【技术实现步骤摘要】
基于精细化分割网络的皮革缺陷检测方法
[0001]本专利技术涉及皮革表面缺陷检测
,特别涉及一种基于精细化分割网络的皮革缺陷检测方法。
技术介绍
[0002]在皮革原料加工前后, 多种因素会导致表面损伤, 如蝇虫叮咬、烙铁标记、机械拉扯等。皮革作为日用品的必需材料,表面缺陷关乎后续的生产加工工作,决定了产品的使用寿命,随着市场对皮革质量要求的不断提升,这一制约我国制革业发展的因素也变得尤为突出。设计一种自动化的缺陷分割检测技术,对实现我国制革业自动化和产业化具有重要的实际效益。
[0003]在皮革缺陷分割领域,目前的研究主要集中于传统分割算法,如阈值法、边缘法、频谱法和聚类法等。Kumar等人将颜色特征用于阈值分割,提出多级颜色阈值函数检测皮革缺陷;Kasi等人提出一种自适应边缘检测算法,相较Sobel等传统检测器,能够更清晰地提取不规则的皮革缺陷边界;Sobral等人基于小波变换的方法,对特征变化轻微的缺陷也能达到较为精确的分割效果;贺福强等人将粒子群优化算法和模糊聚类算法相结合,以达到全局性和快速收敛性,实现缺陷纹理信息聚类。然而,传统的图像分割算法对光照和颜色变换非常敏感,通常要手动调整阈值,甚至重新设计特征提取器,难以适应实际复杂的工业场景中的缺陷检测。
[0004]近年来,深度学习发展迅速,语义分割作为该领域的分割技术,其自学习特性能够显著降低外界条件对模型造成的干扰,给相关研究带来了新的思路。该技术可以分为以下4类。
[0005](1) 基于编码
‑
解码的技 ...
【技术保护点】
【技术特征摘要】
1.基于精细化分割网络的皮革缺陷检测方法,其特征在于:包括:在编码端, 采用五组卷积层对图像进行特征提取,前三组卷积中, 每组卷积完成后对图像进行最大池化下采样操作, 后两组卷积采用重叠池化的方式代替普通下采样, 得到特征图尺寸为原始图像的1/8;在第五组卷积层引入级联扩张卷积模块进行密集预测;在跳跃长连接中添加了特征融合模块, 采用将高级语义信息引入低级特征的方式, 使低级特征张量编码更多语义信息;在解码端, 将第一层、第二层、第三层、第四层、第五层编码端层级输出的特征图经过特征融合模块后,在每一层级的通道注意力机制解码模块中,将得到的结果与解码端同一层级的特征张量共同作为输入,指导网络自适应地提取缺陷相关通道信息;在路径顶端嵌入了全局平均池化模块(global average pooling module, GAPM), 将其作为第五组卷积层解码模块中的高层语义输入, 指导网络将注意力集中于缺陷形态特征;对分割结果进行量化, 选用语义分割中常用的像素精度(pixel accracy, PA)、平均像素精度(mean pixel accuracy, MPA)、平均交并比(mean intersection over union, MIoU)和加权交并比(frequency weighted intersection over union, FWIoU)作为模型的评价指标;其中, MIoU是语义分割领域中衡量算法精度的通用度量, 作为主要性能指标。2.根据权利要求1所述的基于精细化分割网络的皮革缺陷检测方法,其特征在于:皮革缺陷包含丰富的形态特征, 低层分辨率信息对于皮革正确分割至关重要,采取减少下采样次数的策略, 来缓解低层分辨率信息丢失问题;,上式为感受野计算公式, 其中,和分别表示第l
‑
1和l层感受野, k
l
为第l层卷积核大小, si为第i层步长;可以看出, 取消下采样操作会使si减小, 从而感受野减小, 导致网络识别多尺度缺陷的能力降低,因此,在第五层级引入了级联扩张卷积模块,以克服降低下采样次数损失的感受野;所述级联扩张卷积模块由三个连续的子模块组成, 每个子模块中都包含一个D_conv和一个ReLU激活函数, 其中, D_conv[(3, 3), d]代表扩张卷积运算, (3, 3)和d分别代表卷积核大小和扩张系数;新的卷积核尺寸计算公式如式(2)所示:;其中, kori代表原始卷积核大小, r代表扩张系数, knew为得到的新的卷积核大小,通过改变扩张系数r的方式来调整卷积核尺寸, 从而识别更大范围的缺陷信息, 提高网络识别多尺度缺陷的能力。3.根据权利要求1所述的基于精细化分割网络的皮革缺陷检测方法,其特征在于:由于编码端传递的低层特征与解码端的深层特征语义差别较大, 直接融合会产生鸿沟,导致分割结果不精确,在跳跃长连接中添加特征融合模块,所述特征融合模块通过在低层特征张量中引入高层语义信息的方式, 减少高低特征之间的语义差异;
所述特征融合模块包含融合模块(fusion module, FM)和上采样模块(upsampling module, UM)两部分,将上采样模块生成的高级信息引入低级特征, 使低级特征编码更多语义信息, 获得相对清晰的语义边界,该过程可以用公式表述为:;其中,表示低级特征图,代表经上采样模块生成的中间特征张量,为该层级最终输出特征图, l和T分别代表当前层数和总层数;该式可以描述为: 将第l层输入特征图经过该模块, 生成的作为解码端输入;经过上采样模块, 完成对l+1至T层特征图上采样后的拼接融...
【专利技术属性】
技术研发人员:韩军,王愉锦,黄惠玲,付磊,
申请(专利权)人:泉州装备制造研究所,
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。