Compte tenu des différents types de défauts de tissu et des problèmes de confusion, d’irrégularité de densité et de petits défauts cibles difficiles à détecter, cet article construit un réseau de détection de défauts par apprentissage profond intégrant un mécanisme de focus d’attention. La stratégie d’augmentation de données est utilisée pour enrichir le nombre d’échantillons de chaque type, et les échantillons enrichis ont été extraits par le réseau d’extraction de caractéristiques intégré au mécanisme de focus d’attention, ce qui peut améliorer la capacité d’extraction de caractéristiques des types de défauts confus et des petits types de défauts.
Serveur web : https://journals.sagepub.com/doi/full/10.1177/00405175211060081
Date : 05/2022