10.3969/j.issn.1001-7415.2023.02.009
基于Swin Transformer的两阶段织物疵点检测
为了提高织物疵点检测的精准率,提出了一种基于Swin Transformer的两阶段织物疵点检测网络模型.首先,使用Swin Transformer替代传统的卷积神经网络来进行特征提取,以获得织物图像的分层特征;其次,使用神经网络架构搜索法来获取最佳特征融合网络,以得到准确的小尺寸疵点特征;最后,将融合后的特征送入多级区域建议网络,通过k?means选取最佳的候选框来进行疵点分类和位置回归.试验结果表明:对于结头、破洞等20种疵点,该疵点检测方法的mAP@0.5达到0.575;与标准的Cascade RCNN模型相比,该研究模型的mAP@0.5提升了38.1%.认为该研究提出的算法能够更好地识别各类织物疵点.
织物疵点、Swin Transformer、神经网络架构搜索、多级区域建议网络、Cascade RCNN
51
TS101.9(纺织工业、染整工业)
中国高校产学研创新基金2020HYA02015
2023-02-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
41-47