文档介绍：残差网络在织物疵点检测的应用
该论文来源于网络，本站转载的论文均是优质论文，供学****和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。
【摘 要】 目前织物疵点仍然由人工检测，准确率低而且成本高，卷积神经网络的发展促使疵点检测进入了一个新的阶段。其中，残差网络在织物疵点检测中应用越来越广，通过比较近年残差网络在疵点检测的应用，得出结合残差网络能够提升疵点的检测。
【关键词】 疵点检测 Resnet 卷积神经网络
布匹质量的优劣对纺织品生产的效益影响巨大，而且中国是世界上最大的服装生产国、消费国和出口国，因此，织物的疵点检测在纺织品生产中是尤为关键的一环。但目前，我国的布匹检测依然使用人工检测的方式进行。但利用人工检测方式存在主观性强，效率低以及成本高的问题。工人在长时间检测布匹之后会出现眼睛疲劳，对眼睛有害以及检测效率会越来越低。因此，使用疵点自动化检测成为了提高布匹质量的必然趋势。
现有的布匹瑕疵检测方法主要分为：基于结构分析、频谱分析、基于模型分析、学****分析等几大类。KarleKar等人[1]提出了一種结合小波变换和形态学的算法，通过检测布匹纹理来提取瑕疵信息。邓超等人[2]提出一种基于边缘检测的快速检测算法，利用形态学处理和离散余弦变换自动检测布匹疵点。Jia等人[3]通过形态学成分分析对团重复的网格花纹布匹自动分割，再通过Gabor滤波器检测疵点信息。Li等人[4]将织物图像分割成大小相同的碎块，利用疵点和无疵点样本对基于Fisher准则叠置的去噪自编码进行训练，计算了重建图像与缺陷图像之间的残差，并通过阈值法对缺陷进行定位。随着卷积神经网络的兴起，被利用于各个领域。随着卷积神经网络的兴起，被利用于各个领域。目前出现了VGG[1]、Resnet[2]、Densenet[3]等很多优秀的分类网络，有一部分也被应用于织物的疵点检测中。残差网络应用于疵点检测也越来越多。
由于Faster R-CNN分类检测率高，因此该算法在织物疵点检测中使用率最高。晏琳[4]等人通过把将ImageNet分类预训练后得到的VGG16、Resnet101模型分别用于进行Faster R-CNN共享卷积层的初始化以得到初始参数及权重，将污渍、断纬、线条、褶皱四种疵点数据集放入整个模型中进行训练。Resnet101在测试集中，相较于原始的VGG16网络，%左右，这是由于Resnet101引入了残差学****模块，残差学****将神经网络的输出H（x）变为F（x）=H（x）-x，减弱了因为卷积层数过多而造成的梯度消失现象，提高了检测的准确率。另外，测试了不同的非极大值抑制前后候选区域个数对mAP值得影响，发现随着数量的减少，模型保留的锚数也随之减少，导致检测结果的mAP值下降。因此，选用相对较高的nms候选区域个数能够得到较好的检测结果。最终，采用调优的参数配置后，Faster R-CNN+ Resnet101模型得到的部分检测结果中，，，，