基于并联堆叠模型的织物疵点检测算法OA北大核心CSTPCD

针对企业目前应用的织物疵点检测算法精度低、漏检率高、训练速度慢及模型难以收敛的问题,提出了一种基于并联堆叠的织物疵点检测算法。基于YOLOv7深度学习目标检测算法,采用不同参数值的空洞卷积设计DCCSPC并联堆叠模块,改进SPPCSPC空间金字塔池化层,深度融合织物瑕疵局部及整体的特征信息;添加输出160×160的小目标检测层,实现宽高仅占4个像素的小目标疵点检测;使用WIoU损失函数替换CIoU损失函数,解决了特殊样本(长宽比与多数样本不一致的样本)漏检率高问题,并提高了模型的收敛速度。另外,为消除数据集类别不均衡问题,采用生成对抗网络对数量较少类别进行了样本扩充。将改进后算法在织物疵点数据集上进行测试,结果表明:与以往方法相比,改进后的模型具有更高的识别精度和鲁棒性,能够检出宽高比例悬殊、纹理对比度低图像中的疵点及小目标疵点,对比原YOLOv7模型,平均精度值提升3.4%,且收敛速度更快、误差更小,能够更好地满足当下织物智能疵点检测的需求。