基于改进CascadeR-CNN的织物瑕疵检测方法
Journal of Shanghai Normal University (Natural Sciences)（2023）
摘要
制造业瑕疵检测问题是工业产品的关键环节,其中织物瑕疵检测尤为关键.针对织物图像尺寸大、局部瑕疵数量少、图像背景复杂等问题,设计了一种基于Cascade R-CNN融合尺度不变特征的织物瑕疵检测方法.通过训练具有多个递增交并比(IoU)阈值的级联检测网络,解决了传统深度神经网络的过拟合和错配问题;针对工业生产上存在的待检测图片发生倾斜、偏转和迁移等问题,通过尺度不变特征变换(SIFT)算法对待检测织物图进行预处理,将其正确定位到模板图上对应位置后,再进行瑕疵检测;借鉴孪生学习的思路,通过扩充输入通道,同时输入并分析待检测的图像和模板,提高了瑕疵检测的精度.实验结果表明:该模型能够有效地完成瑕疵检测任务,可对7类织物瑕疵进行检测与分类,平均精度均值达87.5％.
更多查看译文
关键词
fabric defect detection,cascade r-cnn,scale invariant feature transform(sift),twin learning
AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要