多尺度特征自适应融合的轻量化织物瑕疵检测

摘要：

织物瑕疵检测是纺织行业保证产品质量的重要环节,针对织物瑕疵检测中存在小目标瑕疵检测困难、不同种类瑕疵长宽比差异大、对实时性要求高等问题,提出一种新的轻量化织物瑕疵检测算法.以YOLOv4网络为基础,使用轻量化网络MobileNetv2为主干网络,有效减少模型参数总量与运算量,以满足实时性需求.在MobileNetv2的逆残差结构中加入CoordAttention注意力模块,将空间精确位置信息嵌入到通道注意力中,增强网络聚焦小目标特征的能力.使用自适应空间特征融合(ASFF)网络改进路径聚合网络(PANet),使模型通过学习获得多尺度特征图的融合权重,从而充分利用浅层特征与深层特征,提高算法对小目标瑕疵的检测精度.采用K-means++算法确定先验框尺寸,并用Focal Loss函数修改模型损失函数,降低正、负样本不平衡对检测结果的影响,解决不同种类瑕疵长宽比差异大及类别不平衡的问题.实验结果表明,相较于YOLOv4算法,所提算法的平均精度均值提高了2.3个百分点,检测速度提升了12 frame/s,能较好地应用于织物瑕疵检测.

关键词：织物瑕疵检测、自适应空间特征融合、CoordAttention模块、YOLOv4网络、MobileNetv2网络

所属期刊栏目：48

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省交通厅重点项目;西安市未央区科技计划项目;长安大学实验教学改革研究项目

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：288-295