摘 要

在纺织品的生产过程中难免出现表面纹理缺陷问题。针对这一问题，本文设计了基于深度卷积神经网络Cascade R-CNN的缺陷检测算法并通过工业数据集测试算法效果。

本文首先对数据集进行分析以了解数据集特点，并对数据进行预处理。

本文设计了基于Cascade R-CNN的基础算法。结合检测难点与检测要求，本文选择了Cascade R-CNN作为算法框架。基础算法首先通过主干网络ResNet提取图像特征，接着通过传统Cascade R-CNN中的区域生成网络RPN初步提取候选区域，候选区域经过RoI Align池化处理后进入级联检测器进行分类与定位。此外，本文采用了混合精度训练方法平衡算法速度与精度。将经过数据预处理与基础算法后的输出结果作为基准结果，在基准结果中mAP@0.5为19.5%，分类召回率为58.4%。

基础算法没有考虑到数据集的特点，因此本文对基础算法进行了改进。在改进后的算法中，经过预处理后的图像首先由主干网络ResNeXt提取特征，本文在主干网络的各个阶段后加入了全局上下文模块以提高算法的全局感知能力，将经过全局上下文模块处理的各阶段特征图送入特征金字塔网络融合浅层特征与深层特征，融合特征图能够有效提高小面积缺陷的检测效果；再将融合特征图作为导向锚点框方法的输入，完成候选区域的位置预测与形状预测；候选区域同样由RoI Align池化处理后进入级联检测器，输出缺陷类别与位置信息。

对比实验与消融实验的结果表明，本文采用的各改进方法对网络性能的提升均有积极作用。相对于基准结果，改进后的算法mAP@0.5提高至52.9%，分类召回率提高至84.7%。

本文的特点在于针对纺织品表面数据集的实际情况将ResNeXt、全局上下文模块、导向锚点框、特征金字塔融合进Cascade R-CNN中，此算法能够满足纺织品表面数据集的实际需要。

关键词：缺陷检测；ResNeXt；全局上下文模块；导向锚点框；特征金字塔

Abstract

In the production of textiles, surface defects are inevitable. In order to solve this problem, this paper designs a defect detection algorithm based on the deep convolution neural network Cascade R-CNN, and tests the effect of the algorithm through the industrial data set.

Firstly, this paper analyzes the data set in order to have a command of the characteristics of the data set, and then preprocesses the data.

Considering the difficulties and requirements of detection, this paper choose Cascade R-CNN as the algorithm framework. The basic algorithm extracts the features of images through ResNet firstly, and then generates proposals through RPN which is the traditional candidate region generation method. After being pooled by RoI Align, the proposals enter the cascade detector for classification and location. In addition, the Mixed Precision Training method is used to balance the speed and precision of the algorithm. The mAP@0.5 of basic algorithm is 19.5%, and the classification recall rate is 58.4%, which are the baseline of this paper.

In view of the characteristics of the data set and the deficiencies of the basic algorithm, it’s necessary to improve the basic algorithm. The improved algorithm extracts the features through ResNeXt firstly. The Global Context block is added after each stage of ResNeXt to improve the ability of the algorithm. Then, the feature maps are sent to the Feature Pyramid Networks to fuse the shallow and deep features. Next, the fused feature maps are used as the input of Guided Anchoring method to complete the position prediction and shape prediction of proposals. Finally, the proposals are pooled by RoI Align and then enter the cascade detector to output the defect category and location. Compared with the baseline, mAP@0.5 of the improved algorithm increases to 52.9%, the recall rate of classification increases to 84.7%.

This paper integrates ResNeXt, Global Context block, Guided Anchoring and Feature Pyramid into Cascade R-CNN. This algorithm can meet the actual needs of the data set.

Key Words：Defect Detection；ResNeXt；FPN；Guided Anchoring；GCblock

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 纺织品缺陷检测的国内外研究现状 1

1.3 基于深度学习的目标检测算法简介 2

1.4 章节内容及结构 4

第2章 数据分析及预处理 6

2.1 引言 6

2.2 纺织品数据分析 6

2.2.1 纺织品数据集划分 6

2.2.2 纺织品数据分析 7

2.3 数据预处理 9

2.4 检测要求与评测标准 10

2.4.1 检测难点及检测要求 10

2.4.2 评测标准 10

2.5 本章小结 13

第3章 基于Cascade R-CNN的基础算法 14

3.1 引言 14

3.2 基础算法设计 14

3.2.1 基础算法总体结构 14

3.2.2 Cascade R-CNN框架及其参数设置 15

3.2.3 主干网络ResNet及其参数设置 17

3.2.4 池化方法RoI Align及其参数设置 19

3.2.5 混合精度训练及其参数设置 21

3.3 基准结果 23

3.4 基础算法的优缺点分析 24

3.5 本章小结 25

第4章 基于Cascade R-CNN的改进算法 26

4.1 引言 26

4.2 在基础算法上的改进 26

4.2.1 改进后算法的总体结构 26

4.2.2 主干网络ResNeXt及其改进效果 27

4.2.3 GC block及其改进效果 31

4.2.4 Guided Anchoring及其改进效果 33

4.2.5 FPN及其改进效果 37

4.3 消融实验与对比分析 39

4.4 算法优缺点分析 42

4.5 本章小结 43

第5章 总结与展望 44

5.1 总结 44

5.2 展望 44

参考文献 46

致谢 48

第1章 绪论

1.1 研究背景及意义

纺织品作为生活常用物品，需求量大，实际生产中难免出现纹理缺陷问题。

目前，纺织品缺陷检测主要依靠检测人员完成。人工检测虽然能够完成检测要求，但是在检测过程中随着工作时间增长，人眼逐渐疲劳，误检率也会随之提高。此外，人工检测的结果容易受到操作人员主观意识的影响，进而导致检测指标的一致性无法保证。若能采用机器进行自动检测，则能够避免人工检测带来的检测时间长、检测指标不统一、生产成本高等问题。

综上所述，如何实现高性能的纺织品表面纹理缺陷自动检测是一个重要的研究课题。但纺织品缺陷检测与常见的目标检测不同，纺织品的缺陷中含有大量小面积缺陷，且形态多样的特点也给检测带来了困难。