基于Cascade RCNN和二步聚类的织物疵点检测

提出一种改进的基于深度卷积网络Cascade RCNN的织物疵点检测算法。针对织物存在疵点长宽比极端、疵点小以及疵点类间数量不均衡导致识别准确率低的问题,引入特征金字塔网络(FPN)和深度残差网络(ResNet101)进行高低层特征融合,获取更全面的织物疵点多尺度特征信息。采用二步聚类算法确定适用于极端形状疵点检测的预定义框最佳尺寸。采用改进的Cascade RCNN网络构架和二步聚类法确定的预定义框进行织物疵点检测试验。结果表明:改进后疵点识别准确率最高可达到98.4%。认为:改进特征提取网络和适用于极端形状疵点的预定义框能有效提高织物疵点识别准确率和定位精度。