基于深度特征融合的無紡布低對比度漿絲缺陷檢測方法

魯永帥，唐英杰，馬鑫然

（北京印刷學院 信息工程學院，北京 102600）（?通信作者電子郵箱tangyj@bigc.edu.cn）

基于深度特征融合的無紡布低對比度漿絲缺陷檢測方法

魯永帥，唐英杰*，馬鑫然

（北京印刷學院 信息工程學院，北京 102600）（?通信作者電子郵箱tangyj@bigc.edu.cn）

針對無紡布生產過程中產生的漿絲缺陷對比度較低，以及傳統圖像處理方法對其檢測效果較差的問題，提出了一種基于卷積神經網絡（CNN）的無紡布低對比度漿絲缺陷檢測方法。首先，對采集到的無紡布圖像進行預處理以構建漿絲缺陷數據集；然后，利用改進的卷積神經網絡以及多尺度特征采樣融合模塊構造編碼器以提取低對比度漿絲缺陷的語義信息，并在解碼器中采用跳躍連接進行多尺度特征融合來優化上采樣模塊；最后，通過所構建的數據集訓練網絡模型，從而實現低對比度漿絲缺陷的檢測。實驗結果表明，所提方法可以有效定位并檢測出無紡布上的低對比度漿絲缺陷，其平均交并比（MIoU）、類別平均像素準確率（MPA）分別可以達到77.32%和86.17%，單張樣本平均檢測時間為50 ms，能夠滿足工業生產的要求。

無紡布；低對比度；漿絲缺陷；語義分割；深度學習

0 引言

無紡布行業發展迅速，逐漸成為新興產業。由于無紡布具備輕便、環保、耐用等特點，被廣泛應用在各個行業［1］。無紡布生產中形成的缺陷會嚴重降低布匹質量，其中漿絲缺陷由于對比度低，缺陷區域與背景區域的灰度十分接近，并且缺陷大小、形態各異，導致缺陷檢出難度大，目前還未發現較好的檢出方法。當前工業生產中的無紡布漿絲缺陷檢測主要依靠人工完成，該方法效率低、成本高，容易產生誤判，因此企業亟需一種自動高效的無紡布低對比度漿絲缺陷檢測方法。

目前缺乏針對無紡布低對比度漿絲缺陷檢測的研究，但已有不少學者利用機器視覺以及深度學習的方法來進行無紡布的其他缺陷檢測。徐祖鑫［2］通過Gabor小波濾波方法并結合最大類間方差法，實現無紡布疵點的檢測；張渤等［3］通過選取Gabor濾波器的最優參數并結合大律法來進行缺陷檢測；邵鑫玉等［4］根據灰度均值進行動態閾值分割，再利用Blob方法實現無監督的無紡布污點和孔洞缺陷的檢測；撒雨昕等［5］通過選取Gabor濾波器的最優濾波方向與尺度再結合閾值分割的方法來獲取缺陷；陳先等［6］通過選取最佳核函數進行分類器訓練，實現無紡布中特征明顯的翻網缺陷檢測；王文遠等［7］利用Canny邊緣檢測以及改進的二叉樹支持向量機實現無紡布中油污、破洞、褶皺、邊緣破損四類特征明顯缺陷的分類檢測。以上傳統的無紡布缺陷檢測方法中，檢測的缺陷與背景對比度都比較明顯，且大多采用閾值分割以及邊緣檢測的算法，此類算法適用于對比度較強且比較明顯的缺陷。因此，現有的傳統無紡布缺陷檢測方法直接用于無紡布低對比度漿絲缺陷檢測的效果不好。利用深度學習進行無紡布缺陷檢測的方法較少，趙鵬等［8］通過構造一個14層的卷積神經網絡，完成無紡布4類缺陷的自動分類，但該方法實現的是無紡布缺陷圖像分類，無法用于本文的語義分割中；鄧澤林等［9］聯合最大穩定極值區域方法和卷積神經網絡，實現無紡布點狀以及絲狀疵點檢測，所檢測的缺陷與背景間對比度較高，無法適用于低對比度的漿絲缺陷檢測；汪坤等［10］提出了一種基于改進的Unet的織物印花語義分割算法，實現織物印花的準確分割，該方法所研究的印花對比度也較強。

綜上所述，目前已有的無紡布缺陷檢測方法中，主要利用傳統的機器視覺方法，基于深度學習的研究較少，并且現有方法所針對的缺陷對比度都較高，無法直接應用于低對比度的漿絲缺陷檢測。針對上述問題，本文提出了一種基于深度學習的無紡布低對比度漿絲缺陷檢測方法，該方法可以有效定位并檢測出低對比度的漿絲缺陷，同時滿足工業檢測時間要求。首先，對樣本預處理，基于Segnet網絡結構［11］，在編碼器階段采用卷積神經網絡［12］以及多尺度特征采樣融合模塊提取低對比度缺陷特征；然后，在解碼器階段通過多尺度特征融合優化上采樣模塊，融合更多低對比度缺陷語義信息。此外，在相同條件下，與現有的圖像處理與分割方法以及經典語義分割網絡進行對比實驗，實驗結果驗證了所提改進網絡的有效性。

1 低對比度漿絲缺陷檢測

1.1 缺陷識別模型構建

本文基于Segnet網絡構建了一種多尺度特征融合的語義分割網絡。該網絡由編碼器和解碼器兩部分構成。在編碼器階段，通過卷積、池化、多尺度采樣融合操作提取低對比度漿絲缺陷的高級語義信息。在解碼器階段，對提取的高層特征圖進行上采樣后，與編碼器中底層特征進行跳躍連接，最終實現對缺陷區域的定位識別。以下從整體語義分割網絡模型、多尺度特征采樣融合模塊、解碼器跳躍連接結構三個方面進行介紹。

1.1.1 整體網絡模型

改進后的網絡結構如圖1所示。漿絲缺陷數據圖像比較單一，僅有缺陷以及背景兩類，如果網絡結構過于復雜，會導致特征提取過度，造成網絡過擬合，同時增加了網絡訓練以及預測時間，不利于工業生產中的實時檢測，因此需要合理安排下采樣模塊中的卷積層數，在保證模型精度的情況下，提高訓練與預測效率。通過實驗驗證，最終構建了一個15層的卷積神經網絡進行特征提取，網絡參數如表1所示。

圖1 改進的網絡結構Fig. 1 Improved network structure

每兩次卷積后選用最大值池化［13］進行下采樣，最大值池化相較于平均值池化可以更好地提取圖像紋理信息，有利于缺陷識別。卷積層使用ReLU（Rectified Linear Unit）激活函數［14］來加快模型訓練與收斂，函數表達式如下：

式中：x為激活函數輸入；O為激活函數輸出。針對漿絲缺陷對比度較低，傳統的卷積方法無法有效地提取低對比度漿絲缺陷區域特征的問題，構建了一個多尺度特征采樣融合模塊。該模塊可以對卷積神經網絡提取的低對比度漿絲缺陷特征圖進行多次不同尺度的特征提取，之后再進行特征融合，獲取豐富的漿絲缺陷信息，提高網絡對低對比度漿絲缺陷的感知能力；接著，對融合的特征圖進行多次上采樣，每次上采樣后與編碼器中對應大小特征圖進行融合，彌補網絡在進行多層卷積時所丟失的重要細節信息，提高網絡對微小缺陷的鑒別能力。通過多次上采樣、特征融合操作，輸出一張原圖大小的低對比度漿絲缺陷分割圖。改進后的網絡使用交叉熵損失函數［15］計算真實值與預測值之間誤差，計算式如下：

式中：L為n個樣本損失和；yi為樣本真實標簽值；為樣本預測概率值。

表1 卷積神經網絡結構參數Tab. 1 Structural parameters of convolutional neural network

為了提高低對比度漿絲缺陷的分割精度，本文對傳統語義分割網絡做了以下三個方面的改進：1）優化編碼器中卷積神經網絡結構，保證特征提取充分的情況下，提高訓練以及預測效率，防止過擬合；2）對編碼器中的高層特征利用空洞卷積［16］進行多尺度特征采樣融合，提升網絡對低對比度缺陷的檢測能力；3）在解碼器中加入跳躍連接，將低層特征與高層特征進行融合，獲取更多微小缺陷信息，提升模型分割精度。空洞卷積計算式如下：

式中：K為原卷積核尺寸；R為卷積核膨脹率；Kapos;為膨脹后卷積核尺寸；I為輸入特征圖大小；O為輸出特征圖大小；P為填充像素數；S為步長。

1.1.2 多尺度特征采樣融合模塊

針對原網絡對低對比度漿絲缺陷檢測效果較差的問題，構建了一個多尺度特征采樣融合模塊，如圖2所示。該模塊能夠對卷積神經網絡提取的第4層特征圖C4進行三次不同采樣率的空洞卷積，通過實驗確定最佳采樣率為（1，3，5），首先，利用三次空洞卷積分別對同一特征圖進行重采樣，可以從多個尺度獲取低對比度缺陷的語義信息；然后，進行特征融合輸出一張具有充足低對比度漿絲缺陷語義信息的特征圖，增強網絡對低對比度缺陷的表達能力；特征融合后選取最大值池化進行下采樣，再經過卷積調整通道數，最終輸出具有充足低對比度缺陷信息的特征圖C5。C5計算式為：

式中：Conv1為卷積核大小為的卷積操作；Max為最大值池化操作；Concat為對特征圖通道數進行連接；D1為采樣率為1的空洞卷積，D3為采樣率為3的空洞卷積，D5為采樣率為5的空洞卷積。

模塊中利用空洞卷積擴大卷積核的感受野，捕獲低對比度漿絲缺陷的多尺度特征，相較于傳統的卷積，能夠有效減少網絡參數，提升網絡對低對比度缺陷的檢測能力。

圖2 多尺度特征采樣融合模塊Fig. 2 Multi-scale feature sampling fusion module

1.1.3 解碼器跳躍連接結構

編碼器在不斷卷積進行下采樣的過程中會丟失一些重要的微小漿絲缺陷信息，若直接對下采樣得到的特征圖進行上采樣，則無法恢復這些細節信息，導致網絡對微小缺陷的檢測能力不足。為解決這一問題，對解碼器進行改進，改進后的解碼器輸入包括編碼階段每次下采樣輸出的底層特征圖以及多尺度采樣融合后的高層特征圖，解碼器詳細信息如表2所示，、分別表示特征圖的高、寬。底層特征圖具有豐富的位置、細節信息，有利于微小瑕疵檢測。利用跳躍連接結構能使特征圖跨層融合的特性，通過實驗選出最佳的跨層連接結構，對高層特征圖每次上采樣后與編碼器中對應特征圖進行跳躍連接，融合高低層語義信息，融合后的特征圖具有豐富的微小缺陷語義信息，再使用卷積進一步提取特征并調整通道數，具體結構如圖3所示。

表2 解碼器詳細參數Tab. 2 Detail parameters of decoder

圖3 跳躍連接結構Fig. 3 Skip connection structure

通過五次上采樣、四次跳躍連接，輸出一張原圖大小的分割圖，實現對微小缺陷的定位識別，計算式如下：

式中：C5為編碼器最后輸出的特征圖；U為上采樣操作；Oi為每次跳躍連接后輸出的特征圖；為卷積核大小為的卷積操作；Concat為對特征圖通道數進行連接；Ci為編碼器中每次下采樣輸出的特征圖；Fi為解碼器中每次上采樣輸出的特征圖。

解碼器中利用Softmax函數實現逐像素分類，其表達式如下：

式中：zi為第i個節點輸出；N為輸出節點個數；為預測結果概率值。

2 實驗與結果分析

2.1 數據集

本文實驗用數據集由北京深點視覺科技有限公司提供，采集到的無紡布圖像包含布匹邊緣部分，為了消除邊緣部分的影響，對圖像進行裁剪，裁剪后像素統一調整為。使用Labelme軟件對數據集進行標注，原圖中缺陷區域對比度很低，與背景灰度值十分接近，圖4為截取的缺陷比較明顯的區域以及局部放大圖。從圖4中能夠看出，缺陷邊緣十分模糊，并且缺陷紋理與背景紋理相同，缺陷通常為不規則的細條狀，放大的像素圖中顏色較白的像素塊為缺陷區域，顏色較灰像素塊為背景區域。經過測量，缺陷中心較白區域灰度值大多在193～205，缺陷邊緣灰度值基本在187～198，背景灰度值集中在175～197，缺陷與背景之間過渡十分模糊，二者之間對比度很弱，同時背景中的一些較白紋理區域也與缺陷區域十分相近，導致缺陷區域檢出難度很大。通過數據增強對數據集進行擴充，擴充后數據集圖像為3 801張，訓練集、驗證集、測試集比例設置為8∶1∶1。數據集原圖以及標注圖如圖5所示。

圖4 缺陷區域以及其放大圖Fig. 4 Defect area and its enlarged view

圖5 數據集原圖及其標注圖Fig. 5 Original dataset image and its annotation image

在進行訓練前，需要對標注的數據進行處理，將標注的缺陷灰度值置為1，背景灰度值置為0。

2.2 環境配置以及參數

本文所有程序均在同一環境下進行，實驗所用操作系統為Windows 10教育版，CPU為英特爾i7-7700，內存大小為32 GB，GPU為NVIDIA GTX 1080 Ti，深度學習框架為Keras。

改進后的模型使用自適應矩估計（Adaptive moment estimation， Adam）優化器［17］最小化損失函數。實驗中進行15輪訓練，共迭代23 085次，批樣本數量設置為2，初始學習率設置為0.000 1，驗證損失三次不下降后，將學習率縮減為原來的一半。

2.3 評價指標

為了驗證模型性能，使用測試集對訓練得到的模型進行評估。本文采用平均交并比（Mean Intersection over Union， MIoU）、類別平均像素準確率（Mean Pixel Accuracy， MPA）作為評價指標，計算式如下：

式中：TP表示模型預測為漿絲缺陷，實際為漿絲缺陷；TN表示模型預測為背景，實際為背景；FP表示模型預測為漿絲缺陷，實際為背景；FN表示模型預測為背景，實際為漿絲缺陷。這兩個指標能夠客觀地反映出模型性能，值越高表示模型性能越好。

2.4 結果分析

通過設置多組對比實驗，驗證改進模型的優越性。將改進后的模型與Deeplabv3+、Xception、Pspnet、Segnet、Unet這五種傳統的語義分割網絡，以及文獻［10］所采用的針對織物分割效果較好的改進網絡進行對比，實驗采用相同環境配置和參數設置，使用同樣的訓練集、驗證集與測試集，并采用本文評價標準進行性能比較，結果如表3所示。

表3 不同網絡的性能對比Tab. 3 Performance comparison of different networks

從表3中可以看出，對于低對比度漿絲缺陷檢測，本文改進網絡的MIoU、MPA可以達到77.32%、86.17%，相較效果較好的Unet網絡分別提高了2.68個百分點、7.57個百分點，相較原Segnet網絡分別提高了11.75個百分點、19.4個百分點，相較對織物分割效果較好的文獻［10］網絡分別提高了1.18個百分點與6.07個百分點，與其他網絡相比也均有不小提升。改進后的網絡平均每輪訓練時間為7 min，優于其他網絡，可以大幅節省訓練時間，提高模型效率。Pspnet、Unet網絡的檢測速度略快，但網絡性能遠不如本文改進網絡，文獻［10］網絡與Xception網絡的檢測時間最長，不滿足實時檢測要求，本文改進網絡的單張樣本檢測時間為50 ms，能夠滿足工業檢測的速度要求。本文改進網絡相較Deeplabv3+、Xception、Pspnet、Segnet、Unet以及文獻［10］網絡性能有較大提升，主要原因在于特征提取階段調整了卷積結構以及進行了多尺度采樣融合，獲取了充足的低對比度缺陷語義信息，并在解碼器上采樣階段加入了跳躍連接，利用高低層特征融合，獲取了更多漿絲缺陷細節，提升了分割精度。

各網絡檢測效果如圖6所示，原Segnet檢測效果不佳未在圖中給出。從圖6可以看出，Pspnet與Deeplabv3+網絡對低對比度漿絲缺陷的識別結果較差，無法達到缺陷檢測的目的；Xception與Unet網絡能夠定位識別出部分缺陷，但無法識別對比度更低的缺陷區域，對微小瑕疵不敏感，并且識別的缺陷輪廓比較模糊，毛刺噪聲過多，不具有連貫性；文獻［10］網絡相較于傳統的語義分割網絡檢測效果較好，但仍存在微小漿絲缺陷未識別，以及對缺陷輪廓識別不夠精準的問題；本文改進網絡通過多尺度特征采樣融合以及跳躍連接，能夠準確定位并分割出低對比度漿絲缺陷，識別的缺陷輪廓清晰平滑。

圖6 不同網絡檢測結果對比Fig. 6 Comparison of detection results of different networks

本文改進網絡對傳統Segnet網絡進行了3個階段的改進：改進1通過減少卷積層優化下采樣結構，可有效防止梯度爆炸與消失，同時在保證精度的情況下提升了計算速率，調整后其MIoU、MPA相較于原網絡分別提高了10.27個百分點、15.24個百分點；改進2在編碼器中采用多尺度特征融合模塊，通過獲取多尺度低對比度漿絲缺陷信息，提升了低對比度缺陷的分割精度，調整后其MIoU、MPA相較改進1分別提高了1.21個百分點、1.75個百分點；改進3在解碼器階段加入了跳躍連接，融合底層特征，提高了在細節方面的檢測能力，調整后其MIoU、MPA相較改進2分別提高了0.27個百分點、2.41個百分點。各階段對比結果如表4所示。

表4 改進網絡各個階段的性能結果對比Tab. 4 Comparison of performance results at various stages of improved networks

注：“√”表示網絡中包含該結構，“×”表示網絡中不包含該結構。

圖7為改進網絡各個階段檢測結果對比，組一、二原圖中分別包含了低對比度漿絲缺陷；改進1中無法識別出微小缺陷，并且識別的缺陷相互粘連；改進2檢測效果得到改善，缺陷不再粘連，能夠檢出對比度較低的缺陷，但存在微小缺陷未檢出的情況；改進3得到的最優網絡，能夠解決以上問題，準確分割出缺陷與背景。

圖7 改進網絡各個階段檢測結果對比Fig. 7 Comparison of detection results at various stages of improved networks

將本文方法與區域生長法、最大類間方差法［2］、Gabor濾波法［3］、動態閾值分割法［4］、Canny邊緣檢測法［7］這幾種傳統圖像處理方法進行對比，不同方法的檢測結果如圖8所示。

由圖8可以看出，傳統的圖像處理方法均無法有效識別出低對比度漿絲缺陷，缺陷區域邊界比較模糊，邊界處對比度低，因此通過邊緣檢測類的方法無法檢出，同時圖像中存在大量噪點，缺陷與背景的灰度值十分接近，無法通過閾值分割以及Gabor濾波法來分離缺陷與背景。采用本文方法代替傳統的圖像處理方法可以精準分割出缺陷與背景。

圖8 不同方法檢測結果對比Fig. 8 Comparison of detection results of different methods

3 結語

本文針對無紡布低對比度漿絲缺陷構建了一種具有跳躍連接結構以及多尺度特征采樣融合模塊的語義分割網絡，實現了端到端的低對比度漿絲缺陷檢測。針對圖像是一個二分類問題，構建了一個最優結構的卷積神經網絡進行特征提取，平衡精度與網絡運行效率；針對漿絲缺陷對比度較低的問題，利用構建的多尺度特征采樣融合模塊加強網絡對低對比度區域的特征提取；針對網絡對微小漿絲缺陷檢出效果較差的問題，在上采樣過程中引入跳躍連接融合底層豐富的細節缺陷信息，最終實現了對低對比度漿絲缺陷的準確分割。此外，通過與現有的圖像處理方法、分割效果較好的網絡，以及經典語義分割網絡進行對比實驗，驗證了本文方法的有效性。實驗結果表明，本文方法的檢測結果可以達到77.32%的平均交并比（MIoU）和86.17%的類別平均像素準確率（MPA），單張圖像的檢測時間為50 ms，可以有效檢測出低對比度漿絲缺陷，滿足工業檢測的速度要求。接下來，我們的工作重點是進一步提升缺陷分割精度以及實現模型的落地應用。

[1] 張靜.淺談現階段我國無紡布生產的現狀與發展［J］.科技創新導報，2011（31）：72.（ZHANG J. On the present situation and development of nonwoven fabric production in China ［J］. Science and Technology Innovation Herald， 2011（31）： 72.）

[2] 許祖鑫.基于Gabor濾波器的無紡布疵點檢測系統研究［D］.武漢：華中科技大學，2013：16-26.（XU Z X. Research on nonwoven fabric defect detection system using Gabor filter ［D］. Wuhan： Huazhong University of Science and Technology， 2013： 16-26.）

[3] 張渤，張代林，陳幼平.用于無紡布缺陷檢測的Gabor濾波器參數研究［J］.武漢理工大學學報，2012，34（7）：129-133.（ZHANG B，ZHANG D L， CHEN Y P. Research on Gabor filter parameters used for non-woven fabric defects detection ［J］. Journal of Wuhan University of Technology， 2012， 34（7）： 129-133.）

[4] 邵鑫玉，華繼釗.基于機器視覺的無紡布缺陷自動檢測系統［J］.計算機科學，2014，41（6A）：487-489.（SHAO X Y， HUA J Z. Automatic detection system of fabric defects based on machine vision ［J］. Computer Science， 2014， 41（6A）： 487-489.）

[5] 撒雨昕，蔡碩.基于最優Gabor濾波器的無紡布缺陷檢測［J］.信息通信，2018（10）：18-20.（SA Y X， CAI S. Non-woven fabric defect detection based on optimized Gabor filter ［J］. Information and Communications， 2018（10）： 18-20.）

[6] 陳先，郭東妮，尹文芳.SVM在無紡布質量檢測方面的應用［J］.電子制作，2020（15）：90-93，67.（CHEN X， GUO D N， YI W F. Application of SVM in quality inspection of nonwoven fabrics ［J］. Practical Electronics， 2020（15）： 90-93， 67.）

[7] 王文遠，金晅宏，韓悅.改進二叉樹SVM模型在無紡布缺陷檢測中的應用［J］.電子測量技術，2020，43（20）：98-103.（WANG W Y，JIN X H， HAN Y. Application of the improved binary tree SVM model in non-woven fabric defect detection ［J］. Electronic Measurement Technology， 2020， 43（20）： 98-103.）

[8] 趙鵬，唐英杰，楊牧，等.卷積神經網絡在無紡布缺陷分類檢測中的應用［J］.包裝工程，2020，41（5）：192-196.（ZHAO P， TANG Y J，YANG M， et al. Application of convolutional neural network in classification and detection of non-woven fabric defects ［J］. Packaging Engineering， 2020， 41（5）： 192-196.）

[9] 鄧澤林，劉行，董云龍，等.無紡布疵點實時檢測技術與系統設計［J］.自動化學報，2021，47（3）：583-593.（DENG Z L， LIU X，DONG Y L， et al. Non-woven fabric real-time defects detection method and framework design ［J］. Acta Automatica Sinica， 2021， 47（3）： 583-593.）

[10] 汪坤，史偉民，李建強，等.基于深度學習的織物印花分割算法研究［J］.現代紡織技術，2021，29（3）：45-50.（WANG K， SHI W M， LI J Q， et al. Research on fabric printing segmentation algorithm based on deep learning ［J］. Advanced Textile Technology， 2021， 29（3）： 45-50.）

[11] ALQAZZAZ S， SUN X F， YANG X， et al. Automated brain tumor segmentation on multi-modal MR image using SegNet ［J］. Computational Visual Media， 2019， 5（2）： 209-219.

[12] ZHAO B D， LU H Z， CHEN S F， et al. Convolutional neural networks for time series classification ［J］. Journal of Systems Engineering and Electronics， 2017， 28（1）： 162-169.

[13] 余珮嘉，張靖，謝曉堯.基于自適應池化的行人檢測方法［J］.河北科技大學學報，2019，40（6）：533-539.（YU P J， ZHANG J， XIE X Y. Pedestrian detection based on adaptive pooling method ［J］. Journal of Hebei University of Science and Technology， 2019， 40（6）： 533-539.）

[14] LIU B. Understanding the loss landscape of one-hidden-layer ReLU networks ［J］. Knowledge-Based Systems， 2021，220： No.106923.

[15] SONG W D， JIA G H， ZHU H， et al. Automated pavement crack damage detection using deep multiscale convolutional features ［J］. Journal of Advanced Transportation， 2020， 2020： Article No.6412562.

[16] SUN X F， LI J M， MA J L， et al. Segmentation of overlapping chromosome images using U-Net with improved dilated convolutions ［J］. Journal of Intelligent and Fuzzy Systems， 2021， 40（3）： 5653-5668.

[17] 徐龍飛，郁進明.不同優化器在高斯噪聲下對LR性能影響的研究［J］.計算機技術與發展，2020，30（3）：7-12.（XU L F， YU J M. Study on influence of different optimizers on performance of LR under Gaussian noise ［J］. Computer Technology and Development， 2020， 30（3）： 7-12.）

Low contrast filament sizing defect detection method of non-woven fabric based on deep feature fusion

LU Yongshuai， TANG Yingjie*， MA Xinran

（College of Information Engineering，Beijing Institute of Graphic Communication，Beijing102600，China）

In order to solve the problem of poor detection effect of traditional image processing methods for the low contrast filament sizing defects in non-woven fabric production process， a low contrast filament sizing defect detection method of non-woven fabric based on Convolutional Neural Network （CNN） was proposed. Firstly， the collected non-woven fabric images were preprocessed to construct a defect dataset of filament sizing. Then， an improved convolutional neural network and a multi-scale feature sampling fusion module were used to construct an encoder to extract the semantic information of low contrast filament sizing defects， and a skip connection was used in the decoder to achieve multi-scale feature fusion for optimizing the upsampling module. Finally， the low contrast defect detection of filament sizing was realized by training the network model on the constructed dataset. Experimental results show that， the proposed method can effectively locate and detect the low contrast filament sizing defects on non-woven fabric. The Mean Intersection over Union （MIoU） and category Mean Pixel Accuracy （MPA） of the proposed method can reach 77.32% and 86.17% respectively， and the average detection time of single sample of the proposed method is 50 ms， which can meet the requirements of industrial production.

non-woven fabric; low contrast; filament sizing defect; semantic segmentation; deep learning

TP391. 4

A

1001-9081（2022）05-1440-07

10.11772/j.issn.1001-9081.2021050834

2021?05?18；

2021?09?09；

2021?09?16。

北京市自然科學基金項目-北京市教委科技計劃重點項目（KZ202010015021）。

魯永帥（1996—），男，河南項城人，碩士研究生，主要研究方向：深度學習、圖像處理； 唐英杰（1963—），男，安徽碭山人，副教授，碩士，主要研究方向：機器視覺、圖像處理； 馬鑫然（1996—），女，北京人，碩士研究生，主要研究方向：深度學習、圖像處理。

This work is partially supported by Beijing Natural Science Foundation Project-Beijing Municipal Education Commission Science and Technology Plan Key Project （KZ202010015021）.

LU Yongshuai， born in 1996， M. S. candidate. His research interests include deep learning， image processing.

TANG Yingjie， born in 1963， M. S.， associate professor. His research interests include machine vision， image processing.

MA Xinran， born in 1996， M. S. candidate. Her research interests include deep learning， image processing.