【技术实现步骤摘要】
本申请涉及布匹瑕疵检测，尤其是一种基于定向空间及多尺度特征提取网络的特征提取方法及检测系统。
技术介绍
1、纺织布匹作为日常生活和工业生产中不可或缺的原材料，其质量直接影响到最终产品的耐用性和可靠度。传统的布匹瑕疵检测方法主要依赖人工视觉离线检测，这种方法不仅效率低下，而且检测结果易受主观因素影响。随着纺织产业的快速发展，自动化和智能化的布匹瑕疵检测技术应运而生，成为纺织行业布匹生产质量控制的关键。近年来，深度学习技术的突破为实现高效、准确的纺织布匹瑕疵检测提供了有力支持。通过构建基于深度学习的检测模型，可以大幅度提高检测速度和准确率，同时降低人力成本和主观误差。尽管近年来的研究在提升布匹瑕疵检测性能方面取得了一定进展，但在处理复杂背景，尤其是形态各异且细微的瑕疵时，仍然存在不足之处。这些研究未能充分结合纺织布匹瑕疵的自然形态特征进行深入分析，导致各种检测方法在目标检测与瑕疵特征之间的耦合性不足。
2、为了提高检测的准确性和精度，需要确保能够检验出各种瑕疵。目前现有的纺织布匹瑕疵检测技术，主要为两类：基于图像分割的方法以及对象回归方法。但基于分割的方法处理纹理复杂、背景多变的图像时存在局限，因其依赖精确的像素级标注和模板匹配，每种瑕疵都需要准确的像素模板，这在实际工业应用中代价高且耗时，不适合应用于多品种、多变化的织造柔性生产环境。而对象回归法多阶段的处理流程导致其检测速度较慢，难以满足布匹质检此类时延敏感度高的实时应用场景，且经向和纬向瑕疵在形态和尺寸上存在显著差异，通常表现出极端的长宽比及远距离依赖特性，瑕疵的空
技术实现思路
1、本申请的目的在于克服现有技术中在对形态各异且细微的瑕疵进行特征提取时特征提取的精度较低的问题，提供一种基于定向空间及多尺度特征提取网络的特征提取方法及检测系统。
2、第一方面，提供了一种基于定向空间及多尺度特征提取网络的特征提取方法，包括：
3、获取纺织布匹图像；
4、利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取，其中，所述定向空间及多尺度特征提取模块，所述定向空间及多尺度特征提取模块采用多分支并行梯度堆叠的方式编排网络内部特征提取的信息流，在定向空间及多尺度特征提取模块中采用重参数化卷积模块作为分支特征提取组件，所述分支特征提取组件包括结构重参数化卷积repconv和多尺度坐标权重引导模块，所述结构重参数化卷积repconv在训练阶段利用多分支结构丰富瑕疵特征图的表达层次，捕获从全局到局部、从小尺度到大尺度的瑕疵特征，并在推理阶段通过重参数化设计将多分支结构转化为单分支形式，所述多尺度坐标权重引导模块通过并行策略，采用多尺度注意力机制分别沿输入特征图的径向、纬向、小目标卷积核和大目标卷积核四个维度进行空间方向聚合特征。
5、在一些可能的实现方式中，所述结构重参数化卷积repconv的处理过程包括：
6、将输入张量通过权重矩阵进行加权求和；
7、通过批归一化层进行归一化处理；
8、通过可学习调节参数进行缩放和偏移，以得到提取后的卷积核权重参数与偏置。
9、在一些可能的实现方式中，所述多尺度坐标权重引导模块的处理过程包括：
10、将输入特征通过经向、纬向、小尺度和大尺度四个维度进行空间平均池化操作，得到压缩后的空间感知特征；
11、通过信息编码层对压缩后的空间感知特征进行重新编码和提炼；
12、采用通道对齐卷积与sigmod函数对特征信息四个维度的坐标注意力权重进行生成；
13、将生成的坐标注意力权重应用于输入特征，以实现对各尺度瑕疵特征的增强提取。
14、在一些可能的实现方式中，在利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取之前，还包括：对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。
15、第二方面，提供了一种基于定向空间及多尺度特征提取网络的检测系统，包括：
16、特征提取模块，用于采用如上述第一方面中的任意一种实现方式中所述的方法进行纺织布匹图像的特征提取；
17、瑕疵分类和定位模块，用于根据特征提取模块所提取的特征数据进行瑕疵的识别、分类以及定位。
18、在一些可能的实现方式中，还包括：预处理模块，用于在特征提取模块进行特征提取之前，对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。
19、在一些可能的实现方式中，还包括：显示模块，用于可视化的显示瑕疵的识别、分类以及定位的结果。
20、第三方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
21、第四方面，提供了一种计算机可读存储介质，所述计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行如上述第一方面中的任意一种实现方式中方法的步骤。
22、第五方面，提供了一种电子设备，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如上述第一方面中的任意一种实现方式中的方法。
23、本申请具有如下有益效果：
24、1、本申请的定向空间及多尺度特征提取模块能够更有效地提取经、纬向瑕疵的空间特征，尤其是针对极端长宽比及远距离依赖特性的瑕疵，显著提高了模型对这类瑕疵的检测准确性。并且在引入定向空间及多尺度特征提取模块后，能够使得模型对目标瑕疵的关注度更加集中，特征提取更为精准，减少了背景噪声的干扰，降低了误检率；
25、2、本申请通过多尺度空间维度的卷积注意力权重运算，能够捕捉到不同尺度下的瑕疵特征，增强了对多样化瑕疵的适应性，其次，结构重参数化卷积repconv和多尺度坐标权重引导模块的引入，能够使模型在训练阶段充分利用多分支结构，来丰富对布匹瑕疵特征图的表达层次，能够捕获从全局到局部、从小尺度到大尺度的瑕疵特征，有效的提高了特征提取的能力；
26、3、本申请的检测系统对目标瑕疵的关注度更加集中，特征提取更为精准，减少了背景噪声的干扰，降低了误检率，其次，在推理阶段，重参数化设计将多分支结构转化为更为紧凑的单分支形式，这一过程能够在不降低检测性能的前提下，有效提升推理效率。
本文档来自技高网...【技术保护点】
1.一种基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，包括：
2.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，所述结构重参数化卷积RepConv的处理过程包括：
3.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，所述多尺度坐标权重引导模块的处理过程包括：
4.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，在利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取之前，还包括：对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。
5.一种基于定向空间及多尺度特征提取网络的检测系统，其特征在于，包括：
6.根据权利要求5所述的基于定向空间及多尺度特征提取网络的检测系统，其特征在于，还包括：预处理模块，用于在特征提取模块进行特征提取之前，对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。
7.根据权利要求5所述的基于定向空间及多尺度特征提取网络的检测系统，其特征在
8.一种计算机程序产品，其特征在于，所述计算机程序产品内存储有计算机指令，所述计算机指令被处理器执行时实现权利要求1-4中任一项所述方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储用于设备执行的程序代码，该程序代码包括用于执行如权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-4中任一项所述方法。
...【技术特征摘要】
1.一种基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，包括：
2.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，所述结构重参数化卷积repconv的处理过程包括：
3.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，所述多尺度坐标权重引导模块的处理过程包括：
4.根据权利要求1所述的基于定向空间及多尺度特征提取网络的特征提取方法，其特征在于，在利用定向空间及多尺度特征提取模块对所述纺织布匹图像进行特征提取之前，还包括：对输入的纺织布匹图像进行预处理，所述预处理包括图像增强和尺寸调整。
5.一种基于定向空间及多尺度特征提取网络的检测系统，其特征在于，包括：
6.根据权利要求5所述的基于定向空间及多尺度特征提取网络的检测系统，其特征在于，还包括：预...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。