一种基于改进Faster-RCNN的布料缺陷检测方法技术

本发明专利技术公开了一种基于改进Faster

【技术实现步骤摘要】
一种基于改进Faster
‑
RCNN的布料缺陷检测方法


[0001]本专利技术涉及目标检测
，特别涉及一种基于改进Faster
‑
RCNN的布料缺陷检测方法。

技术介绍

[0002]布料是日常生活中常见的物品之一，也是我国主要的工业产品。随着人民生活水平的提高和出口贸易的发展，布料的供应需求也在高速增长，但是需求量增长的同时，布料的质量也愈显重要。在生产布料的过程中会出现孔洞、污渍、划痕等缺陷，所以，我们需要把布料的表面缺陷正确识别，防止把有缺陷的布料交给客户。
[0003]目前，检测布料表面缺陷的主要方式，依旧是人眼目测判断，这样不仅检测效率比较低下，还容易造成漏检、误检的情况，浪费了人力物力资源提高了生产成本。随着近年来计算机计算能力的提高以及神经网络算法的优化，深度学习得到了快速发展。越来越多的工厂采用深度学习等智能的检测手段来取代人工检测，可以大大降低人力成本，提高检测效率。Faster
‑
RCNN算法是常见的目标检测算法，但是其对小目标的检测能力不够好。

技术实现思路

[0004]为了克服现有技术的上述缺点与不足，本专利技术的目的在于提供一种基于改进Faster
‑
RCNN的布料缺陷检测方法。本专利技术将Faster
‑
RCNN算法进行改进，用于布料的缺陷检测，解决了工厂在布料检测过程中小目标缺陷检测效果差，精确率低下的问题。
[0005]本专利技术的目的通过以下技术方案实现：r/>[0006]一种基于改进Faster
‑
RCNN的布料缺陷检测方法，包括：
[0007]收集布料缺陷图片，并对缺陷图片进行处理，得到数据集，并将数据集划分为训练集和验证集；
[0008]构建Faster
‑
RCNN的主干网络，所述主干网络以注意残差模块进行搭建，利用FPN网络进行多尺度特征融合，得到大小不同的预测特征层；
[0009]构建RPN网络，用于对大小不同的预测特征层生成Anchor并回归，得到候选框；
[0010]将候选框投影到大小不同的预测特征层得到特征图，并将特征图缩放到同一尺寸；
[0011]将得到的同一尺寸特征图，利用全连接层得到分类结果。
[0012]进一步，所述收集布料缺陷图片，并对缺陷图片进行处理，得到数据集，并将数据集划分为训练集和验证集，具体为：
[0013]拍摄获得布料的缺陷图片；
[0014]将获取的缺陷图片利用labelImg标注工具进行标注；
[0015]通过对缺陷图片进行数据增强
‑
随机水平翻转，扩充数据集；
[0016]将数据集内的照片进行标准化处理；
[0017]将标准化处理后的数据分为训练集和验证集。
[0018]进一步，所述主干网络以注意残差模型进行搭建，具体为：
[0019]所述主干网络是以Resnet50网络结构为主体，包括卷积层、最大池化层、和残差子模块，将注意力机制模块Senet嵌入到各个残差模块中。
[0020]进一步，所述残差子模块包括主分支和捷径分支，主分支依次包括第一个1
×
1卷积，3
×
3卷积及第二个1
×
1卷积，在每个卷积层加入批归一化层和非线性激活函数，捷径分支直接经过1
×
1卷积和批归一化层，3个残差子模块构成残差模块layer1，4个残差子模块构成残差模块layer2，6个残差子模块构成残差模块layer3，3个残差子模块构成残差模块layer4。
[0021]进一步，所述注意力机制模块Senet嵌入到每个残差模块的第一个1
×
1卷积之前。
[0022]进一步，所述注意力机制模块Senet具体过程如下：
[0023]先用全局平均池化将输入进来的特征图的宽度高度缩减到1，然后利用两次1
×
1卷积，第一次1
×
1卷积的输出通道数比较小，第二次1
×
1卷积再恢复原来输入特征图的通道数，经过两次卷积后再利用Sigmoid函数将通道数的参数权值变成0
‑
1之间，将获得的权值和输入特征图相乘，进而得到输入特征图中通道的重要程度。
[0024]进一步，所述利用FPN网络进行多尺度特征融合，得到大小不同的预测特征层，具体为：
[0025]将残差模块获得的特征图F1,F2,F3,F4进行1
×
1卷积改变特征图的深度为256，然后再进行自顶向下融合，得到融合后的四个特征图P4,P3,P2,P1，利用步距为2的1
×
1卷积对P4进行卷积得到第五个特征图P5。
[0026]进一步，所述候选框还包括采用二分类结果判断候选框是否包含缺陷，候选框包含前景则保留，将宽高小于阈值的候选框滤除，得到剩余候选框的位置信息。
[0027]进一步，将得到的同一尺寸特征图，利用全连接层得到分类结果，具体为：
[0028]将获得的同一尺寸大小的特征图，经过展平和两次全连接层获得对应的特征向量；
[0029]将特征向量通过一次全连接层获得候选框的回归参数，用于对候选框的位置进行修订；
[0030]将上一个步骤获得的特征向量再通过一次全连接层获得目标分类分数。
[0031]进一步，所述将候选框投影到大小不同的预测特征层得到特征图，并将特征图缩放到同一尺寸，具体是经过ROIAlign将特征图缩放到同一尺寸。
[0032]与现有技术相比，本专利技术具有以下优点和有益效果：
[0033](1)本专利技术将注意力机制模块嵌入主干网络，得到通道之间的重要性，加强了特征提取能力。
[0034](2)本专利技术设置了一个多层次信息提取网络，将不同残差卷积模块得到的特征图进行融合，提高了小目标缺陷的定位检测能力。
[0035](3)本专利技术采用端到端的网络架构，将网络模型作为一个整体来训练学习，可迁移能力强，实施简单易上手。
附图说明
[0036]图1为本专利技术的流程图；
[0037]图2为本专利技术的网络结构图；
[0038]图3为本专利技术主干网络的具体网络结构图；
[0039]图4为本专利技术注意力机制模块Senet网络结构图；
[0040]图5为本专利技术残差子模块结构图；
[0041]图6为本专利技术残差注意力子模块结构图；
[0042]图7(a)
‑
图7(f)为本专利技术在布料数据集上的测试结果示意图。
具体实施方式
[0043]下面结合实施例，对本专利技术作进一步地详细说明，但本专利技术的实施方式不限于此。
[0044]如图1
‑
图6所示，一种基于改进Faster
‑
RCNN的布料缺陷检测方法，包括如下步骤：
[0045]步骤一：收集布料缺陷图片，并对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Faster
‑
RCNN的布料缺陷检测方法，其特征在于，包括：收集布料缺陷图片，并对缺陷图片进行处理，得到数据集，并将数据集划分为训练集和验证集；构建Faster
‑
RCNN的主干网络，所述主干网络以注意残差模块进行搭建，利用FPN网络进行多尺度特征融合，得到大小不同的预测特征层；构建RPN网络，用于对大小不同的预测特征层生成Anchor并回归，得到候选框；将候选框投影到大小不同的预测特征层得到特征图，并将特征图缩放到同一尺寸；将得到的同一尺寸特征图，利用全连接层得到分类结果。2.根据权利要求1所述的布料缺陷检测方法，其特征在于，所述收集布料缺陷图片，并对缺陷图片进行处理，得到数据集，并将数据集划分为训练集和验证集，具体为：拍摄获得布料的缺陷图片；将获取的缺陷图片利用labelImg标注工具进行标注；通过对缺陷图片进行数据增强
‑
随机水平翻转，扩充数据集；将数据集内的照片进行标准化处理；将标准化处理后的数据分为训练集和验证集。3.根据权利要求1所述的布料缺陷检测方法，其特征在于，所述主干网络以注意残差模型进行搭建，具体为：所述主干网络是以Resnet50网络结构为主体，包括卷积层、最大池化层、和残差子模块，将注意力机制模块Senet嵌入到各个残差模块中。4.根据权利要求3所述的布料缺陷检测方法，其特征在于，所述残差子模块包括主分支和捷径分支，主分支依次包括第一个1
×
1卷积，3
×
3卷积及第三个1
×
1卷积，在每个卷积层加入批归一化层和非线性激活函数，捷径分支直接经过1
×
1卷积和批归一化层，3个残差子模块构成残差模块layer1，4个残差子模块构成残差模块layer2，6个残差子模块构成残差模块layer3，3个残差子模块构成残差模块layer4。5.根据权利要求4所述的布料缺陷检测方法，其特征...

【专利技术属性】
技术研发人员：杜娟，陈建，潘华杰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：