[发明专利]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

说明书

本发明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。

技术领域

本发明涉及织物瑕疵检测技术领域，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。

背景技术

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。纪旋等人针对周期性纺织品存在的拉伸变形问题，提出结合模板校正与低秩分解的纺织品瑕疵检测方法。侍伯山等人提出了一种基于梯度信息低秩分解和结构图算法(PG-NLR)的织物疵点检测方法。龙涵彬等人提出一种基于畸变校正与视觉显著特征的纺织品瑕疵检测方法，通过上下文视觉显著性算法提取卡通层的显著性特征，分离具有高显著性特征的瑕疵与低显著性特征的背景。如今主流的方法是基于传统机器学习和深度学习的方法。许多研究人员将深度学习技术应用于织物缺陷检测问题，并在提高纺织品质量和生产效率方面取得了令人满意的结果。目前，基于深度学习的目标检测器可以分为一级检测器和二级检测器。通常，一级检测器检测速度更快，而二级检测器精度更高。在纺织行业的实际应用中，一般希望在满足检测精度的前提下，检测速度越快越好。蔡兆信等人使用faster-RCNN自动检测纺织品缺陷。得益于faster-RCNN强大的特征工程能力，它实现了令人满意的检测性能。然而，faster-RCNN由于其两阶段目标检测方案而具有很大的时空复杂度。为了能够更好的适用于工业实际生产，几位研究人员分别使用SSD、Mobile-Unet、Cascade_rcnn、YOLO系列等一阶段目标检测网络进行检测纺织品瑕疵。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述和/或现有的检测模型中存在的问题，提出了本发明。

因此，本发明所要解决的问题：如何提高检测精度。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述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的一种优选方案，其中：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。