典型文献
基于改进Pix2PixGAN的织物疵点检测算法
文献摘要：
针对现阶段深度学习应用于纺织疵点检测时,由于疵点织物数据量不足而导致检测模型准确率低、疵点识别种类少的问题,提出一种基于改进Pix2PixGAN网络的训练数据增强方法.无疵点织物图像比较容易获取,利用多层深度Pix2PixGAN网络,可在无疵点织物图像上自动生成疵点,从而实现疵点图像数据的增强.首先对数据集进行预处理,得到语义分割图;然后加深U-net网络,利用双重Pix2PixGAN网络加强疵点与纹理的融合;最后将新生成的疵点图像数据加入原训练集完成数据增强.分别以数据增强前后的疵点织物样本作为训练集,采用Faster R-CNN目标检测模型进行对比实验.实验结果表明,数据增强方法可有效提高织物疵点检测的效果.对于线状、破洞和污渍3种疵点,与原训练数据集相比,数据增强后的检测模型平均精度分别从73％、75％、62％提升到84％、79％、65％.
文献关键词：
疵点检测;生成对抗网络;Pix2PixGAN;数据增强
中图分类号：
作者姓名：
郜仲元;余灵婕;章玉铭;支超;陈梦琦
作者机构：
西安工程大学 纺织科学与工程学院,陕西 西安 710048;西安工程大学 省部共建智能纺织材料与制品国家重点实验室(培育)陕西 西安 710048;绍兴文理学院元培学院 纺织服装与艺术设计分院,浙江 绍兴 312000
文献出处：
引用格式：
[1]郜仲元;余灵婕;章玉铭;支超;陈梦琦-.基于改进Pix2PixGAN的织物疵点检测算法)[J].毛纺科技,2022(03):9-13
A类：
Pix2PixGAN
B类：
织物疵点检测,检测算法,学习应用,纺织,数据量,模型准确率,别种,数据增强,增强方法,无疵,图像比较,上自,自动生成,图像数据,语义分割,net,入原,训练集,Faster,目标检测模型,线状,破洞,污渍,训练数据集,模型平均,生成对抗网络
AB值：
0.245724
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
