结合注意力机制与自适应记忆性融合网络的纺织品瑕疵检测

邓世爽 狄 岚 梁久祯 姜代红

在纺织生产工艺中,纺织品的质量对纺织业影响很大,纺织品瑕疵会严重影响产品质量,造成各种资源的极大浪费[1].传统的纺织品瑕疵由人工检测,受人员经验、熟练程度及其它主观因素的影响,往往导致瑕疵误检、漏检率较高、检测速度较慢、效率较低等问题.因此,纺织品瑕疵智能检测是困扰行业多年的技术瓶颈.

当前,已采用的纺织品瑕疵检测方法可分为结构类方法、统计类方法、模型类方法和基于神经网络方法.在结构类方法中,通常以纹理作为基本单元,提取纺织品纹理的结构特征,并结合位置规律进行分析和检测.Wang等[2]根据结构相似性最小原则定位缺陷图像块,并使用距离测量和阈值分割定位缺陷,在一定程度上能有效检测瑕疵,但存在较多漏检.在统计类方法中,常使用一阶统计和二阶统计提取和处理图像纹理特征,通过自相关函数和共生矩阵有效检测有色织物瑕疵.Li等[3]结合多向二元算子和灰度共生矩阵(Gray-Level Co-occurrence Matrix, GLCM),提出无图案织物缺陷检测方法.Liu等[4]通过织物的主要局部二值模式(Local Binary Pattern, LBP)特征检测织物缺陷,但LBP特征只适用带有周期性的图像纹理,在处理复杂背景缺陷时效果不佳.Zhao等[5]将边缘方向梯度的金字塔直方图与支持向量机(Support Vector Machine, SVM)应用于织物缺陷检测.但在实际检测中,由于不同织物尺寸和纹理变化较大,仍面临巨大挑战.在模型类方法中,常通过服从特定分布模型的织物纹理解决纺织品……