[发明专利]一种基于改进RefineDet的织物疵点检测方法

说明书

本发明提出了一种基于改进RefineDet的疵点检测方法，主要步骤为：首先，将VGG16改为全卷积网络对织物图像特征进行提取；其次，为了获取疵点重要的特征并抑制不必要的特征，在ANCHOR细化模块中加入了注意力机制；为了提高网络的分类性能，在传输连接中加入了SE模块；最后，目标检测模块将检测的结果回归到准确的目标位置，并预测疵点的类别，对疵点进行定位。结果表明:本发明算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7％，比传统RefineDet检测方法均值平均精度提高了5.0％，具有良好的分类和定位效果。

技术领域

本发明涉及计算机视觉技术领域，涉及一种基于改进RefineDet的织物疵点检测方法。

背景技术

在纺织产品的生产过程中，质量控制贯穿着整个过程。有质量问题的织物会在很大程度上影响其价格，因此对织物进行疵点检测，是成品布出厂的最后一道工序，也是控制成布质量的关键环节。传统的织物疵点检测方法，主要是以人工检测的方式为主。人工检测需要大量劳动力，且容易受到检测员主观因素和外界环境等客观因素的影响，出现误检和漏检的问题，导致检测效果差。为了提高织物疵点检测的效率，从20世纪90年代开始，研究者们就提出了大量的基于图像处理的织物疵点自动检测方法。不仅如此，自2015年开始，深度学习的方法被引入到织物疵点检测领域，这些方法突破了传统织物疵点检测的局限性，算法性能得到了大大提升。从而实现了利用深度学习对织物疵点进行检测的高效方法。

发明内容

本发明的目的是提供一种基于改进RefineDet的织物疵点检测方法，所得的混凝土具有优异的工作性能、力学性能、抗裂性和抗冲磨性能。

为达到上述目的，本发明采用的技术方案为：

一种基于改进RefineDet的织物疵点检测方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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；