典型文献
基于改进Faster R-CNN的织物疵点检测算法
文献摘要：
针对织物疵点面积小且长宽比跨度大的问题,提出一种基于改进Faster R-CNN的多种织物疵点检测算法.以Faster R-CNN检测算法为基础,选取优化后的ResNet50作为Faster R-CNN的主干网络,在保持ResNet50深度不变的情况下,拓宽残差结构宽度,通过调整网络部分层结构并优化网络参数,使网络提取更多特征信息并减少网络计算量.针对织物疵点检测精度低的问题,在Faster R-CNN中引用FPN网络进行多尺度预测,并将改进的K-means聚类算法生成的预测框代替原Faster R-CNN中人工设计的预测框,增强网络聚焦"小目标"疵点的特征能力,进一步提高疵点检测精度.实验结果表明:相较于原Faster R-CNN,基于改进的Faster R-CNN在平均精度上提高了6.6％,且对于"小目标"与"细长型"疵点,识别率分别高达95％与97％,在织物疵点检测中具有较好的应用价值.
文献关键词：
织物疵点;疵点检测;Faster R-CNN;优化ResNet50;改进的K-means
中图分类号：
作者姓名：
孙旋;高小淋;曹高帅
作者机构：
桂林理工大学 机械与控制工程学院, 广西 桂林 541004;郑州电力职业技术学院 电力工程系, 河南 郑州 451450
文献出处：
引用格式：
[1]孙旋;高小淋;曹高帅-.基于改进Faster R-CNN的织物疵点检测算法)[J].毛纺科技,2022(12):77-84
A类：
宽残差结构
B类：
Faster,织物疵点检测,检测算法,长宽比,跨度大,ResNet50,主干网络,网络部,分层结构,网络参数,多特征信息,计算量,检测精度,FPN,多尺度预测,means,聚类算法,小目标,细长,长型,识别率
AB值：
0.179545
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。
