计算机工程

作者：杨毅, 桑庆兵

单位：江南大学 人工智能与计算机学院, 江苏 无锡 214122

关键词：织物瑕疵检测,自适应空间特征融合,CoordAttention模块,YOLOv4网络,MobileNetv2网络

基金：国家自然科学基金面上项目（52172324）；陕西省交通厅重点项目（20-38T）；西安市未央区科技计划项目（202121）；长安大学实验教学改革研究项目（20211811）。

织物瑕疵检测是纺织行业保证产品质量的重要环节，针对织物瑕疵检测中存在小目标瑕疵检测困难、不同种类瑕疵长宽比差异大、对实时性要求高等问题，提出一种新的轻量化织物瑕疵检测算法。以YOLOv4网络为基础，使用轻量化网络MobileNetv2为主干网络，有效减少模型参数总量与运算量，以满足实时性需求。在MobileNetv2的逆残差结构中加入CoordAttention注意力模块，将空间精确位置信息嵌入到通道注意力中，增强网络聚焦小目标特征的能力。使用自适应空间特征融合（ASFF）网络改进路径聚合网络（PANet），使模型通过学习获得多尺度特征图的融合权重，从而充分利用浅层特征与深层特征，提高算法对小目标瑕疵的检测精度。采用K-means++算法确定先验框尺寸，并用Focal Loss函数修改模型损失函数，降低正、负样本不平衡对检测结果的影响，解决不同种类瑕疵长宽比差异大及类别不平衡的问题。实验结果表明，相较于YOLOv4算法，所提算法的平均精度均值提高了2.3个百分点，检测速度提升了12 frame/s，能较好地应用于织物瑕疵检测。

来源：2022年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第12期