[发明专利]一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法

说明书

本发明属于织物瑕疵检测技术领域，具体涉及一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法。一种织物瑕疵检测模型，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头，通过在网络的特定位置引入降噪的冲突过滤残差收缩模块，减少在织物瑕疵检测任务中存在的复杂背景干扰和噪声带来的错检漏检等问题，相较于现有的先进检测模型在检测精度和效率指标上都具有较大的优势，同时也很好地满足工业场景中的实时性要求。

技术领域

本发明属于织物瑕疵检测技术领域，具体涉及一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法。

背景技术

纺织行业在我国的国民经济发展中一直占据着重要地位。在纺织工业生产中织物不仅作为制作服装的基础材料，而且可作为其他装饰类和工业类的原材料进行再加工。随着经济发展和人民生活水平的提高，市场对产品质量的要求逐渐升高，需要专业的质检人员检查纺织品的瑕疵并剔除不合格布匹。人工检测的方法不仅效率低成本高，而且会受检测人员的主观因素影响导致误检或漏检。因此，设计一种高效的自动化织物瑕疵检测方法是非常有必要的。

近些年来，卷积神经网络(CNNs)在图像分类、检测和分割等任务上占据愈来愈重要的地位，大量的研究人员参与其领域并改进出各式各样的网络模型。在目标检测方向，同样涌现出大量优秀的研究工作，具有代表性的有如R-CNN和YOLO系列的检测模型，其中YOLO系列因其检测速度快和模型轻量的优点，在众多模型中脱颖而出并占据一席之地，但目前的织物瑕疵检测任务中存在噪声干扰和检测速度慢等问题，现有的先进检测模型在检测精度和效率指标上也有待提高。

发明内容

本发明的目的在于提供一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法，通过在网络的特定位置引入降噪的冲突过滤残差收缩模块，减少在织物瑕疵检测任务中存在的复杂背景干扰和噪声带来的错检漏检等问题，相较于现有的先进检测模型在检测精度和效率指标上都具有较大的优势，同时也很好地满足工业场景中的实时性要求。

为实现以上目的，本发明采用以下技术方案：

本发明实施例第一方面提供一种织物瑕疵检测模型，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头；

主干网络包括依次连接的输入层、集中层、第一卷积瓶颈层、第二卷积瓶颈层、第三卷积瓶颈层、第四卷积瓶颈层和空间金字塔快速池化模块；

高效特征金字塔网络包括依次连接的第一卷积块、第一融合瓶颈层、第一融合卷积层、第二融合瓶颈层、第二卷积块、第二融合卷积层、第三融合瓶颈层、第三卷积块、第四融合瓶颈层、第四卷积块和第五融合瓶颈层，第一融合卷积层和第四融合瓶颈层相连，第一卷积块和第五融合瓶颈层相连；

第一卷积瓶颈层和第二融合卷积层相连，第二卷积瓶颈层分别和冲突过滤残差收缩模块、第二融合瓶颈层相连，第三卷积瓶颈层分别和冲突过滤残差收缩模块、第一融合瓶颈层连接，空间金字塔快速池化模块和第一卷积块相连，第一卷积块经上采样后和第一融合卷积层相连；

冲突过滤残差收缩模块分别和第三融合瓶颈层、第四融合瓶颈层相连；

第三融合瓶颈层、第四融合瓶颈层、第五融合瓶颈层分别与三个预测头连接。

作为优选方案，冲突过滤残差收缩模块包括输入层、带有激活函数的逐点卷积块、不带有激活函数的卷积块、不带有激活函数的深度卷积块、第一图片相加处理层、SE模块、软阈值化函数层、第二图片相加处理层和第二整流线性单元激活函数；

SE模块包括依次连接的全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层、第一激活函数层、图片相乘处理层，全局平均池化层和图片相乘处理层相连；