结合注意力机制与自适应记忆性融合网络的瑕疵检测方法技术

本发明专利技术公开了一种结合注意力机制与自适应记忆性融合网络的织物瑕疵检测方法，包括训练阶段和测试阶段；所述训练阶段通过对带标签瑕疵图像的训练得到一个模型；所述测试阶段使用所述训练阶段通过训练得到的所述模型进行织物瑕疵的检测与识别。本发明专利技术提出结合注意力机制与自适应记忆性融合网络的织物瑕疵检测方法与Faster_rcnn、Cascade_rcnn、YOLOv3、YOLOv4以及YOLOv5m、YOLOv5l、YOLOv5x等现有目标检测模型的实验结果比较分析，具有较高的检测精度和检测速度。测精度和检测速度。测精度和检测速度。

【技术实现步骤摘要】
结合注意力机制与自适应记忆性融合网络的瑕疵检测方法


[0001]本专利技术涉及织物瑕疵检测
，特别是结合注意力机制与自适应记忆性融合网络的瑕疵检测方法。

技术介绍

[0002]当前，已经采用的纺织品瑕疵检测方法可以分为结构类方法、统计类方法、模型类方法和基于学习的方法。在结构类方法中，通常以纹理作为基本单元，提取纺织品纹理的结构特征，并且结合其位置规律进行分析和检测。王维珍等人根据结构相似性最小原则定位缺陷图像块，并使用距离测量和阈值分割来定位缺陷。刘建华等人训练了一个基于织物纹理结构的生成对抗网络来检测缺陷。在统计类方法中，使用一阶和二阶统计来提取和处理图像纹理特征，通过自相关函数和共生矩阵有效检测有色织物瑕疵。李峰等人结合多向二元算子和灰度共生矩阵(GLCM)，提出了一种无图案织物的缺陷检测方法。刘周峰等人通过织物的主要局部二值模式(LBP)特征来检测织物缺陷。赵翠芳等人将边缘方向梯度的金字塔直方图与支持向量机(SVM)相结合，并将其应用于织物缺陷检测。在基于模型的方法中，通过服从特定分布模型的织物纹理来解决纺织品缺陷检测问题。纪旋等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：包括训练阶段和测试阶段；所述训练阶段通过对带有标签的织物瑕疵数据集进行训练得到织物瑕疵检测模型；所述测试阶段通过所述训练阶段得到的织物瑕疵检测模型进行检测与识别。2.如权利要求1所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：所述训练阶段包括以下步骤，将带有标签的瑕疵图像输入骨干网络SCNet中，提取不同尺度瑕疵特征；所述瑕疵特征通过自适应记忆性特征融合网络进行不同尺度瑕疵特征融合和浅层定位信息增强，得到三个不同尺度结合了浅层定位信息和高层语义信息的特征图；在所述特征图的基础上，根据groundtruth，进行损失计算；使用随机梯度算法SGD进行反向传播，更新网络权重。3.如权利要求2所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：所述测试阶段包括以下步骤，将测试瑕疵图像输入到训练好的织物瑕疵检测模型中；所述测试瑕疵图像通过所述骨干网络SCNet提取基本特征，获得不同尺度瑕疵特征图；所述瑕疵特征通过自适应记忆性特征融合网络进行不同尺度瑕疵特征融合，得到结合了浅层定位信息和高层语义信息的特征图；根据所述训练阶段训练好的织物瑕疵检测模型权重，得到预测框。4.如权利要求2或3所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：所述骨干网络SCNet引入了SCBAM注意力机制，通过所述SCBAM注意力机制对所述带有标签的瑕疵图像进行特征提取。5.如权利要求4所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：在SCBAM通道维度中使用软池化SoftPool进行下采样，在反向传播期间，内核领域R内的所有激活将至少被分配一个最小梯度值。6.如权利要求5所述的结合注意力机制与自适应记忆性融合网络的瑕疵检测方法，其特征在于：SoftPool使用内核领域R内激活的平滑最大近似值，每个激活a
i
都被赋予权重w
i
，该权重为该激活的自然指数相对于邻域R内所有激活的自然指数之和的比值:式中，e为自然常数，a
i
表示激活，w
i
表示权重，SoftPool方法的输出值是通过对内核领域R内所有激活的加权求和得到的:式中，a
i
表示激活，w
i
表示权重。7.如权利要...

【专利技术属性】
技术研发人员：狄岚，邓世爽，顾雨迪，余越，
申请(专利权)人：江南大学，
类型：发明
国别省市：