基于深度学习的布匹疵点检测技术研究.pdf

摘要

我国是纺织品的生产和消费大国，有众多纺织品企业。受外部环境的影响和

自身发展的需要，企业需要提高产品质量以保证企业的竞争力。其中检测作为保

证产品质量的最后一道关卡，需要同时满足对精度和效率的要求。使用人工对布

匹瑕疵进行检测的效率较低且无法保证检测质量；传统图像算法检测的布匹多为

素色布匹，适用范围不广；因此为了检测花色布匹中的瑕疵，本文选取深度学习

中的卷积神经网络作为研究方法，旨在设计出一套对花色布匹的疵点进行检测的

算法。研究内容如下：

（1）对网络结构进行了相应改进。针对整张布匹幅面大和材质的特点，本文

比较并选取了两阶段模型中的FasterRCNN进行训练和测试；使用由其他大量数

据训练好的预训练模型初始化网络参数；为了获取更好的检测效果，本文选取

CascadeRCNN代替FasterRCNN作检测；采用正常布匹和瑕疵布匹特征图相减抑

制花色的影响；改进了CascadeRCNN使用的损失函数和采样方法以进一步提高

检测精度。最终，训练结果同FasterRCNN相比，mAP提高了6%。

（2）对数据集进行了处理。对数据集中数量较少的疵点采用平移、旋转、随

机裁剪等方式增广数据；除此之外，为了增强小疵点的检测效果，本文选取

Copy-Paste方法并改进后用于增加疵点的数量。使用增广后的数据集在改进后的

CascadeRCNN上训练，相比没有增广时，mAP提高了3%。

（3）在特征金字塔后使用注意力机制。针对布匹中的小尺寸疵点和形态各异

疵点，本文在改进的CascadeRCNN中使用注意力机制处理特征金字塔，将特征

金字塔看作一个三维张量，对三个维度分别使用注意力机制，最后组合处理特征

金字塔。最终，本文改进的模型对布匹疵点检测的Acc达到了92.1%，mAP达到

了57.2%。实验证明，同现有的算法相比，本文算法提升了各类疵点的检测精度，

对如沾污、花毛等含有较多小尺寸疵点的类别的检测效果提升明显。

关键词：布匹瑕疵检测，CascadeRCNN，网络优化，特征金字塔

ABSTRACT

Ourcountryisamajorproducerandconsumeroftextiles,andtherearemanytextile

enterprises.Affectedbytheexternalenvironmentandtheneedsofitsowndevelopment,

enterprisesarerequiredtoimproveproductqualitytoensuretheircompetitiveness.Inall

processes,thedetectionisthelastcheckpointofguaranteedproductquality,soitneeds

tomeettherequirementsforaccuracyandefficiencyatthesametime.Theefficiencyof

manualdetectionofclothdefectsislowandthedetectionqualitycannotbeguaranteed;

theclothsdetectedbytraditionalimagealgorithmsaremostlyplaincloths,whicharenot

applicabletoawiderange;therefore,inordertodetectdefectsinpatternedcloths,this

thesisselectsthevolumeofdeeplearning.Asaresearchmethod,thecumulativeneural

networkaimstodesignasetofalgorithmstodetectthedefectsofpatternedfabrics.The

researchcontentsareasfollows:

(1)Thenet