基于改进YOLOv5s的轻量化布匹瑕疵检测算法

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。

基于改进Swin Transformer的花色布匹瑕疵检测算法

在进行布匹瑕疵检测时,复杂的花色纹理对瑕疵的检测带来一定的困难。针对该问题,文中提出了基于改进Swin Transformer的花色布匹瑕疵检测算法。首先,利用双路Swin Transformer注意力骨干网络提取缺陷图与模板图中的特征信息。然后,采用改进的特征金字塔网络对四个层次的特征进行融合。最后,根据融合后的特征完成了瑕疵的定位与分类。在布匹生成工厂采集的数据集上进行模型训练与测试,结果表明,文中所提算法的准确率和平均精确率均优于所比较的算法。

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network,ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network,F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL(Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确率及定位精度,同时降低了布匹瑕疵检测的误检率和漏检率,明显优于当前主流的布匹瑕疵检测算法.

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。

基于改进Cascade R-CNN的布匹瑕疵检测算法

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。

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.

一种基于YOLOv5算法的布匹瑕疵检测系统

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。

基于YOLOv3的布匹瑕疵检测方法

针对布匹瑕疵差异较大、分布不均匀等问题,在YOLOv3中引入SwinTransformerBlock模块,用自注意力机制专注于有效特征排除无效特征的干扰,解决瑕疵差异大、分布不均等问题.同时用可变形卷积v2替换普通卷积,增大网络的感受野和多尺度建模能力,更好地适应瑕疵的形状和位置变化,从而提高目标检测的准确性和鲁棒性.实验结果表明,改进后算法在mAP上比原算法提高了3.80%,在检测速度上下降了2.86帧每秒.

FPGA技术在布匹瑕疵检测系统中的应用

使用FPGA能够开发出功能强大,易于更新维护的图像处理系统。文中介绍FPGA技术在图像处理领域中的典型应用。结合自主开发的布匹瑕疵检测系统,详细阐述了FPGA程序设计中并行算法的设计流程。并通过具体例子,提出了FPGA程序设计过程中需要注意的问题和优化程序,节省逻辑资源的几个方法。

基于级联卷积神经网络的复杂花色布匹瑕疵检测算法

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.

基于图像增强和CNN的布匹瑕疵检测算法

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%。

融合形变卷积和自注意力的素色布匹瑕疵检测

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。

基于改进Gabor优化选择的布匹瑕疵检测方法

针对传统Gabor优化选择方法用于布匹瑕疵检测时准确率低、鲁棒性差的缺点,提出了改进的优化选择方法,通过瑕疵图像与标准图像Gabor滤波后分块子图均值差平方和的代价函数实现优化选择。设置一组不同方向和尺度的Gabor滤波器并提取标准图像滤波后相关参数,通过改进的优化选择方法实现滤波后瑕疵图像的最优选择,利用迭代式阈值分割对最优滤波后图像进行二值分割,根据分割后图像的像素信息检测是否含有瑕疵并输出瑕疵信息。实验验证该方法,并与传统优化选择方法对比分析,结果表明该方法运算量较少,且检查性能高,可满足在线检测要求。

基于稀疏编码投影特征的布匹瑕疵检测

为了改善传统算法通用性不强、计算量较大的缺点,提出了基于稀疏编码投影特征的布匹瑕疵检测算法。采用稀疏编码来训练得到特征提取的过完全字典,使得不同种类布匹纹理的特征选取具有充分的灵活性。利用布匹图像在字典上的投影代替稀疏表达作为特征,提高了特征的鲁棒性,有效地减小了算法的计算量和时间复杂度。最后,根据待检测图像块特征和标准之间的距离,得出检测结果。对德国TILDA样本库的实验结果表明,该方法得到的特征更加的稳健,对不同种类布匹的适应能力更强,检测时间更短,对比其他算法的检测率也有明显优势。

基于TMS320C6678的布匹瑕疵检测算法的并行实现

针对布匹瑕疵检测系统在工业应用中的实时性需求,在分析了小规模过完全字典布匹瑕疵检测算法的基础上,将该算法从VS平台移植至TMS320C6678平台,并提出了一种基于特征拆分的并行方案以充分利用各个内核资源,采用优化的内核间同步、通信方案,实现了高效的多核并行处理,大大减少了算法耗时。实验结果表明,该方法是可行、有效的,并且极大地提升了布匹瑕疵检测系统的实时处理能力,为以后工业应用打下了良好的基础。

基于稀疏编码的双尺度布匹瑕疵检测

瑕疵检测是布匹质量控制的重要环节。为了使检测算法具有较高的通用性和检测精度,提出了一种基于稀疏编码的双尺度布匹瑕疵检测算法,综合了大尺度下检测稳定性高和小尺度下检测敏感性高的优点。首先,采用一种小规模过完备字典的训练方法得到大小尺度下的字典;其次,利用检测图像块在字典上的投影提取检测特征;最后,利用距离融合方法综合大小尺度下的检测结果。小规模完备字典的采用以及对大尺度下的检测进行下采样,克服了因引入双尺度而造成计算量太大的缺点。实验采用德国TILDA布匹样本库,实验结果表明,该算法能有效地检测平纹布、格子布、条纹布上的瑕疵,综合检测率达到95.9%,并且计算量适中,能够满足工业实时检测的要求,具有实际应用的价值。

基于改进YOLOv3算法的布匹瑕疵检测研究

布匹瑕疵检测是纺织行业生产过程中的重要环节,实现高效、准确的布匹瑕疵检测对提升纺织工业的产能具有重要意义。针对目前布匹瑕疵大小差异较大、背景与目标难区分、传统检测方法效率较低等问题,提出一种基于改进YOLOv3的布匹瑕疵检测方法,通过引入深度可分离卷积减少模型参数量以提升检测速度,在特征金字塔中嵌入SENet使模型更关注有效特征、抑制无效特征,使用Focalloss损失函数替换原分类损失函数以降低易分类样本对模型产生的偏向性影响。通过实验对比表明,改进后算法相比于原算法,mAP指标提升了4.9%,召回率提升了5.12%,准确率提升了37.78%,FPS指标提升了7%。

基于图像纹理分析的布匹瑕疵检测综述

纹理,作为用来描述物体表面特征的基本属性,是信息处理中一个最为显著的视觉特征。纹理分析方法研究在理论探索和实际应用方面都有着十分重要的意义。从纹理定义出发,总结了纹理的几个常用特征,并归纳了纹理的类型,对国内外4种主要的纹理分析方法的研究历程和进展进行了回顾,重点阐述了在布匹瑕疵检测领域中这4种纹理分析方法取得的研究成果,并作出比较和讨论,为该领域的研究者提供参考和借鉴。

基于卷积神经网络的单色布匹瑕疵快速检测算法

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%.

基于改进部分卷积的瑕疵布匹图像生成算法

针对工业生产中布匹瑕疵自动化检测模型训练时缺少带瑕疵位置信息的瑕疵布匹图像数据集的问题,本文提出了一种以改进的部分卷积网络作为基本框架的带瑕疵位置信息的瑕疵布匹图像生成模型EC-PConv.该模型引入小尺寸瑕疵特征提取网络,将提取出的瑕疵纹理特征与空白mask拼接起来形成带有位置信息和瑕疵纹理特征的mask,然后以修复方式生成带有瑕疵位置信息的瑕疵布匹图像,另外,本文提出一种结合MSE损失的混合损失函数以生成更加清晰的瑕疵纹理.实验结果表明,与最新的GAN生成模型相比,本文提出的生成模型的FID值降低了0.51;生成的瑕疵布匹图像在布匹瑕疵检测模型中查准率P和MAP值分别提高了0.118和0.106.实验结果表明,该方法在瑕疵布匹图像生成上比其他算法更稳定,能够生成更高质量的带瑕疵位置信息的瑕疵布匹图像,可较好地解决布匹瑕疵自动化检测模型缺少训练数据集的问题.