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。