文献类型：期刊文章

作　　者：郜仲元[1,2] 余灵婕[1,2] 章玉铭[3] 支超[1,2] 陈梦琦[1,2]

GAO Zhongyuan;YU Lingjie;ZHANG Yuming;ZHI Chao;CHEN Mengqi(School of Textile Science and Engineering,Xi′an Polytechnic University,Xi′an,Shaanxi 710048,China;State Key Laboratory of Intelligent Textile Materials and Products Jointly Built by Provincial Ministry(Cultivation),Xi′an Polytechnic University,Xi′an,Shaanxi 710048,China;School of Textile,Apparel and Art Design,Shaoxing University Yuanpei College,Shaoxing,Zhejiang 312000,China)

机构地区：[1]西安工程大学纺织科学与工程学院,陕西西安710048 [2]西安工程大学省部共建智能纺织材料与制品国家重点实验室(培育),陕西西安710048 [3]绍兴文理学院元培学院纺织服装与艺术设计分院,浙江绍兴312000

出　　处：《毛纺科技》

基　　金：国家自然科学基金项目(51903199);陕西省自然科学基础研究计划资助项目(2019JQ-182);陕西省教育厅科研计划资助项目(18JS039);2020年陕西高校“青年杰出人才支持计划”;西安工程大学研究生创新基金项目(chx2021004)。

年　　份：2022

卷　　号：50

期　　号：3

起止页码：9-13

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、IC、RCCSE、SCOPUS、核心刊

摘　　要：针对现阶段深度学习应用于纺织疵点检测时,由于疵点织物数据量不足而导致检测模型准确率低、疵点识别种类少的问题,提出一种基于改进Pix2PixGAN网络的训练数据增强方法。无疵点织物图像比较容易获取,利用多层深度Pix2PixGAN网络,可在无疵点织物图像上自动生成疵点,从而实现疵点图像数据的增强。首先对数据集进行预处理,得到语义分割图;然后加深U-net网络,利用双重Pix2PixGAN网络加强疵点与纹理的融合;最后将新生成的疵点图像数据加入原训练集完成数据增强。分别以数据增强前后的疵点织物样本作为训练集,采用Faster R-CNN目标检测模型进行对比实验。实验结果表明,数据增强方法可有效提高织物疵点检测的效果。对于线状、破洞和污渍3种疵点,与原训练数据集相比,数据增强后的检测模型平均精度分别从73%、75%、62%提升到84%、79%、65%。

关 键 词：疵点检测 生成对抗网络  Pix2PixGAN  数据增强  

分 类 号：TP391]