CN119399187B 一种纺织品缺陷类型识别方法 （苏州市纤维检验院）

.采集多个纺织品样本的原始图像，进行详细标2S1.采集多个纺织品样本的原始图像，纺织品样本包括无缺陷纺织品样本和已知缺陷采集包含多种缺陷类型和正常样本的数据集，并对minmaxmaxmin3l层卷积层输出的特征图Y(l)表示为：对于每个卷积层输出的特征图Y(l)，通过全局平均池化或全局最大池化方法生成特征其中，V(l)为与特征图Y(l)对应的特征提取向量，通过对第l}RH和WRH分别是融合特征图的高度和宽度；对融合特征图进行池化处理，采用全局平均池化和全局最大池con+bs)ss4c为全连接层的权重；将通道注意力权重与空间加权后的特征图的每个通道进行逐点相乘得到加权特征图，fin为加权特征图；2δm}3R’分别为污当第一综合评分系数ZX1数值大于系数阈值且面积T’小于面积阈值时，该纺织品是污2.根据权利要求1所述的纺织品缺陷类型识别方法，其特征在于：利用缺陷区域的面ZXZ=q1T+P2(1-Q)+P3R53.根据权利要求2所述的纺织品缺陷类型识别方法，其特征在于：利用缺陷区域的面θ23R’θ1+θ2＝1；6[0010]S1.采集多个纺织品样本的原始图像7进行待检测纺织品缺陷类型的识别。S=(w,h)，w为缺陷的宽度，h为缺陷的高度，W=xmax一xmin，h=ymax-Jmin，[0022]其中，M(x,y)为原始图像中坐标为(x,y)的像素点分割掩码，(x,y)是原始图像中8为第层卷积层的输出，即为位于第l-1层卷积层的输[0028]对于每个卷积层输出的特征图y()，通过全局平均池化或全局最大池化方法生成[0031]组合多个特征提取向量v(1),v2),…,v(0以形成卷积层特征集合vmuri：9[0055]将通道注意力权重与空间加权后的特征图的每个通道进行逐点相乘得到加权特[0056]yi;[0073]ZX2=P1T+P2(1-Q)+P3R[0081]当第三综合评分系数ZX3小于等于阈值、长宽比R小于等于其阈值时，该纺织品或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。对位置关系也可能相应地改变。[0094]S1.采集多个纺织品样本的原始图像进行待检测纺织品缺陷类型的识别。其中xmin和ymin表示缺陷区域左上角的坐标，xmax和ymax表示缺陷区域右下角的坐标，S=(w,h)，w为缺陷的宽度，h为缺陷的高度，W=xmax一xmin，h=ymax-Jmin，[0106]其中，M(x,y)为原始图像中坐标为(x,y)的像素点分割掩码，(x,y)是原始图像中[0112]对于每个卷积层输出的特征图y()，通过全局平均池化或全局最大池化方法生成[0115]组合多个特征提取向量v(1),v2),…,v(0以形成卷积层特征集合vmuri：[0144]将通道注意力权重与空间加权后的特征图的每个通道进行逐点相乘得到加权特[0145]yi图的空间维度，每个卷积块通常包括两个卷积层（激活函数如ReLU后跟一个最大池化用边缘检测算法或直接计算边界像素来获取；长宽比是缺陷区域边界框的宽度和高度之[0163]由于缺陷区域的面积、圆度和长宽比均可以单独用来识的权重设置为相等，面积r的权重大于长宽比R的权重，即，。aa[0184]ZX2=P1T+P2(1-Q)+P3RR较高的权重。[0195]尽管面积在描述拉丝的特征中也很重要，但拉丝的面积通常较小且延展性。