[发明专利]一种基于改进RefineDet的织物疵点检测方法

权利要求书

1.一种基于改进RefineDet的织物疵点检测方法，其特征在于，包括以下步骤：

步骤1、收集织物图像并进行预处理得到数据集，将数据集按比例划分为训练集与测试集；

步骤2、将步骤1的训练集中的训练样本依次输入到基于改进RefineDet的织物疵点检测网络中，改进RefineDet的织物疵点检测网络利用加入注意力机制的特征提取模块中进行特征提取，得到提取后的特征图；

步骤3、将提取后的特征图进行融合后输入SE模块，利用SE模块对特征图中的疵点进行分类，并利用目标定位模块ODM预测每个类别的疵点的目标的置信度值，改进RefineDet的织物疵点检测网络最终预测得到训练样本的每个类别的疵点目标的坐标；

步骤4、利用异步梯度下降的训练策略调整改进RefineDet的织物疵点检测网络的参数，得到基于改进RefineDet的织物疵点检测模型；

步骤5、将测试集中的测试样本依次输入基于改进RefineDet的织物疵点检测模型，得到测试样本中的每个类别的疵点目标的坐标，并在测试样本图像中按不同类别分别框出疵点目标。

2.根据权利要求1的基于改进RefineDet的织物疵点检测方法,其特征在于，所述步骤1中的预处理为将收集到的织物图像并进行疵点的标记，记录下织物图像中疵点所在位置与类别，并通过随机裁剪和旋转来增强训练数据，得到数据集。

3.根据权利要求1的基于改进RefineDet的织物疵点检测方法,其特征在于，所述SE模块的数量为四个，能处理得到4种不同尺寸的特征图。

4.根据权利要求2的基于改进RefineDet的织物疵点检测方法,其特征在于，所述步骤2中加入注意力机制的特征提取模块为改进的ANCHOR细化模块，改进的ANCHOR细化模块相比常规ANCHOR细化模块的改进方式为，在ANCHOR细化模块中的VGG16网络的基础上，对网络进行修改，将VGG16网络的最后两个完全连接层和最后一个池化层去掉，将VGG16网络修改为完全卷积网络，并对修改后的网络重新进行训练。

5.根据权利要求1的基于改进RefineDet的织物疵点检测方法,其特征在于，步骤4中，利用梯度下降的训练策略调整改进RefineDet的织物疵点检测网络的参数，得到织物疵点检测模型的训练方法为：

步骤41、设置学习率和和权重衰减值，设置最大迭代次数；

步骤42、将训练集图像的训练样本依次输入基于改进RefineDet的织物疵点检测网络；

步骤43、改进RefineDet的织物疵点检测网络预测训练样本的每个类别的疵点目标的坐标；

步骤44、通过损失函数计算步骤43中预测的疵点目标的坐标和图像上标记的疵点的实际位置坐标之间的差异值；

步骤45、根据学习率、权重衰减值和步骤44中的差异值调整基于改进RefineDet的织物疵点检测网络的参数，返回步骤42，直到遍历完训练集中所有的训练样本；

步骤46、迭代次数增加1，判断迭代次数是否达到最大迭代次数，若否，则转到步骤42，若是，则保存最后一次迭代的参数，生成基于改进RefineDet的织物疵点检测模型。

6.根据权利要求4的基于改进RefineDet的织物疵点检测方法,其特征在于，步骤45中的损失函数计算的损失为ARM和ODM损失之和，总损失损失函数计算方式为：

其中，i是训练批次中标记框的索引；N_arm和N_odm分别指的是Anchor细化模块和目标检测模块中正样本Anchor步骤的数目；p_i指的是预测的anchori是一个目标的置信度；x_i指的是ARM细化后预测的Anchori的坐标；c_i是目标检测模块中预测标记框的物体类别；t_i是目标检测模块中预测标记框的坐标；L_b表示二元分类损失，即目标与非目标的交叉熵损失；L_r表示回归损失；L_m表示多类别分类损失；指数函数表示当框i属于缺陷类时，输出1，否则为0；是anchori真实的类别标签；是Anchori真实的位置和大小。