針對目前紡織企業(yè)人工檢驗布匹瑕疵方法的成本高、誤檢率高、效率低等問題,提出一種基于機器視覺的輕量級模型的經(jīng)編布瑕疵檢測方法。通過搭建瑕疵檢測系統(tǒng)平臺,改進MUNIT模型以擴充瑕疵樣本。在一階模型YOLO（you only look once）的基礎(chǔ)上引入深度可分離卷積,從而減少參數(shù)量以提升檢測速度,自定義符合瑕疵特征的ASPP（atrous spatial pyramid pooling）模塊提高模型精度,并采用Focal Loss損失函數(shù)減少類別不平衡對檢測精度的影響。結(jié)合原始瑕疵樣本以及生成樣本,實現(xiàn)瑕疵在線檢測。為驗證模型的高效性,通過設(shè)置一系列試驗與原始一階模型YOLO及二階模型Faster R-CNN（region-convolutional neutral network）進行對比,結(jié)果表明,提出的輕量級模型在滿足經(jīng)編布瑕疵檢測精度的基礎(chǔ)上,具有更快的檢測速度,是目前人工檢測速度的4～6倍。 

【文章來源】：東華大學(xué)學(xué)報(自然科學(xué)版). 2020,46(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

系統(tǒng)實物圖圖１經(jīng)編布匹瑕疵檢測（ａ）

的ＭＵＮＩＴ模型進行瑕疵樣本擴充，該模型的框架如圖２所示。將瑕疵圖像（Ｘ）編碼為內(nèi)容和風(fēng)格兩部分，將內(nèi)容存儲于共享內(nèi)容空間（Ｃ），而風(fēng)格存儲于不同風(fēng)格空間（Ｓ），如圖２（ａ）所示。輸入正常經(jīng)編布匹樣本（Ｘ１），將其內(nèi)容編碼存儲至共享內(nèi)容空間Ｃ，將共享內(nèi)容空間Ｃ的內(nèi)容與風(fēng)格空間Ｓ２中隨機抽取一份解碼合成新的瑕疵圖像，在這個過程中加入隨機噪聲，如圖２（ｂ）所示。（ａ）瑕疵編碼過程（ｂ）擴充瑕疵樣本過程圖２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ為解決傳統(tǒng)ＧＡＮ因訓(xùn)練不穩(wěn)定而容易出現(xiàn)模式崩潰的問題，改進ＭＵＮＩＴ模型，如圖３所示。通過構(gòu)建多個重構(gòu)過程，在重構(gòu)過程中都加入隨機噪聲，同時使用像素損失和ＧＡＮ損失，在訓(xùn)練過程中將所有的損失函數(shù)聯(lián)合在一起同時優(yōu)化，最終得到訓(xùn)練過程穩(wěn)定、生成瑕疵樣本多樣性好的ＭＵＮＩＴ模型。將正常布匹和瑕疵圖像分別編碼成內(nèi)容和風(fēng)格，再將編碼的內(nèi)容和風(fēng)格重構(gòu)為原始圖像，如圖３（ａ）所示。同理，通過交叉重構(gòu)實現(xiàn)正常布匹與瑕疵布匹的內(nèi)容和風(fēng)格編碼及解碼。此外，為使生成圖像多樣性更好，將正常布匹和瑕疵圖像重構(gòu)的圖像進行再次編碼，然后對原始圖像的內(nèi)容及風(fēng)格進行優(yōu)化，如圖３（ｂ）所示。（ａ）編碼解碼過程（ｂ）交叉編碼解碼再編碼過程圖３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定義ＡＳＰＰ模塊通常神經(jīng)網(wǎng)

的ＭＵＮＩＴ模型進行瑕疵樣本擴充，該模型的框架如圖２所示。將瑕疵圖像（Ｘ）編碼為內(nèi)容和風(fēng)格兩部分，將內(nèi)容存儲于共享內(nèi)容空間（Ｃ），而風(fēng)格存儲于不同風(fēng)格空間（Ｓ），如圖２（ａ）所示。輸入正常經(jīng)編布匹樣本（Ｘ１），將其內(nèi)容編碼存儲至共享內(nèi)容空間Ｃ，將共享內(nèi)容空間Ｃ的內(nèi)容與風(fēng)格空間Ｓ２中隨機抽取一份解碼合成新的瑕疵圖像，在這個過程中加入隨機噪聲，如圖２（ｂ）所示。（ａ）瑕疵編碼過程（ｂ）擴充瑕疵樣本過程圖２ＭＵＮＩＴ模型框架Ｆｉｇ．２ＭＵＮＩＴｍｏｄｅｌｆｒａｍｅｗｏｒｋ為解決傳統(tǒng)ＧＡＮ因訓(xùn)練不穩(wěn)定而容易出現(xiàn)模式崩潰的問題，改進ＭＵＮＩＴ模型，如圖３所示。通過構(gòu)建多個重構(gòu)過程，在重構(gòu)過程中都加入隨機噪聲，同時使用像素損失和ＧＡＮ損失，在訓(xùn)練過程中將所有的損失函數(shù)聯(lián)合在一起同時優(yōu)化，最終得到訓(xùn)練過程穩(wěn)定、生成瑕疵樣本多樣性好的ＭＵＮＩＴ模型。將正常布匹和瑕疵圖像分別編碼成內(nèi)容和風(fēng)格，再將編碼的內(nèi)容和風(fēng)格重構(gòu)為原始圖像，如圖３（ａ）所示。同理，通過交叉重構(gòu)實現(xiàn)正常布匹與瑕疵布匹的內(nèi)容和風(fēng)格編碼及解碼。此外，為使生成圖像多樣性更好，將正常布匹和瑕疵圖像重構(gòu)的圖像進行再次編碼，然后對原始圖像的內(nèi)容及風(fēng)格進行優(yōu)化，如圖３（ｂ）所示。（ａ）編碼解碼過程（ｂ）交叉編碼解碼再編碼過程圖３ＭＵＮＩＴ模型的算法原理Ｆｉｇ．３ＡｌｇｏｒｉｔｈｍｐｒｉｎｃｉｐｌｅｏｆＭＵＮＩＴｍｏｄｅｌ２．２自定義ＡＳＰＰ模塊通常神經(jīng)網(wǎng)

【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)在布匹缺陷檢測中的應(yīng)用[J]. 趙志勇,葉林,桑紅石,桂康.  國外電子測量技術(shù). 2019(08)
[2]應(yīng)用Canny算子的織物疵點檢測改進算法[J]. 胡克滿,羅少龍,胡海燕.  紡織學(xué)報. 2019(01)
[3]基于Gabor濾波器和HOG特征的織物疵點檢測[J]. 湯曉慶,黃開興,秦元慶,周純杰.  計算機測量與控制. 2018(09)
[4]基于CUDA計算GLCM特征值和SVM的織布疵點檢測[J]. 萬東,孫志剛,肖力.  計算機與數(shù)字工程. 2018(04)
[5]基于K-SVD學(xué)習(xí)字典的機織物紋理表征及應(yīng)用[J]. 吳瑩,汪軍.  紡織學(xué)報. 2018(02)



本文編號：3127131