一種改進(jìn)Faster R-CNN的面料疵點(diǎn)檢測(cè)方法

安 萌，鄭飂默，王詩(shī)宇，劉信君，周琪琪

1(中國(guó)科學(xué)院大學(xué)，北京 100049)

2(中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所，沈陽(yáng) 110168)

3(沈陽(yáng)中科數(shù)控技術(shù)股份有限公司，沈陽(yáng) 110168)

1 引 言

服裝行業(yè)作為一條大的產(chǎn)業(yè)鏈也是重要的民生支柱產(chǎn)業(yè)，其產(chǎn)品在生產(chǎn)過(guò)程中，由于設(shè)備及工藝的影響，面料表面往往會(huì)出現(xiàn)各種疵點(diǎn)[1]，我國(guó)雖是一個(gè)紡織品生產(chǎn)大國(guó)，但目前掌握的有關(guān)缺陷檢測(cè)方面的知識(shí)卻相當(dāng)落后.傳統(tǒng)的人工視覺(jué)檢測(cè)模式勞動(dòng)成本高、工作環(huán)境差，容易忽略面料的細(xì)節(jié)特點(diǎn)，導(dǎo)致識(shí)別定位的精度不高、效率低下，因此越來(lái)越多的工廠開(kāi)始利用機(jī)器來(lái)代替人工進(jìn)行質(zhì)檢[2].

隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，人工視覺(jué)逐漸被機(jī)器視覺(jué)所替代，避免了大部分因人工檢測(cè)所造成的誤差，也相應(yīng)的提高了檢測(cè)精度和效率.基于視覺(jué)的面料疵點(diǎn)檢測(cè)方法大致可分為3類(lèi)：基于統(tǒng)計(jì)、基于頻譜、基于模型構(gòu)建的方法[3].其中比較經(jīng)典的疵點(diǎn)檢測(cè)方法有：基于統(tǒng)計(jì)的采用灰度共生矩陣方法[4]，基于頻譜分析的小波變換方法[5]、Gabor濾波方法[6]還有基于模型構(gòu)建的馬爾科夫隨機(jī)場(chǎng)方法[7].盡管這些圖像處理算法對(duì)疵點(diǎn)檢測(cè)取得了不錯(cuò)的效果，但由于疵點(diǎn)種類(lèi)眾多，算法的通用性和檢測(cè)精度不高，導(dǎo)致算法復(fù)雜度上升，給研究人員帶來(lái)了一定困難.

近年來(lái)，基于深度學(xué)習(xí)的方法在視覺(jué)系統(tǒng)、語(yǔ)音檢測(cè)和文檔分析等領(lǐng)域中得到越來(lái)越廣泛應(yīng)用[8]，相比于人工提取特征，深度學(xué)習(xí)技術(shù)能夠利用多層神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行處理，進(jìn)而獲得圖像局部信息和深層信息[9，10].目前國(guó)內(nèi)外研究者致力于將深度學(xué)習(xí)技術(shù)應(yīng)用到各種織物和布匹的缺陷檢測(cè)中[11-15]，比如Jing 等人提出了一種基于改進(jìn)AlexNet的疵點(diǎn)分類(lèi)模型，通過(guò)用批歸一化層代替局部響應(yīng)歸一化層實(shí)現(xiàn)色織物疵點(diǎn)圖像的分類(lèi)[12]；Zhao Yudi等人模仿人類(lèi)視覺(jué)系統(tǒng)，充分利用視覺(jué)記憶的內(nèi)容和信息特征實(shí)現(xiàn)圖像分類(lèi)，從而大大提高了織物疵點(diǎn)分類(lèi)的效率[13]；Jeyaraj等人以織物缺陷的創(chuàng)新檢測(cè)為重點(diǎn)，設(shè)計(jì)開(kāi)發(fā)了一種基于卷積神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)輔助的精確織物疵點(diǎn)檢測(cè)系統(tǒng)，對(duì)具有復(fù)雜圖案的織物可以達(dá)到較高的檢測(cè)精度[14]；李軍等人對(duì)布匹疵點(diǎn)圖像的檢測(cè)與分類(lèi)進(jìn)行研究，將基于小波變換的Laws紋理濾波算法應(yīng)用于布匹瑕疵檢測(cè)，實(shí)現(xiàn)了比Gabor算法更高的檢測(cè)精度，同時(shí)提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的疵點(diǎn)分類(lèi)方法，充分利用模擬退火和粒子群的全局搜索能力實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，在一定程度上提高了疵點(diǎn)的分類(lèi)準(zhǔn)確率[15].本文在現(xiàn)有疵點(diǎn)檢測(cè)技術(shù)研究基礎(chǔ)上，將深度學(xué)習(xí)技術(shù)應(yīng)用于面料疵點(diǎn)檢測(cè)，提出了一種改進(jìn)Faster R-CNN網(wǎng)絡(luò)模型的面料疵點(diǎn)檢測(cè)方法，旨在搭建一個(gè)適用于面料疵點(diǎn)檢測(cè)的模型架構(gòu)，進(jìn)一步提高疵點(diǎn)檢測(cè)的效率與精度.

2 面料疵點(diǎn)檢測(cè)流程

如圖1所示，面料疵點(diǎn)種類(lèi)繁多，紋理、特征各不相同，采用傳統(tǒng)的圖像處理技術(shù)和視覺(jué)技術(shù)往往缺乏一定的通用性，且檢測(cè)效果一般，效率較低，而本文提出的基于改進(jìn)Faster R-CNN的面料疵點(diǎn)檢測(cè)方法，通過(guò)在數(shù)據(jù)集上高效的訓(xùn)練能很好地避免這些問(wèn)題.

圖1 面料疵點(diǎn)圖

本文的面料疵點(diǎn)檢測(cè)流程如圖2所示，對(duì)實(shí)驗(yàn)中的疵點(diǎn)數(shù)據(jù)集進(jìn)行圖像預(yù)處理，由于面料本身的紋理信息以及在采集過(guò)程中容易受到外界或設(shè)備干擾，通過(guò)一定的圖像預(yù)處理技術(shù)如圖像濾波、圖像二值化、圖像增強(qiáng)等，能去除圖像中的無(wú)關(guān)信息和降低外界干擾，有效地提高面料疵點(diǎn)的檢測(cè)精度.將經(jīng)過(guò)處理后的面料圖像按照8∶1∶1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，訓(xùn)練集用于分類(lèi)模型的訓(xùn)練，在模型訓(xùn)練完成后通過(guò)驗(yàn)證集來(lái)調(diào)整模型參數(shù)，最后用測(cè)試集對(duì)該模型進(jìn)行測(cè)試，評(píng)估模型最終的檢測(cè)結(jié)果.由于只需要檢測(cè)出疵點(diǎn)在面料的相對(duì)位置，本文將所有疵點(diǎn)類(lèi)型歸為一類(lèi)，由此來(lái)降低模型的復(fù)雜度，提高模型的準(zhǔn)確度.

圖2 面料疵點(diǎn)檢測(cè)流程圖

3 改進(jìn)Faster R-CNN的面料疵點(diǎn)檢測(cè)方法

3.1 Faster R-CNN

繼R-CNN和Fast R-CNN[16]之后，為了進(jìn)一步優(yōu)化性能、減少檢測(cè)網(wǎng)絡(luò)運(yùn)行時(shí)間，Ross Girshick等人在2016年提出了新的目標(biāo)檢測(cè)方法Faster R-CNN[17].Faster R-CNN由區(qū)域生成網(wǎng)絡(luò)(Region Proposal Networks，RPN)和Fast R-CNN兩部分構(gòu)成，結(jié)構(gòu)如圖3所示.Faster R-CNN 使用一組共享卷積層對(duì)輸入圖像進(jìn)行特征圖提取，將其作為 RPN 的輸入，RPN 使用自主學(xué)習(xí)方法生成候選區(qū)域，與卷積神經(jīng)網(wǎng)絡(luò)提取的特征圖同時(shí)輸入到Fast R-CNN中進(jìn)行候選區(qū)域的分類(lèi)和邊界回歸.從圖3中可以發(fā)現(xiàn)，共享卷積層的存在使得目標(biāo)候選區(qū)域的檢測(cè)時(shí)間大大縮短，提高了目標(biāo)檢測(cè)的效率.

圖3 Faster R-CNN結(jié)構(gòu)圖

3.1.1 RPN

Faster R-CNN最核心的優(yōu)勢(shì)是使用RPN生成候選區(qū)域.RPN的本質(zhì)是全卷積網(wǎng)絡(luò)，可接受任意大小特征圖作為輸入，它的出現(xiàn)取代了選擇性搜索、滑動(dòng)窗口和圖像金字塔等方法，RPN的核心是anchor機(jī)制，即給出一個(gè)固定大小的基準(zhǔn)窗，按照倍數(shù)和長(zhǎng)寬比例得到不同大小的邊界框.文獻(xiàn)[17]對(duì)RPN網(wǎng)絡(luò)的運(yùn)作機(jī)制做了詳細(xì)介紹，如圖4所示，通過(guò)3×3的卷積核在卷積特征圖上滑動(dòng)，針對(duì)每個(gè)滑動(dòng)窗口產(chǎn)生9個(gè)不同的anchor，然后經(jīng)過(guò)兩個(gè)并行的1×1卷積層，即圖中的分類(lèi)層和回歸層，分別對(duì)anchor進(jìn)行分類(lèi)和區(qū)域修正，最后將這些候選區(qū)域送入Fast R-CNN做進(jìn)一步檢測(cè).

圖4 RPN工作機(jī)制

3.1.2 Fast R-CNN

Fast R-CNN檢測(cè)網(wǎng)絡(luò)的作用是實(shí)現(xiàn)候選區(qū)域的分類(lèi)，并且進(jìn)行邊界回歸.其中有一個(gè)關(guān)鍵的部分便是ROI Pooling層，它能加快訓(xùn)練和測(cè)試的速度，并提高檢測(cè)精度.ROI Pooling位于RPN和全連接層之間，目的將尺寸不同的目標(biāo)候選區(qū)域輸出為固定尺寸.該層的輸入有兩部分：共享卷積神經(jīng)網(wǎng)絡(luò)最后一層輸出的特征圖和RPN輸出的候選區(qū)域.經(jīng)過(guò)ROI Pooling層不僅對(duì)特征圖的尺寸進(jìn)行了重新調(diào)整，也極大提高了處理速度，實(shí)現(xiàn)了端到端的訓(xùn)練形式.最后這些特征圖通過(guò)全連接層分別輸入分類(lèi)層和回歸層進(jìn)行預(yù)測(cè)區(qū)域類(lèi)別并修正邊框.

3.2 Faster R-CNN改進(jìn)

在目前的深度學(xué)習(xí)目標(biāo)檢測(cè)算法中，F(xiàn)aster R-CNN性能優(yōu)越，但也存在一定的不足之處，原始的Faster R-CNN容易忽略細(xì)節(jié)化的淺層特征，無(wú)法適用于小目標(biāo)場(chǎng)景檢測(cè)，而且檢測(cè)時(shí)模型的收斂能力較為一般.除此之外，F(xiàn)aster R-CNN使用傳統(tǒng)的NMS算法，它是一種傳統(tǒng)的貪心算法，很大概率會(huì)漏檢目標(biāo)，對(duì)檢測(cè)精度產(chǎn)生影響.針對(duì)原始模型的不足，本文對(duì)Faster R-CNN網(wǎng)絡(luò)架構(gòu)在特征提取、模型訓(xùn)練、目標(biāo)檢測(cè)3個(gè)階段分別進(jìn)行優(yōu)化.

在特征提取階段，為適應(yīng)小目標(biāo)疵點(diǎn)檢測(cè)場(chǎng)景，通過(guò)融合多尺度特征金字塔結(jié)構(gòu)，改善RPN網(wǎng)絡(luò)僅輸入同一尺度特征圖的情況，克服了因忽略細(xì)節(jié)化的淺層特征而導(dǎo)致特征提取不到的問(wèn)題，為模型的訓(xùn)練和疵點(diǎn)檢測(cè)提供豐富的疵點(diǎn)信息.

在模型訓(xùn)練階段，Softmax分類(lèi)器需要對(duì)提取到的疵點(diǎn)信息進(jìn)行分類(lèi)，為避免在疵點(diǎn)圖像視角或模糊情況下，出現(xiàn)分類(lèi)性能下降或目標(biāo)檢測(cè)不匹配的現(xiàn)象，對(duì)Softmax分類(lèi)器使用L2范式約束，進(jìn)一步提高模型收斂能力和分類(lèi)精度.

在目標(biāo)檢測(cè)階段，采用Soft-NMS算法去除冗余的檢測(cè)框，避免發(fā)生疵點(diǎn)漏檢，誤刪檢測(cè)框的情況，同時(shí)在不增加算法復(fù)雜性的基礎(chǔ)上提高了模型的泛化能力，再一次提高了模型對(duì)疵點(diǎn)的檢測(cè)精度.

通過(guò)優(yōu)化，模型不但適應(yīng)小目標(biāo)檢測(cè)場(chǎng)景，而且檢測(cè)精度有了雙重提升，對(duì)面料中的小目標(biāo)疵點(diǎn)具有更佳的檢測(cè)效果.

3.2.1 FPN多尺度特征提取

2017年Lin等人為提高目標(biāo)檢測(cè)精度提出了特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network)算法[18]，并首次將特征金字塔網(wǎng)絡(luò)應(yīng)用到RPN中.FPN的思想是將特征圖經(jīng)過(guò)多次上采樣并融合特征到最后一層，對(duì)每一層融合后的特征圖做獨(dú)立預(yù)測(cè).在原始的Faster R-CNN進(jìn)行目標(biāo)檢測(cè)時(shí)，無(wú)論是RPN還是Fast R-CNN，ROI Pooling都作用在最后一層，因?yàn)樽詈笠粚雍胸S富的語(yǔ)義信息，這在大目標(biāo)檢測(cè)中非常有效，而對(duì)于面料疵點(diǎn)中的小目標(biāo)來(lái)說(shuō)，當(dāng)卷積池化進(jìn)行到最后一層時(shí)，部分疵點(diǎn)信息已無(wú)法提取.

為了適應(yīng)面料中的小目標(biāo)疵點(diǎn)檢測(cè)，本文在RPN中融合多尺度特征金字塔結(jié)構(gòu)，融合后的RPN結(jié)構(gòu)如圖5所示.原始RPN網(wǎng)絡(luò)的輸入僅有一種尺度的特征圖，現(xiàn)將FPN嵌在RPN網(wǎng)絡(luò)中，用RPN對(duì)特征金字塔網(wǎng)絡(luò)中每一個(gè)尺度的特征圖進(jìn)行提取，生成不同尺度的特征并融合作為RPN網(wǎng)絡(luò)的輸入，這樣提取到的候選區(qū)域包含豐富的疵點(diǎn)信息，之后通過(guò)ROI Pooling輸出固定維度的特征圖，分別通過(guò)回歸和分類(lèi)兩條分支對(duì)面料疵點(diǎn)進(jìn)行候選區(qū)域調(diào)整和類(lèi)別判定.

圖5 RPN融合FPN結(jié)構(gòu)圖

對(duì)于卷積神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，深層包含豐富的特征語(yǔ)義信息，淺層能提供豐富的細(xì)節(jié)信息[19]，而深層和淺層網(wǎng)絡(luò)的特征映射圖尺寸不同，經(jīng)過(guò)RPN和FPN的融合，能更好的增加細(xì)節(jié)化的淺層特征，對(duì)于面料疵點(diǎn)中小目標(biāo)的檢測(cè)精度有了明顯提高，進(jìn)一步提高了檢測(cè)效率.

3.2.2 Softmax正則化

Softmax分類(lèi)函數(shù)是卷積神經(jīng)網(wǎng)絡(luò)中最常規(guī)的一種分類(lèi)函數(shù)，F(xiàn)aster R-CNN中的RPN和池化后的分類(lèi)方法均采用Softmax分類(lèi)器.Softmax基于線性模型，是Logistic的推廣，它思想非常簡(jiǎn)單，趨于樣本分布，通過(guò)Softmax函數(shù)得出概率值，最終以概率的形式確定樣本類(lèi)別.Softmax分類(lèi)函數(shù)如式(1)，為了使正確分類(lèi)的概率最大，引申出了Softmax損失函數(shù)，如式(2)：

(1)

L(θ)=-logP(y=i)

(2)

其中，i表示類(lèi)別，C為類(lèi)別總數(shù)，P(y=i)表示分類(lèi)函數(shù)輸出向量P的第i個(gè)值.

Softmax函數(shù)以概率的形式進(jìn)行分類(lèi)，在對(duì)面料疵點(diǎn)進(jìn)行檢測(cè)時(shí)，如果存在疵點(diǎn)圖像視角問(wèn)題或模糊情況，便會(huì)導(dǎo)致Softmax分類(lèi)函數(shù)性能下降，出現(xiàn)目標(biāo)檢測(cè)不匹配或檢測(cè)精度不高的現(xiàn)象.針對(duì)Softmax的優(yōu)化，引入L2范式對(duì)Softmax分類(lèi)器進(jìn)行約束，約束后的損失函數(shù)如式(3)：

(3)

‖f(Xi)‖2=α，?i=1,2,3,4,…,M

通過(guò)L2范數(shù)的約束，將最后一層的特征約束在同一球面內(nèi)，減少類(lèi)內(nèi)間距，增大類(lèi)間間距，提高了Softmax分類(lèi)器的分類(lèi)準(zhǔn)確性，從而有利于面料疵點(diǎn)的精確檢測(cè).

3.2.3 Soft-NMS

Soft-NMS算法最早于文獻(xiàn)[20]中提出，用于R-FCN、D-RFCN和Faster R-CNN等多種網(wǎng)絡(luò)模型代替NMS算法進(jìn)行目標(biāo)檢測(cè).傳統(tǒng)的NMS算法思想是：將區(qū)域中置信度最高的檢測(cè)框選出來(lái)，計(jì)算剩余檢測(cè)框和該檢測(cè)框的重合度，將所有高于閾值的檢測(cè)框刪除，達(dá)到減少冗余信息的目的.NMS算法的重置函數(shù)式(4)如下：

(4)

其中，Si表示第i個(gè)檢測(cè)框的得分，M表示得分最高的檢測(cè)框，bi表示待檢測(cè)框，IoU(M，bi)表示檢測(cè)框M和bi的重合度，Nt為預(yù)設(shè)閾值.

通過(guò)上述描述發(fā)現(xiàn)NMS算法是一種傳統(tǒng)的貪心算法，它的問(wèn)題在于將相鄰的檢測(cè)框直接刪掉，如果在面料疵點(diǎn)檢測(cè)中有位置相近的疵點(diǎn)，產(chǎn)生的檢測(cè)框也大面積重合時(shí)，根據(jù)NMS算法很大概率會(huì)漏檢目標(biāo)，對(duì)檢測(cè)精度產(chǎn)生影響.在這種情況下，使用Soft-NMS算法代替NMS算法能避免目標(biāo)漏檢，解決誤刪檢測(cè)框的問(wèn)題.Soft-NMS的重置函數(shù)式(5)如下：

(5)

其中f(x)一般有線性函數(shù)和高斯函數(shù)兩中類(lèi)型，考慮到函數(shù)衰減程度問(wèn)題，本文選用高斯函數(shù)進(jìn)行重置，如式(6)：

(6)

其中σ為超參數(shù)，D為最終檢測(cè)框集合.通過(guò)上式可以看出，對(duì)于重合度較高的檢測(cè)框，Soft-NMS沒(méi)有將其直接刪除，而是通過(guò)重合度對(duì)檢測(cè)框的置信度進(jìn)行衰減，最終得到的結(jié)果并非一定是全局最優(yōu)解，但比NMS更泛化，能有效避免面料疵點(diǎn)丟失，且算法的復(fù)雜度并未提高.

4 實(shí)驗(yàn)結(jié)果及分析

本文使用天池布匹疵點(diǎn)數(shù)據(jù)集進(jìn)行預(yù)處理，選取了6000張大小為500×375的面料圖像進(jìn)行實(shí)驗(yàn)，其中正常樣本4000張，疵點(diǎn)樣本2000張，兩種樣本在經(jīng)過(guò)預(yù)處理后按照8∶1∶1的比例隨機(jī)生成訓(xùn)練集、測(cè)試集和驗(yàn)證集.實(shí)驗(yàn)運(yùn)行的硬件環(huán)境為Intel Core i5-82500U，12G內(nèi)存，在Ubuntu操作系統(tǒng)下搭建tensorflow深度學(xué)習(xí)框架.

4.1 實(shí)驗(yàn)檢測(cè)結(jié)果

將數(shù)據(jù)集分別用于改進(jìn)前后的模型進(jìn)行訓(xùn)練、測(cè)試，結(jié)果如圖6所示，檢測(cè)框框出的為面料上的疵點(diǎn)并給出了該檢測(cè)框的置信度，圖6左右兩邊分別是模型改進(jìn)前后的檢測(cè)情況，從圖中可以看出，對(duì)于小目標(biāo)的疵點(diǎn)，原始模型有時(shí)會(huì)發(fā)生漏檢，而改進(jìn)后的模型能進(jìn)行準(zhǔn)確的檢測(cè)與定位，而且效果較好.

4.2 檢測(cè)結(jié)果對(duì)比

為了驗(yàn)證模型的有效性，本文采用準(zhǔn)確率(Accuracy)、精確度(Precision)、召回率(Recall)和F1值4個(gè)評(píng)價(jià)參數(shù)對(duì)兩個(gè)模型進(jìn)行對(duì)比分析.模型的評(píng)價(jià)參數(shù)表如表1所示，相對(duì)于改進(jìn)前的模型，改進(jìn)后的模型在4個(gè)評(píng)價(jià)參數(shù)上均有一定的提高.對(duì)比圖6模型改進(jìn)前后的疵點(diǎn)檢測(cè)圖，我們可以發(fā)現(xiàn)：原始模型生成的檢測(cè)框大小具有一定局限性，當(dāng)有多個(gè)疵點(diǎn)相鄰時(shí)，容易發(fā)生誤檢、漏檢現(xiàn)象；對(duì)于某些邊緣模糊不清的疵點(diǎn)，原始模型提取不到足夠的特征信息，容易造成檢測(cè)框定位不準(zhǔn).這兩點(diǎn)通過(guò)模型改進(jìn)均能有效地避免.

圖6 模型改進(jìn)前后的疵點(diǎn)檢測(cè)

表1 模型改進(jìn)前后的評(píng)價(jià)參數(shù)表

4.3 損失函數(shù)分析

改進(jìn)前后的模型在訓(xùn)練中的損失函數(shù)曲線如圖7所示.實(shí)驗(yàn)中設(shè)置的迭代次數(shù)為15000次，從圖中可以發(fā)現(xiàn)：改進(jìn)前的模型在迭代9000次左右開(kāi)始趨于平穩(wěn)，改進(jìn)后的模型在迭代3000次后就開(kāi)始收斂，且損失約為0.05.實(shí)驗(yàn)證明，改進(jìn)后的模型收斂速度更快，訓(xùn)練結(jié)果較為理想.

圖7 改進(jìn)前后模型的損失函數(shù)曲線

5 結(jié)束語(yǔ)

本文針對(duì)面料疵點(diǎn)的檢測(cè)提出了一種改進(jìn)深度學(xué)習(xí)算法Faster R-CNN的檢測(cè)技術(shù)，通過(guò)在基礎(chǔ)框架中融合特征金字塔網(wǎng)絡(luò)，對(duì)Softmax分類(lèi)器和NMS算法的改進(jìn)和優(yōu)化，實(shí)現(xiàn)了對(duì)小目標(biāo)和密集疵點(diǎn)的準(zhǔn)確檢測(cè).實(shí)驗(yàn)結(jié)果表明，相對(duì)于原始模型，改進(jìn)后的模型對(duì)于面料疵點(diǎn)的檢測(cè)具有更高的準(zhǔn)確率、泛化能力和魯棒性.此外，本文的面料疵點(diǎn)檢測(cè)研究主要集中在紋理較為簡(jiǎn)單的布匹疵點(diǎn)數(shù)據(jù)集上，在未來(lái)的研究中，我們將對(duì)面料的種類(lèi)、紋理特征、疵點(diǎn)類(lèi)型進(jìn)行深入研究，進(jìn)一步提高模型對(duì)面料疵點(diǎn)檢測(cè)的準(zhǔn)確率.