Détection des défauts de tissu basée sur l’apprentissage par transfert et amélioration du Faster R-CNN

La détection des défauts sur tissu est un processus d’inspection de la qualité important dans l’industrie textile. Un système de détection de défauts de tissu basé sur l’apprentissage par transfert et un Faster R-CNN (Region-Based Convolutional Neural Network) amélioré est proposé pour résoudre les problèmes de faible précision de détection, de capacité de convergence générale et de mauvais seuil de détection pour les petits défauts cibles dans les algorithmes de détection de défauts de tissu existants.

Un grand ensemble de données d’Imagenet sont d’abord extraits pour l’apprentissage par transfert. Les images sont ensuite entrées dans le réseau Faster R-CNN amélioré. Le réseau de proposition de région (RPN) est combiné avec la pyramide de caractéristiques multi-échelles FPN pour générer des régions candidates avec des informations sémantiques plus riches et les projeter sur la carte de caractéristiques pour obtenir la matrice de caractéristiques correspondante.

Les résultats expérimentaux montrent que la précision de détection et la capacité de convergence du Faster R-CNN amélioré sont grandement améliorées par rapport aux modèles courants actuels, ce qui fournit une référence pour les futures méthodes de détection des défauts de tissu.

Serveur web :  https://journals.sagepub.com/doi/full/10.1177/15589250221086647

Date : 28/06/2022

En continuant à utiliser le site, vous acceptez l’utilisation des cookies. Plus d’informations

Les paramètres des cookies sur ce site sont définis sur « accepter les cookies » pour vous offrir la meilleure expérience de navigation possible. Si vous continuez à utiliser ce site sans changer vos paramètres de cookies ou si vous cliquez sur "Accepter" ci-dessous, vous consentez à cela.

Fermer