电子设计工程
Electronic Design Engineering
第 28卷
Vol.28
第 6期
No.6
2020年 3月
Mar. 2020
收稿日期:2019-07-23 稿件编号:201907184
作者简介:张丽瑶(1999— ),女,山东临沂人。研究方向:通信工程。
近年来,我国纺织品出口占到全球同类贸易总
额的 30%以上
[1]
,织物的瑕疵严重影响着织物的质量
[2]
。
对于织物瑕疵的检测,国内较多中小公司仍采用人
工检测的方法,检测效率低且误检率和漏检率高
[3]
;
少数纺织企业已经开始使用智能化验布系统,但是
瑕疵检出率和准确率仍然需要继续提高。随着深度
学习技术的发展,实现精准目标检测成为可能,我们
使用的 SSD
[4]
网络是一种单次检测深度神经网络
[5]
,
在保证检测精确度的同时,检测速度更快,很适合用
于织物生产与检测的实际场景。
1 织物瑕疵目标检测设计
基于 SSD 网络实现织物瑕疵检测流程如图 1 所
示。在对原始数据集进行筛选与处理后,为了提高
训练模型的精度,先对图像预处理。经试验,使用图
像预处理以后,模型准确度提高在 15%左右。本文
中使用的图像预处理方式为双边滤波。在预处理以
后以 xml 文件的 形式提 取图片中的瑕疵位置信息 ,
将数据集以 7:2:1 的比例划分为训练集、测试集、验
证集。划分好数据集以后投入 SSD 网络进行模型训
练,经过不断调参,最终得到精度为 80%的模型。最
基于 SSD 的织物瑕疵检测的研究
张丽瑶,王志鹏,徐功平
(江苏科技大学 计算机学院,江苏 镇江 212003)
摘要:纺织业是我国经济的支柱产业之一,在织物生产过程中,产生的织物瑕疵将会严重影响其质
量。为实现织物瑕疵的检测与分类从而代替人工,采用 SSD 网络进行深度学习目标检测。通过使
用布料厂生产的织物图像数据制作数据集,然后利用图像处理技术减弱不同织物的背景纹理信
息,最后结合 SSD 网络模型对处理后的织物样本中的瑕疵进行学习判断与不断调节参数,生成的模
型可以 实现 油 污、松停车 痕、紧停车 痕以及 错花 四 种织 物瑕疵 的分类 与识别 ,平 均 准确 率达到
80%,可用于织物瑕疵目标检测,具有广阔的应用前景。
关键词:SSD 网络;深度学习;瑕疵识别;图像处理;图像分类
中图分类号:TP3-0 文献标识码:A 文章编号:1674-6236(2020)06-0040-05
DOI:10.14022/j.issn1674-6236.2020.06.009
Research on fabric defect detection based on SSD
ZHANG Li⁃yao,WANG Zhi⁃peng,XU Gong⁃ping
(School of Computer Science,Jiangsu University of Science and Technology,
Zhenjiang 212003,China)
Abstract:Textile industry is one of the pillar industries of our country’s economy. In the process of fabric
production,fabric defects will seriously affect its quality. In order to detect and classify fabric defects
instead of manual work,SSD network is used for deep learning and target detection. The data set is made
by using the fabric image data produced by the cloth factory,and then the background texture information
of different cloth is weakened by image processing technology. Finally,the defects in the treated cloth
samples are judged and adjusted by using SSD network model. The model can be used to classify and
identify four kinds of fabric defects:Oil pollution,loose parking mark,tight parking mark and wrong pattern.
The average accuracy rate is 80%. It can be used for fabric defect target detection and has broad application
prospects.
Key words:SSD network;deep learning;defect recognition;image processing;image classification
-- 40