日韩中文字幕在线视频播放-国产日韩欧美一级精品-日本一区二区三区欧美伦理-日本欧美一区二区曰本精品

統(tǒng)一熱線:18020500647

您所在的位置:精質(zhì)視覺 > 新聞中心> 基于深度學(xué)習(xí)的化纖外觀缺陷語(yǔ)義分割

基于深度學(xué)習(xí)的化纖外觀缺陷語(yǔ)義分割

2022-09-18 20:00:00 精質(zhì)視覺

  針對(duì)化纖外觀缺陷檢測(cè)使用基于深度學(xué)習(xí)的語(yǔ)義分割方法,總結(jié)了自以來基于深度學(xué)習(xí)的典型語(yǔ)義分割方法,并在此基礎(chǔ)上應(yīng)用到化纖外觀檢測(cè)項(xiàng)目上,取得了不錯(cuò)的效果。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  01 化纖外觀缺陷檢測(cè)背景GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

化纖作為紡織制造的原料,由化纖生產(chǎn)企業(yè)進(jìn)入下游紡織企業(yè)前會(huì)收卷形成絲餅,但在絲餅生產(chǎn)中會(huì)有不同程度的損傷,如產(chǎn)生油污、毛絲、絆絲、斷絲等表面缺陷,這些缺陷會(huì)直接造成下游紡織企業(yè)生產(chǎn)的產(chǎn)品質(zhì)量不高。油污會(huì)影響織物的外觀以及上色;毛絲會(huì)使織造效率降低,同時(shí)使織物表面產(chǎn)生瑕疵;絆絲不僅會(huì)影響化纖的包裝外觀,而且在化纖后續(xù)加工容易產(chǎn)生斷頭和毛絲;而斷絲則直接導(dǎo)致化纖的不連續(xù)。因此需要對(duì)化纖絲餅進(jìn)行影響織物質(zhì)量的表面缺陷檢測(cè),以確?;w出廠質(zhì)量。目前大部分生產(chǎn)廠家通過人工來檢測(cè)化纖外觀缺陷,既費(fèi)時(shí)費(fèi)力又不能保證質(zhì)量,使用機(jī)器視覺代替人工檢測(cè)對(duì)化纖生產(chǎn)企業(yè)是迫切需要的。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  化纖外觀缺陷主要包括油污、碰毛、紙管破損、絆絲、毛絲、斷絲等,部分典型缺陷如圖1,這些缺陷大部分使用語(yǔ)義分割的方法來進(jìn)行。語(yǔ)義分割融合了圖像分割和目標(biāo)識(shí)別兩大技術(shù),將圖像分割成幾組具有特定語(yǔ)義類別的區(qū)域,屬于像素級(jí)別的密集分類問題。早期一般使用直方圖閾值化、混合化特征空間聚類、區(qū)域生長(zhǎng)法以及基于SVM的方法等進(jìn)行圖像目標(biāo)語(yǔ)義分割,這些方法受缺陷和圖像本身影響較大,導(dǎo)致漏檢和誤檢比較嚴(yán)重,如油污檢測(cè)中使用直方圖閾值化容易導(dǎo)致顏色較淡的油污漏檢,以及絲線紋理誤檢為油污。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  圖1. 化纖外觀典型缺陷GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  02 基于深度學(xué)習(xí)的語(yǔ)義分割GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  深度學(xué)習(xí)的概念自2006年提出以來,因其在圖像分類、檢測(cè)等基礎(chǔ)領(lǐng)域的優(yōu)秀表現(xiàn),取得了顯著的發(fā)展,特別是2012年Alex Krizhevsky等設(shè)計(jì)了AlexNet模型在ImageNet圖像分類挑戰(zhàn)賽上以領(lǐng)(ling)先第二名傳統(tǒng)方法10%的準(zhǔn)確率奪得冠(guan)軍,使得深度學(xué)習(xí)受到廣泛關(guān)注。此后,包括語(yǔ)義分割在內(nèi)的許多計(jì)算機(jī)視覺問題都開始使用深度學(xué)習(xí)算法,識(shí)別精度在部分領(lǐng)域甚至超過了人工識(shí)別精度?;谏疃葘W(xué)習(xí)的語(yǔ)義分割,一般有基于*的方法、基于信息融合的方法、基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的方法以及基于對(duì)抗生成網(wǎng)絡(luò)的方法等。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  2.1 基于*的方法GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  ,Shelhamer等提出了基于全卷積神經(jīng)網(wǎng)絡(luò)(FCN)的語(yǔ)義分割方法,F(xiàn)CN作為圖像語(yǔ)義分割的先河,實(shí)現(xiàn)像素級(jí)別的分類,為后續(xù)使用CNN作為基礎(chǔ)的圖像語(yǔ)義分割模型提供重要基礎(chǔ)。如圖2所示,它將CNN 中的全連接層替換為卷積層,建立全卷積網(wǎng)絡(luò),輸入任意尺寸的圖像后,經(jīng)過學(xué)習(xí)以及處理產(chǎn)生相應(yīng)尺寸的輸出,然后對(duì)每個(gè)像素進(jìn)行分類,這個(gè)流程稱為編碼器;在分類完成后通過上采樣將分類結(jié)果映射到原圖像尺寸,得到密集的像素級(jí)別的標(biāo)簽,即語(yǔ)義分割結(jié)果,這部分流程被稱為*。FCN融合了多分辨率的信息,將不同大小的特征圖進(jìn)行上采樣并進(jìn)行融合,取得了較為精確的分割效果。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  但是,F(xiàn)CN在解碼階段進(jìn)行上采樣時(shí)易丟失像素的位置信息而影響分割精度,如何巧妙設(shè)計(jì)*對(duì)分割結(jié)果至關(guān)重要,如2017年,由Badrinarayanan等提出的SegNet算法,SegNet的每個(gè)編碼器層都對(duì)應(yīng)一個(gè)*層,*的輸出被送入分類器獨(dú)立為每個(gè)像素產(chǎn)生類概率,特征圖中的空間位置能準(zhǔn)確地反映射到其初始位置,相較FCN能準(zhǔn)確地恢復(fù)圖像邊界信息,分割效果更好。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  圖2. 全卷積神經(jīng)網(wǎng)絡(luò)(FCN)語(yǔ)義分割模型結(jié)構(gòu)GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  2.2 基于信息融合的方法GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  為了使語(yǔ)義分割效果更好,充分利用分割目標(biāo)的空間信息,于是對(duì)不同層次的信息進(jìn)行融合,一般來說有如下信息融合方式:像素級(jí)特征融合、多特征圖和多尺度融合。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  圖3. 金字塔型空洞池化(ASPP)模塊GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  像素級(jí)特征融合方法中,如,Google研究團(tuán)隊(duì)的Chen L C等提出DeepLab V1模型,該模型引入了條件隨機(jī)場(chǎng)(CRF) 作為后處理模塊,將圖像中每個(gè)像素與CRF模型中的某個(gè)節(jié)點(diǎn)一一對(duì)應(yīng),衡量任意像素之間的聯(lián)(lian)系,實(shí)現(xiàn)底層圖像信息像素間的融合,實(shí)現(xiàn)了分割細(xì)節(jié)增強(qiáng);2016年,DeepLab V2在DeepLab V1的基礎(chǔ)上引入了金字塔型空洞池化(ASPP)模塊,選擇不同采樣率的帶孔卷積處理特征圖,提高了分割精度;2017年,DeepLab V3在DeepLab V2的基礎(chǔ)上繼續(xù)優(yōu)化ASPP結(jié)構(gòu),通過級(jí)聯(lián)多個(gè)空洞卷積結(jié)構(gòu),有效地提取了表現(xiàn)力強(qiáng)的特征;2018年,DeepLab V3+把DeepLabv3作為編碼器,骨干網(wǎng)絡(luò)使用了Xception模型,提高了語(yǔ)義分割的健壯性和運(yùn)行速率。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  多特征圖和多尺度融合方法中,如2015年,Liu W等提出金字塔場(chǎng)景解析網(wǎng)絡(luò)(ParseNet)將全局特征圖轉(zhuǎn)化為與局部特征圖相同的尺寸,不同類型的處理模塊側(cè)重于激活的不同區(qū)域的特征圖,合并后輸入下一層或用于學(xué)習(xí)分類器,有效地利用了前面層所提供的上下文信息,取得了比FCN 跳躍結(jié)構(gòu)更好的分割效果。2020年,Ho Kei Cheng等提出CascadePSP,采用一幅圖像和多個(gè)不同尺度的不完美分割掩模來生成細(xì)化的分割,多尺度輸入使模型捕獲不同層次的結(jié)構(gòu)和邊界信息,自適應(yīng)地融合不同的掩模(mo)特征,所有低分辨率的輸入分段都被雙線性向上采樣到相同的大小,并與RGB圖像連接;CascadePSP是一種通用的級(jí)聯(lián)分割細(xì)化模型,它可以細(xì)化任何給定的輸入分割,在不進(jìn)行微調(diào)的情況下提高現(xiàn)有分割模型的性能。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的方法GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一種基于記憶的網(wǎng)絡(luò)模型,它從連續(xù)數(shù)據(jù)中學(xué)習(xí)長(zhǎng)期依賴關(guān)系的能力和保持記憶的能力,具有周期性的連接和通過對(duì)圖像的長(zhǎng)期語(yǔ)義依賴進(jìn)行建模來捕獲圖像中的上下文的能力,成功應(yīng)用于語(yǔ)義分割。如2015年,Visin F基于用于圖像分類的ReNet提出了ReSeg語(yǔ)義分割,該模型中每個(gè)ReNet層由4個(gè)RNN組成(水平、豎直掃描圖像),將激活信息或圖塊編碼并生成相應(yīng)的全局特征,ReNet層堆疊在預(yù)訓(xùn)練的卷積結(jié)構(gòu)上,生成一般局部特征,通過全局特征和局部特征上采樣得到分割圖。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  2.4 基于對(duì)抗生成網(wǎng)絡(luò)的方法GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  2016年,Pauline Luc等在文獻(xiàn)《Semantic Segmentation using Adversarial Networks》*將對(duì)抗生成網(wǎng)絡(luò)(GAN)應(yīng)用到語(yǔ)義分割中,他們使用判別器識(shí)別真實(shí)標(biāo)簽與分割圖像,縮小標(biāo)簽與分割圖像之間的高次不一致性。該網(wǎng)絡(luò)模型由一個(gè)分割器(即普通的分割網(wǎng)絡(luò)模型)作為生(sheng)成器,其后添加一個(gè)判別網(wǎng)絡(luò)結(jié)構(gòu),通過GAN 產(chǎn)生高質(zhì)量的生成圖像來改進(jìn)像素分類,該方法分割效果一般,是對(duì)抗生成網(wǎng)絡(luò)(GAN)應(yīng)用到語(yǔ)義分割一次有效的嘗試。后續(xù)基于對(duì)抗生成網(wǎng)絡(luò)的半監(jiān)督語(yǔ)義分割有一定發(fā)展,如2017年的《An Adversarial Regularisation for Semi-Supervised Training of Structured Output Neural Networks》。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  03 語(yǔ)義分割對(duì)化纖外觀缺陷的檢測(cè)GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

  對(duì)化纖外觀缺陷中的油污、碰毛以及紙管破損進(jìn)行了分析,采用基于深度學(xué)習(xí)語(yǔ)義分割的方法,對(duì)正負(fù)缺陷樣本極不平衡的情況進(jìn)行了處理,設(shè)計(jì)了使用本項(xiàng)目的損失函數(shù),同時(shí)對(duì)油污、碰毛以及紙管破損的特征進(jìn)行分析,對(duì)缺陷得到了較好的分割效果,得到了客戶的認(rèn)可,具體效果見圖4。GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

 GhF機(jī)器視覺檢測(cè)設(shè)備_CCD視覺檢測(cè)_外觀缺陷檢測(cè)系統(tǒng)_精質(zhì)視覺

相關(guān)產(chǎn)品

欧美翘臀一区二区三区| 色色视频鸡巴嗯啊| 97手机视频无码| 国产肥白老熟女bbbb| 鸡吧奶子淫水用力啊| 大逼逼逼逼操逼逼网| 嗯啊舔的好爽视频| 少妇人妻不卡777精品| 操逼逼逼逼逼逼逼逼逼逼逼| 金发大白屁股大乳房肛交| 亚洲av一二三又爽又色| 国产三级久久久久伦理| 扣大逼操老逼日小逼视频| 在线观看精品无码一区二区| 黑丝美女被操到高潮射白| 天堂AV无码大芭蕉伊人A| 日韩精品一区二区三区18| 国产黄色av免费播放| 国产黄桃AV一区在线观看| 亚洲一区二区三区国产精品视频 | 射进骚逼逼里视频| 老肥婆熟女乱伦导航| 精品深夜AV无码一区二区| 99re这里只有精品6| 欧美激情一区二区三区不卡| 免费高清日韩在线观看视频| 大鸡巴插进去小骚逼视频| 草处女视频在线免费观看| 欧美成人免费nv| 操胖子肛门污污视频| 日本欧美亚洲日韩在线视| 久久夜色精品国产欧美一区麻豆| 狂操28岁美女嫩逼| 91大神激情大长腿在线| 啊哈哦好湿好爽在线观看| 国产使劲操在线播放| 你懂得欧美在线高清一区二区 | 操逼逼逼逼逼逼逼逼逼逼逼| 老少妇普通话自拍| 小骚逼干死我视频| 日本美女自慰小穴|