[发明专利]基于注意力机制的全卷积网络织物疵点检测方法

说明书

本发明提出了一种基于注意力机制的全卷积网络织物疵点检测方法，其步骤为：首先，采用改进的VGG16网络提取织物图像的多级多尺度中间深度特征图，并通过注意力机制进行处理，得到多级、多尺度深度特征图；然后，利用双线性插值分别对多级、多尺度深度特征图进行上采样，得到尺寸相同的多级特征图，并利用短连接结构进行融合得到多级显著图；最后，采用加权融合对多级显著图进行融合，获得疵点图像的最终显著图。本发明综合考虑了织物图像复杂的疵点特征和多样背景，通过模仿人类视觉注意力认知的注意力机制，提升对织物图像的表征能力，消除图像中的噪声影响，使得检测结果具有更高的自适应性和检测精度。

技术领域

本发明涉及纺织品图像处理技术领域，特别是指一种基于注意力机制的全卷积网络织物疵点检测方法。

背景技术

织物缺陷检测是纺织制造业质量控制的必要步骤。织物瑕疵本身的种类和特征是多种多样的，这也就增加了缺陷检测问题的复杂性，使其难以设计一种广义的方法。许多工厂通常采用人工视觉方法，人的观察是有限的，长时间连续工作的工人可能会因为疲劳而产生误检，漏检等，造成额外的物力和财力的损失。因此，纺织业一直在发展实现织物检查自动化，以便进行一致的评估布料的质量。

早期织物检测算法主要使用手工制作的特征去捕捉局部细节和全局背景信息，缺少高级语义信息，限制了其对织物背景复杂的疵点的检测。视觉显著性的概念是受到人类视觉系统的启发，在一幅图片中，人类能够自动捕捉到最为关键的部分，过滤掉背景及其他物体的干扰，将其运用到疵点检测可以得到优于传统算法的检测效果。基于视觉显著性的检测方法有经典的统计分析方法，频域分析方法和字典学习等，虽然取得一定的效果，但是提取特征不能很好的描述复杂的织物纹理，显著度计算方法不能满足工业现场的要求，对疵点与背景差别较小的织物图像检测效果差强人意。

卷积神经网络CNN(Convolutional Neural Network)在语义分割、图像分类、物体检测等视觉类任务方面以其强大的特征提取能力而备受关注。相关学者提出将CNN与显著性检测相结合，应用到疵点的检测和定位方面。基于CNN的显著性检测方法在近几年发展迅速，文献[Hou Q,Cheng M M,Hu X,et al.Deeply supervised salient object detectionwith short connections[C]//Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition.2017:3203-3212.]提出了将短连接结构加入CNN检测模型，连接深层特征与浅层特征的方法，生成最终的显著性图。文献[Liu N,Han J,Yang MH.PiCANet:Learning pixel-wise contextual attention for saliency detection[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2018:3089-3098.]提出识别相关的上下文区域并为每个像素构建信息性上下文特征，以实现更好的检测结果。文献[Kroner A,Senden M,Driessens K,etal.Contextual Encoder-Decoder Network for Visual Saliency Prediction[J].arXivpreprint arXiv:1902.06634,2019.]提出同时使用空洞卷积捕捉不同尺度的特征，并将结构与全局场景信息相结合，生成最终的显著性图。