNN目标检测与ResNet101卷积神经网络相结合的方法能够满足坯布生产过程中对于表面疵点进行准确检测的需求。

基于显著性检测的坯布疵点图像自适应分割方法

针对坯布图像疵点相对占比小、易湮没在面料背景中,且疵点形状不规则、边缘难以有效分割的问题,提出了一种基于显著性检测的坯布疵点图像自适应分割方法.该方法采用视觉显著性方法分析疵点在坯布图像上的光强分布、形状及颜色差异特性,设计多视觉显著性特征函数,对显著性区域进行超像素标注;提出计算自适应分割阈值的方法提取疵点边界细节,对坯布图像上的疵点区域进行分割定位,实现疵点的精确检测.结果表明:该方法能够获得内部均匀致密且边界清晰明确的疵点图像区域,6类疵点的整体检测精度达到98.26%,提高了坯布疵点图像分割效果.