基于深度学习的织物疵点检测方法研究.pdfVIP

摘要

摘要

在纺织领域，疵点检测对于织物产品质量控制、生产效率提升以及成本节约等方

面起着至关重要的作用。传统的疵点检测方法存在检测效率低、漏检率高、实时性差等

问题，本文研究了基于深度学习的织物疵点检测方法，将YOLOv7作为织物疵点检测

模型，并对其检测性能进行改进。具体研究内容如下：

针对基于YOLOv7的织物疵点模型参数量和计算量大的问题，论文提出了PRC-

LightYOLO疵点检测模型。首先论文在其主干网络添加新的卷积层算子，将其与扩展

的高效层聚合网络结合，构建新的特征提取模块。由于该卷积仅对部分输入通道做卷

积运算，所以在降低模型运算量的同时，还能够有效地提取空间特征。其次，为了改善

模型的特征融合性能，论文采用多分支空洞卷积特征金字塔并引入轻量级上采样算子，

通过生成自适应卷积核去扩大感受野，从而在具有更多上下文的区域搜集关键信息。

为了进一步降低网络模型训练时的运算量，PRC-LightYOLO模型将HardSwish作为激

活函数，并将Wise-IOUv3作为疵点检测模型的边界框损失函数，降低低质量实例产

生的不利梯度。实验结果表明