【技术实现步骤摘要】
基于改进Faster R-CNN的疵点检测方法
[0001]本专利技术涉及计算机视觉目标检测领域,具体涉及一种基于改进Faster R-CNN的疵点检测方法。
技术介绍
[0002]服装行业作为一条大的产业链也是重要的民生支柱产业,其产品在生产过程中,由于设备及工艺的影响,表面往往会出现各种缺陷,我国虽是一个纺织品生产大国,但目前掌握的有关疵点检测方面的知识却相当落后。传统的人工视觉检测方法易忽略面料的细节特点,导致识别定位的精度不高、效率低下,因此越来越多的工厂开始利用机器来代替人工进行质检。利用机器视觉代替人工视觉,避免大部分因人工检测所造成的误差,也相应提高了检测精度和效率。
[0003]近年来,基于深度学习的方法在视觉系统、语音检测和文档分析等领域中得到越来越广泛的应用,相比于人工提取特征,深度学习技术能够利用多层神经网络对图像进行处理,进而获得图像局部信息和深层信息。目前在深度学习目标检测算法中,Faster R-CNN算法性能优越,能同时兼顾实时性、准确性和鲁棒性。继R-CNN和Fast R-CNN之后,为了进一步优化性能、减少检测网络运行时间,Ross Girshick等人在2016年提出了新的目标检测方法Faster R-CNN。Faster R-CNN由区域生成网络(Region Proposal Networks,RPN)和Fast R-CNN两部分构成,共享卷积层的存在使得目标候选区域的检测时间大大缩短,提高了目标检测的效率。但是,Faster R-CNN算法依然存在一定的不足之处,原始 ...
【技术保护点】
【技术特征摘要】
1.基于改进Faster R-CNN的疵点检测方法,其特征在于,包括以下步骤:步骤1:对原始疵点图像进行预处理获取二值图像,建立图像集合:训练集、验证集、测试集;步骤2:建立Faster R-CNN网络模型:引入特征金字塔网络模型适应小目标检测,对Softmax分类器进行正则化用于减小类内间距增大类间间距,采用Soft-NMS算法去除多余框;将二值图像输入该模型迭代训练优化模型参数;步骤3:将测试集图像输入优化后的Faster R-CNN网络模型,获取疵点检测分类结果。2.根据权利要求1所述的基于改进Faster R-CNN的疵点检测方法,其特征在于,所述步骤2包括:步骤2-1:将二值图像输入共享卷积层获取特征图;步骤2-2:利用多尺度金字塔网络FPN处理特征图,获取当前二值图像的多尺度特征图;步骤2-3:将多尺度特征图输入RPN网络,所述RPN网络包括卷积层、边框回归模块、Softmax分类器、Soft-NMS算法模块,用于生成疵点候选区域并提取;步骤2-4:将多尺度金字塔网络FPN输出的多尺度特征图、RPN网络输出的疵点候选区域均输入Fast R-CNN网络,所述Fast R-CNN网络包括:ROI Pooling层、全连接层、边框回归模块、Softmax分类器、Soft-NMS算法模块,用于将RPN网络提取的疵点候选区域映射到多尺度特征图中,精确检测出不同尺度的疵点并以锚框显示。3.根据权利要求2所述的基于改进Faster R-CNN的疵点检测方法,其特征在于,所述共享卷积层采用VGG16网络。4.根据权利要求2所述的基于改进Faster R-CNN的疵点检测方法,其特征在于,所述步骤2-3具体包括:a.利用卷积层进一步提取特征;b.分成两路处理:一条进行正则化Softmax分类处理,获取不同尺度特征图的疵点识别;一条进行边界回归处理获取不同尺度的疵点边界检测框;c.采用Soft-NMS算法模块去除多余检测框,并将多尺度特征图的疵点位置以检测框显示在图像上。5.根据权利要求2所述的基于改进Faster R-CNN的疵点检测方法,其特...
【专利技术属性】
技术研发人员:郑飂默,安萌,王诗宇,李备备,姜志超,辛丽,刘信君,
申请(专利权)人:沈阳中科数控技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。