一种基于深度学习的织物图像数据增强方法技术

本发明专利技术提供一种基于深度学习的织物图像数据增强方法，包括使用Rea l‑ESRGAN进行无监督盲超分辨率，无需LR‑HR图像数据对和先验标定。超分辨率式数据增强不改变数据空间特征分布，可直接沿用增强前的标注信息。针对织物图像特征，该方法调整高阶分辨率退化模块，采用泊松噪声代替高斯噪声，减少模型训练难度。此外，设计了局部模糊判别损失函数，抑制超分辨率模型在处理织物图像时产生的局部模糊和伪影，稳定模型训练。实验结果显示，该方法提高了模型准确率、召回率和平均准确度，优于传统视觉数据增强方法。该方法具有创新性，为织物图像数据增强提供了新的解决方案。

【技术实现步骤摘要】

本专利技术涉及织物瑕疵检测，具体为一种基于深度学习的织物图像数据增强方法。

技术介绍

1、不论是机器学习还是深度学习，数据都是最重要的驱动力。对于织物瑕疵检测任务来说，织物瑕疵的类别繁多，在同一个类别内，存在着布匹花色、纹理等客观差异，这就导致了同一个类别内样本间的差异过大。而织物瑕疵数据的采集困难、开源织物瑕疵数据集质量不一、专业性差等问题，一直困扰着从事织物瑕疵检测研究的学者们。同时，少样本学习任务容易出现过拟合的现象，会使训练完成的网络鲁棒性较差，对此，通过一定的算法对已有织物数据集进行扩充，以达到增多训练数据、提升数据集质量的效果，数据增强便是解决途径之一。

2、数据增强可以分为基于传统视觉的数据增强方法以及基于深度学习的数据增强方法。基于传统视觉的数据增强方法对模型性能的提升有限，且因传统视觉增强方式对图像特征分布改变的能力有限，会加大模型过拟合的风险。在这之中，基于深度学习的生成式的数据增强方法更符合深度学习检测任务的要求，已被广泛地应用于织物瑕疵检测等下游任务。

3、综上，基于深度学习的织物图像数据增强研究大多为纯生成本文档来自技高网...

【技术保护点】

1.一种基于深度学习的织物图像数据增强方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的织物图像数据增强方法，其特征在于，所述S102具体包括：

3.根据权利要求1所述的一种基于深度学习的织物图像数据增强方法，其特征在于，所述S103具体包括：

4.根据权利要求1所述的一种基于深度学习的织物图像数据增强方法，其特征在于，所述S106具体包括：

【技术特征摘要】

1.一种基于深度学习的织物图像数据增强方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的织物图像数据增强方法，其特征在于，所述s102具体包括：

3.根据权利...

【专利技术属性】
技术研发人员：戴宁，胡潇寒，胡旭东，袁嫣红，徐开心，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：