改进的Faster R-CNN算法在数码印花织物缺陷检测中的应用

针对数码印花织物缺陷检测过程中自建数据集类别样本分布不均衡,导致缺陷检测精度不高的问题,提出一种自适应类别抑制损失(adaptive class suppression loss,ACSL)的Faster R-CNN缺陷检测算法。首先,根据数码印花织物缺陷背景复杂、目标较难检测的特点,构建了基于Faster R-CNN的缺陷检测网络结构;然后,在基础网络中引入ACSL模块,通过调整不同类别位置分类损失的权重系数,维系不同类别位置正激活损失和负激活损失的相对平衡,从而解决样本不平衡对检测精度的影响。结果表明:所提算法在COCO标准上平均检测精度达到了0.60,相比于Faster R-CNN提高了0.02。说明此方法能够有效解决类别样本不均衡的数码印花缺陷检测问题。

基于RSKP-UNet模型的苗族服饰图案分割研究

为保护苗族服饰文化的传承,以及增加对苗族文化的研究为目的,文章以苗族服饰图案分割为研究内容,提出了一种基于RSKP-UNet(Residual Selective-Kernel Parallel U-Net)模型的苗族服饰图案分割算法。算法在U-Net模型的编码器部分加入Residual模块以提升模型的特征提取能力,在解码器部分嵌入SKNet模块和ParNet模块以增强模型的特征表达能力。通过引入的Lovász-hinge损失函数有效地解决了苗族服饰图案存在的样本类别不均衡的问题,实验结果还表明Lovász-hinge损失函数在各项分割指标上均优于最常用的BCE损失函数。文章提出的RSKP-UNet分割模型在该损失函数下进行训练,并与4种经典的深度学习分割模型进行分割性能对比,RSKP-UNet模型在各项分割指标上好于其他模型,相比于基准模型U-Net,在Dice系数、IoU、精确率、召回率及准确度等指标上分别提升了6.98%、11.07%、2.89%、6.75%及3.92%,可为苗族服饰图案分割研究提供有效可行的办法。