典型文献
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
文献摘要：
为了解决纺织生产工艺中瑕疵检测成本较高、精度较低、速度较慢等问题,文中提出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模型.首先,在YOLOv5骨干网络中引入改进的注意力模块,构建特征提取网络,增强模型对纺织品瑕疵特征的提取能力.然后,为了增强浅层定位信息的传递效应和有效缓解特征融合时产生的混叠效应,提出自适应记忆性融合网络,在提高特征尺度不变性的同时,将骨干网络中的特征信息融入特征融合层.最后,引入CDIoU(Control Distance Intersection over Union)损失函数,提高检测精度.在ZJU-Leaper纺织品瑕疵数据集和天池纺织品瑕疵数据集上的实验表明,文中模型具有较高的检测精度和较快的检测速度.
文献关键词：
纺织品瑕疵检测;注意力机制;YOLOv5;自适应记忆性融合网络
中图分类号：
作者姓名：
邓世爽;狄岚;梁久祯;姜代红
作者机构：
江南大学 人工智能与计算机学院 无锡214122;常州大学 计算机与人工智能学院 常州213164;徐州工程学院 信息工程学院 徐州221000
文献出处：
引用格式：
[1]邓世爽;狄岚;梁久祯;姜代红-.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)[J].模式识别与人工智能,2022(06):536-547
A类：
自适应记忆性融合网络,纺织品瑕疵检测,CDIoU,Leaper
B类：
注意力机制,纺织生产,较慢,检测模型,YOLOv5,骨干网络,注意力模块,特征提取网络,增强模型,特征的提取,定位信息,传递效应,特征融合,特征尺度,尺度不变性,特征信息,Control,Distance,Intersection,over,Union,损失函数,高检,检测精度,ZJU,天池,检测速度
AB值：
0.233661
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。
