基于深度学习的布匹瑕疵识别系统的研制

纺织行业一直在我国国民经济中占据十分重要的位置。传统的布匹瑕疵识别检测一般都是通过人工检测的方式,但是随着布匹检测数量的不断增加,人工识别效率也会随之下降,且准确率得不到保证。针对这个问题提出了使用Python语言,卷积神经网络DenseNet模型、Keras框架,创建和训练深度学习神经网络,设计与实现了一款布匹瑕疵系统,从而使得布匹检测更加高效、便捷。

基于Fast RCNN改进的布匹瑕疵识别算法

针对布匹瑕疵数据集分辨率高、瑕疵区域小,使用已有图像分类算法识别效果差的问题,提出了一种基于经典目标检测算法Fast RCNN改进的图像识别算法,用目标检测的流程完成图像识别任务。算法利用布匹瑕疵区域小的特性,在图像中生成大量潜在的瑕疵区域,利用卷积神经网络预测潜在区域包含瑕疵的概率,在算法的后期对潜在区域的概率进行合并,最终达到识别布匹中存在瑕疵的概率。在一个具有3331张高分辨率图片的数据集上进行实验,结果表明,本文算法比OurNet以及已有的图像分类算法具有更好的性能。