基于改進(jìn)Swin Transformer 的花色布匹瑕疵檢測(cè)算法

邱健數(shù)　項(xiàng)朝輝　錢月鐘

摘要：在進(jìn)行布匹瑕疵檢測(cè)時(shí)，復(fù)雜的花色紋理對(duì)瑕疵的檢測(cè)帶來一定的困難。針對(duì)該問題，文中提出了基于改進(jìn)SwinTransformer的花色布匹瑕疵檢測(cè)算法。首先，利用雙路Swin Transformer注意力骨干網(wǎng)絡(luò)提取缺陷圖與模板圖中的特征信息。然后，采用改進(jìn)的特征金字塔網(wǎng)絡(luò)對(duì)四個(gè)層次的特征進(jìn)行融合。最后，根據(jù)融合后的特征完成了瑕疵的定位與分類。在布匹生成工廠采集的數(shù)據(jù)集上進(jìn)行模型訓(xùn)練與測(cè)試，結(jié)果表明，文中所提算法的準(zhǔn)確率和平均精確率均優(yōu)于所比較的算法。

關(guān)鍵詞：布匹瑕疵檢測(cè)；注意力網(wǎng)絡(luò)；特征金字塔網(wǎng)絡(luò)；瑕疵分類；計(jì)算機(jī)視覺

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）13-0009-05 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

紡織布匹具有多變、復(fù)雜的紋理圖案，被廣泛應(yīng)用于服裝、鞋類等產(chǎn)品的生產(chǎn)中。由于紡織機(jī)械故障、紗線原料問題，在紡織布匹制造過程中會(huì)出現(xiàn)種類多樣的瑕疵。目前，紡織行業(yè)定義的織物瑕疵達(dá)到70多種[1]。傳統(tǒng)紡織工廠仍主要采用人工檢測(cè)，該方法依賴于檢測(cè)人員的經(jīng)驗(yàn)，且隨著作業(yè)時(shí)間延長(zhǎng)，易產(chǎn)生疲勞，造成漏檢和誤檢。因此，紡織布匹自動(dòng)檢測(cè)對(duì)提升產(chǎn)品質(zhì)量、降低經(jīng)濟(jì)損失具有較大意義。

傳統(tǒng)的布匹瑕疵自動(dòng)化檢測(cè)方法包括：統(tǒng)計(jì)學(xué)方法[2]、光譜分析法[3]和模型法[4]。近年來，人工智能技術(shù)迅速發(fā)展，大量研究人員開始使用人工智能算法解決布匹瑕疵檢測(cè)問題。其中，卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的算法最為突出。Jing等[5]提出了一種非常高效的卷積神經(jīng)網(wǎng)絡(luò)Mobile-Unet來實(shí)現(xiàn)端到端的缺陷分割。Jun等[6]采用兩階段的卷積神經(jīng)網(wǎng)絡(luò)對(duì)局部缺陷和全局缺陷分別進(jìn)行識(shí)別。Jing等[7]在YOLOv3模型的基礎(chǔ)上結(jié)合織物缺陷尺寸和k-means算法對(duì)目標(biāo)幀進(jìn)行維度聚類，有效降低了織物疵點(diǎn)的檢測(cè)錯(cuò)誤率。Xie等[8]基于全卷積通道注意塊和自底向上路徑增強(qiáng)傳遞連接塊設(shè)計(jì)了改進(jìn)的RefineDet網(wǎng)絡(luò)，提高了缺陷定位精度。Song等[9]采用了EfficientDet-D0作為檢測(cè)算法，綜合了輕量級(jí)和可擴(kuò)展性的優(yōu)點(diǎn)，適應(yīng)資源受限的邊緣設(shè)備。楊毅等[10]在MobileNetv2的逆殘差結(jié)構(gòu)中加入CoordAttention注意力模塊，將空間精確位置信息嵌入到通道注意力中，增強(qiáng)網(wǎng)絡(luò)聚焦小目標(biāo)特征的能力。龍玥等[11]將RepVGG網(wǎng)絡(luò)融合SE模塊，提出SERepVGG網(wǎng)絡(luò)作為SSD的主干網(wǎng)絡(luò)在增強(qiáng)網(wǎng)絡(luò)特征提取能力的同時(shí)，減少網(wǎng)絡(luò)的參數(shù)量和計(jì)算量。張銀等[12]針對(duì)織物圖像尺寸大、局部瑕疵數(shù)量少、圖像背景復(fù)雜等問題，設(shè)計(jì)了一種基于Cascade R-CNN融合尺度不變特征的織物瑕疵檢測(cè)方法。曲皓等[13]提出一種雙端輸入型網(wǎng)絡(luò)架構(gòu)Wnet，在卷積深層網(wǎng)絡(luò)中補(bǔ)充全局信息但對(duì)細(xì)小的織物瑕疵，檢測(cè)效果依舊不夠理想。

盡管利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行織物瑕疵檢測(cè)具有良好的局部特征提取能力，但缺少全局建模能力，導(dǎo)致特征中缺乏全局信息，無法達(dá)到預(yù)期的檢測(cè)效果。Transformer具有完備的全局建模能力，最初被廣泛應(yīng)用于自然語言處理領(lǐng)域，后被引入計(jì)算機(jī)視覺領(lǐng)域。Dosovitskiy等[14]提出的Vision Transformer將圖片切分為圖片塊作為Transformer的輸入，在圖片分類任務(wù)上表現(xiàn)很好。Transformer的核心算法是自注意力機(jī)制，該機(jī)制彌補(bǔ)了卷積神經(jīng)網(wǎng)絡(luò)在全局建模上的短板。李輝等[15]提出了融合形變卷積和自注意力的素色布匹檢測(cè)方法，有效提升了布匹瑕疵檢測(cè)的準(zhǔn)確率和效率。時(shí)造雄等[16]在改進(jìn)的YOLOv5模型頸部中引入注意力機(jī)制，能同時(shí)關(guān)注空間和通道信息，提高花色布匹表面瑕疵檢測(cè)的準(zhǔn)確率。Transformer的自注意力機(jī)制從語言應(yīng)用到視覺應(yīng)用的挑戰(zhàn)源自于兩個(gè)領(lǐng)域的差異。例如，視覺實(shí)體在尺度上存在巨大差異。Liu等[17]提出了移動(dòng)窗口計(jì)算的Swin Transformer，提升了在各種尺度上建模的靈活性，在許多通用檢測(cè)數(shù)據(jù)集上取得了領(lǐng)先的檢測(cè)效果。然而，紡織布匹瑕疵具有背景復(fù)雜、小目標(biāo)為主和目標(biāo)長(zhǎng)寬比極端等難點(diǎn)存在，直接使用Swin Transformer 難以得到理想的效果。

因此，本文提出了一種改進(jìn)的Swin Transformer布匹瑕疵檢測(cè)網(wǎng)絡(luò)Double-Swin。該網(wǎng)絡(luò)設(shè)計(jì)了雙路注意力通道的骨干網(wǎng)絡(luò)，同時(shí)在檢測(cè)圖和模板圖上進(jìn)行注意力計(jì)算，且分階段融合注意力信息，有助于網(wǎng)絡(luò)關(guān)注到瑕疵與背景之間的聯(lián)系。同時(shí)，采用改進(jìn)的BiFPN頸部網(wǎng)絡(luò)，對(duì)不同階段的特征按照自適應(yīng)權(quán)重進(jìn)行融合，有助于目標(biāo)的發(fā)現(xiàn)。在相同的復(fù)雜花色布匹數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)表明，Double-Swin的表現(xiàn)超過現(xiàn)有的主流目標(biāo)檢測(cè)模型。

1 Double-Swin 模型

1.1 Double-Swin 骨干網(wǎng)絡(luò)

本文設(shè)計(jì)的Double-Swin骨干網(wǎng)絡(luò)主要分為兩部分：1） 設(shè)計(jì)了雙路注意力通道，同時(shí)輸入檢測(cè)圖和對(duì)應(yīng)的模板圖，經(jīng)過注意力計(jì)算后，將上路注意力特征與下路注意力特征融合，進(jìn)入下一階段注意力計(jì)算。2） Swim Transformer模塊，該模塊在雙路通道上共享相同的權(quán)重，在上路中主要計(jì)算檢測(cè)圖中的缺陷注意力，在下路中主要計(jì)算模板圖中的背景注意力。具體結(jié)構(gòu)如圖1所示。

受人工檢測(cè)過程啟發(fā)，檢測(cè)人員會(huì)對(duì)比檢測(cè)布匹和模板布匹來發(fā)現(xiàn)瑕疵。因此，本文設(shè)計(jì)了雙路注意力通道結(jié)構(gòu)。雙路注意力通道的主要作用包括：1） 計(jì)算檢測(cè)圖上的注意力，得到與布匹瑕疵相關(guān)的全局信息；2） 計(jì)算模板圖上的注意力，得到與布匹背景相關(guān)的全局信息；3） 融合上下路注意力，使得網(wǎng)絡(luò)能夠關(guān)注到瑕疵與背景之間的聯(lián)系。結(jié)合Swim Trans?former，該部分計(jì)算過程如下：

1.2 改進(jìn)的特征金字塔網(wǎng)絡(luò)

通常，在深度骨干網(wǎng)絡(luò)提取特征的過程中，網(wǎng)絡(luò)的深層包含較多的全局信息，而淺層包含更多的局部信息。將深層和淺層的多尺度特征進(jìn)行融合，可以有效提升目標(biāo)檢測(cè)的效果[18-19]。特征金字塔網(wǎng)絡(luò)（FPN） [20]提出了自上而下將深層特征和淺層特征進(jìn)行融合的方法，從而提升小目標(biāo)檢測(cè)能力。受到NAS-FPN[21]和BiFPN[22]的啟發(fā)，本文設(shè)計(jì)了改進(jìn)的雙向特征金字塔（DTSkip-BiFPN） 。該結(jié)構(gòu)避免了NAS-FPN所需的極大搜索算力，同時(shí)與BiFPN相比，引入了自下而上的間隔跳躍連接，能夠?qū)⑸顚拥奶卣餍畔⒖绯叨热诤系綔\層特征中。具體結(jié)構(gòu)如圖2（d） 所示。

在進(jìn)行特征融合時(shí)，對(duì)于每一個(gè)融合節(jié)點(diǎn)的輸入特征賦予可學(xué)習(xí)的權(quán)重wi，且wi ≥ 0，以DTSkip-BiFPN 的第4層為例，融合過程如下所示：

式中，Ptd4 為自頂向下路徑融合第4層的中間特征，Conv（） 為卷積計(jì)算，Resize（） 為重塑尺寸計(jì)算，ε=0.000 1起到避免數(shù)值不穩(wěn)定的作用。

1.3 Double-swin 模型完整結(jié)構(gòu)

Double-swin的完整網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，首先將寬度均為W、高度為H 的檢測(cè)圖像和對(duì)應(yīng)的模板圖輸入網(wǎng)絡(luò)中，經(jīng)過Patch Partition模塊等分為16個(gè)區(qū)域，雙路數(shù)據(jù)尺寸均從（W，H，3） 被轉(zhuǎn)換為（ W／4， H／4，48）。隨后，在Double-ST Block1中，雙路數(shù)據(jù)首先經(jīng)過一個(gè)相同的Linear Emberdding層被分別投影至維度C，接著雙路數(shù)據(jù)進(jìn)入兩個(gè)連續(xù)的Swim Transformer進(jìn)行注意力計(jì)算，前一個(gè)Swim Transformer使用W-MSA進(jìn)行多頭自注意力計(jì)算，后一個(gè)Swim Transformer使用SW-MSA進(jìn)行滑動(dòng)窗口多頭注意力計(jì)算，實(shí)現(xiàn)了信息的跨窗口通信，計(jì)算過程中，數(shù)據(jù)尺寸會(huì)維持在（ W／4， H／4），Double-ST Block1 最終輸出的雙路數(shù)據(jù)尺寸均為（ W／4， H／4，C ）。雙路的輸出特征將進(jìn)行一次融合，使得網(wǎng)絡(luò)關(guān)注到瑕疵與背景之間的聯(lián)系。融合后的特征和模板路的特征將再次以雙路的形式進(jìn)入Double-ST Block2中。在Double-ST Block2階段，雙路輸入先經(jīng)過一個(gè)共同的Patch Mergeing層，對(duì)數(shù)據(jù)完成一次下采樣，雙路數(shù)據(jù)尺寸均變換到（ W／8， H／8，2C ），之后的注意力計(jì)算與Double-ST Block1 相同。Double-STBlock2 最終輸出的雙路數(shù)據(jù)尺寸均為（ W／8， H／8，2C ）。Double-ST Block3 和Double-ST Block4經(jīng)過類似的計(jì)算，分別輸出的數(shù)據(jù)特征尺寸為（W／16 ， H／16 ，4C ）和（ W／32 ， H／32 ，8C ）。至此，骨干網(wǎng)絡(luò)已完成注意力特征提取。4個(gè)階段的特征信息再經(jīng)過3層DTSkip-BiFPN的多尺度特征融合，最后經(jīng)過預(yù)測(cè)層，實(shí)現(xiàn)最終的布匹瑕疵檢測(cè)。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集說明

本文實(shí)驗(yàn)所使用的數(shù)據(jù)采集自佛山南海紡織車間[23]。訓(xùn)練集由3 933 幅缺陷圖及對(duì)應(yīng)的模板圖構(gòu)成，總計(jì)15 600個(gè)瑕疵標(biāo)簽。測(cè)試集包含438幅缺陷圖，1 651個(gè)瑕疵標(biāo)簽。瑕疵缺陷涵蓋了紡織業(yè)中常見的15類瑕疵，例如玷污、錯(cuò)花等，每幅待檢測(cè)的缺陷圖含有一種或多種瑕疵。圖像的原尺寸為4 096×1696，在實(shí)驗(yàn)時(shí)進(jìn)行了裁剪并縮放為512×256。在訓(xùn)練過程中，采取了隨機(jī)翻轉(zhuǎn)、對(duì)稱變化等數(shù)據(jù)增強(qiáng)方式對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)擴(kuò)充，布匹瑕疵樣本如圖4所示。實(shí)驗(yàn)所使用的計(jì)算設(shè)備的CPU型號(hào)為Intel Core i7，GPU型號(hào)為NVIDIA RTX-3080，內(nèi)存為64G，使用Py?Torch進(jìn)行網(wǎng)絡(luò)模型搭建。

2.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

為了對(duì)本文方法的性能進(jìn)行評(píng)估，從準(zhǔn)確度（Ac?curacy，Acc） 和平均精準(zhǔn)度（Average Precision，AP） 來分析性能，其中準(zhǔn)確度：

式中，TP為判斷正確的正例個(gè)數(shù)，F(xiàn)P為判斷錯(cuò)誤的正例個(gè)數(shù)，TN為判斷正確的負(fù)例個(gè)數(shù)，F(xiàn)N為判斷錯(cuò)誤的負(fù)例個(gè)數(shù)。平均精確度：

式中，p = TP／TP + FP 表示精確率，r = TP／TP + FN 表示召回率，那么AP就可以模型在不同召回率下的平均精確度，即為PR曲線下的面積。

若AP（i）表示第i類瑕疵平均精確度，則類別平均精準(zhǔn)度：

2.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

為驗(yàn)證本文模型的有效性，對(duì)比了本文模型與Faster R-CNN、Cascade R-CNN和DETR在2.1提到的布匹數(shù)據(jù)集上的性能。四組實(shí)驗(yàn)的Batch size均設(shè)置為8，并采用等間隔調(diào)整策略對(duì)學(xué)習(xí)率進(jìn)行調(diào)整。根據(jù)表1，可見Double-swin和DETR在準(zhǔn)確率和各項(xiàng)平均精確度上均優(yōu)于卷積類的網(wǎng)絡(luò)。這主要得益于trans?former類骨干網(wǎng)絡(luò)相比卷積類骨干網(wǎng)絡(luò)具有更好的全局信息提取能力，有利于瑕疵的檢測(cè)。具體來說，AP50表示在IOU閾值為0.5時(shí)的平均精確率，AP75表示在IOU 閾值為0.75 時(shí)的平均精確率。本文提出的Double-swin，在AP50上分別比Faster R-CNN、CascadeR-CNN和DETR提升了11.8%、6% 和2.7%，在AP75上分別提升了13.5%、7.4%和2.9%。APs表示IOU閾值在[0.5， 0.95]區(qū)間上對(duì)尺寸小于32×32的瑕疵的平均精確率，APm表示IOU閾值在[0.5， 0.95]區(qū)間上對(duì)尺寸介于32×32 和96×96 之間的瑕疵的平均精確率，APl 表示IOU閾值在[0.5， 0.95]區(qū)間上對(duì)尺寸大于96×96的瑕疵的平均精確率。Double-swin在各個(gè)尺寸的瑕疵檢測(cè)能力都優(yōu)于其他模型，在小瑕疵和大瑕疵的檢測(cè)效果提升明顯，可推斷Double-swin的雙路注意力結(jié)構(gòu)和改進(jìn)的特征金字塔為布匹瑕疵檢測(cè)提供了更多有效的信息。在關(guān)鍵評(píng)估指標(biāo)mAP上，Double-swin相較其他模型分別提升了10.5%、4.4%和1.8%。

為了更直觀地比較模型在復(fù)雜背景下的瑕疵檢測(cè)性能，筆者對(duì)上述模型在布匹背景復(fù)雜情況下的實(shí)際檢測(cè)效果進(jìn)行了對(duì)比，結(jié)果如圖5所示。圖中紅色框表示瑕疵的真實(shí)位置，綠色框表示模型的預(yù)測(cè)位置。從對(duì)比結(jié)果可以看出，本文提出的Double-swin 能夠更完整、更精確地定位出瑕疵。

為進(jìn)一步分析Double-swin中雙路注意力結(jié)構(gòu)和DTSkip-BiFPN的有效性，筆者設(shè)計(jì)了4組消融實(shí)驗(yàn)。從表2可以看出，與直接使用Swin Transformer作為骨干網(wǎng)絡(luò)、BiFPN作為特征融合結(jié)構(gòu)相比，使用Doubleswin的雙路注意力骨干網(wǎng)絡(luò)在關(guān)鍵評(píng)價(jià)指標(biāo)mAP上提升了1.1%，使用DTSkip-BiFPN 在mAP 上提升了0.3%。由此可知，雙路注意力結(jié)構(gòu)和DTSkip-BiFPN 在提升模型性能上均是有效的，其中雙路注意力結(jié)構(gòu)的提升效果更為顯著。

3 結(jié)束語

本文設(shè)計(jì)了Double-swin布匹瑕疵檢測(cè)算法，能夠有效地對(duì)花色布匹上的各類瑕疵進(jìn)行定位與分類。首先，利用雙路Swin Transformer骨干網(wǎng)絡(luò)同時(shí)提取檢測(cè)圖和模板圖上的注意力特征，然后使用改進(jìn)的特征金字塔DTSkip-BiFPN對(duì)各階段的特征進(jìn)行融合，最后根據(jù)融合后的特征進(jìn)行瑕疵檢測(cè)。經(jīng)實(shí)驗(yàn)分析發(fā)現(xiàn)，本文提出的檢測(cè)算法效果優(yōu)于Faster R-CNN、Cas?cade R-CNN和DETR等模型。

參考文獻(xiàn)：

[1] HANBAY K，TALU M F，?ZG?VEN ? F. Fabric defect detec?tion systems and methods—a systematic literature review[J].Optik，2016，127（24）：11960-11973.

[2] ZHANG K B，YAN Y D，LI P F，et al. Fabric defect detection us?ing salience metric for color dissimilarity and positional aggre?gation[J]. IEEE Access，2018，6：49170-49181.

[3] TONG L，WONG W K，KWONG C K. Fabric defect detection forapparel industry：a nonlocal sparse representation approach[J].IEEE Access，2017：1.

[4] YAN H，PAYNABAR K，SHI J J. Anomaly detection in imageswith smooth background via smooth-sparse decomposition[J].Technometrics，2017，59（1）：102-114.

[5] JING J F，WANG Z，R?TSCH M，et al. Mobile-Unet：an efficientconvolutional neural network for fabric defect detection[J]. Tex?tile Research Journal，2022，92（1/2）：30-42.

[6] JUN X，WANG J G，ZHOU J，et al. Fabric defect detection basedon a deep convolutional neural network using a two-stage strat?egy[J]. Textile Research Journal，2021，91（1/2）：130-142.

[7] JING J F，ZHUO D，ZHANG H H，et al. Fabric defect detectionusing the improved YOLOv3 model[J]. Journal of EngineeredFibers and Fabrics，2020，15：155892502090826.

[8] XIE H S， WU Z S. A robust fabric defect detection methodbased on improved RefineDet[J]. Sensors，2020，20（15）：4260.

[9] SONG S J，JING J F，HUANG Y Q，et al. EfficientDet for fabricdefect detection based on edge computing[J]. Journal of Engi?neered Fibers and Fabrics，2021，16：155892502110083.

[10] 楊毅，桑慶兵.多尺度特征自適應(yīng)融合的輕量化織物瑕疵檢測(cè)[J].計(jì)算機(jī)工程，2022，48（12）：288-295.

[11] 龍玥，韓軍，孫園，等.改進(jìn)型SSD網(wǎng)絡(luò)的織物瑕疵檢測(cè)算法[J].廈門理工學(xué)院學(xué)報(bào)，2022，30（5）：64-73.

[12] 張銀，佟樂.基于改進(jìn)CascadeR-CNN的織物瑕疵檢測(cè)方法[J].上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，52（2）：231-237.

[13] 曲皓，狄嵐，梁久禎，等.雙端輸入型嵌套融合多尺度信息的織物瑕疵檢測(cè)[J]. 南京大學(xué)學(xué)報(bào)（自然科學(xué)），2023，59（3）：398-412.

[14] DOSOVITSKIY A，BEYER L，KOLESNIKOV A，et al.An imageis worth 16x16 words： transformers for image recognition atscale[EB/OL]. International Conference on Machine Learning.PMLR， 2020.

[15] 李輝，呂祥聰，徐凌偉，等.融合形變卷積和自注意力的素色布匹瑕疵檢測(cè)[J].聊城大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，35（6）：1-10.

[16] 時(shí)造雄，茅正沖.基于改進(jìn)Yolov5的花色布匹瑕疵檢測(cè)方法[J].計(jì)算機(jī)測(cè)量與控制，2023，31（4）：56-62.

[17] LIU Z，LIN Y T，CAO Y，et al.Swin Transformer：hierarchical Vi?sion Transformer using Shifted Windows[C]//2021 IEEE/CVFInternational Conference on Computer Vision （ICCV）.October10-17，2021.Montreal，QC，Canada.IEEE，2021.

[18] ZHANG F，LIN S L，XIAO X Y，et al.Global attention networkwith multiscale feature fusion for infrared small target detec?tion[J].Optics & Laser Technology，2024，168：110012.

[19] XU H，ZHONG S，ZHANG T X，et al.Multiscale multilevel re?sidual feature fusion for real-time infrared small target detec?tion[J].IEEE Transactions on Geoscience and Remote Sensing，2023，61：1-16.

[20] LIN T Y，DOLLAR P，GIRSHICK R，et al.Feature pyramid net?works for object detection[C]//2017 IEEE Conference on Com?puter Vision and Pattern Recognition （CVPR）. July 21-26，2017.Honolulu，HI.IEEE，2017.

[21] GHIASI G，LIN T Y，LE Q V.NAS-FPN：learning scalable fea?ture pyramid architecture for object detection[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.June 15-20，2019.Long Beach，CA，USA.IEEE，2019.

[22] TAN M X，PANG R M，LE Q V.EfficientDet：scalable and effi?cient object detection[C]//2020 IEEE/CVF Conference onComputer Vision and Pattern Recognition （CVPR）.June 13-19，2020.Seattle，WA，USA.IEEE，2020.

[23] 孟志青，邱健數(shù).基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜花色布匹瑕疵檢測(cè)算法[J].模式識(shí)別與人工智能，2020，33（12）：1135-1144.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：2023 年溫州市基礎(chǔ)科研項(xiàng)目：基于深度學(xué)習(xí)技術(shù)的復(fù)雜花色布匹瑕疵檢測(cè)及預(yù)警系統(tǒng)構(gòu)建（G2023091） ；浙江工貿(mào)職業(yè)技術(shù)學(xué)院教師科技創(chuàng)新項(xiàng)目：復(fù)雜圖案布匹缺陷檢測(cè)及預(yù)警技術(shù)研究（縱20220005） ；溫州市重大科技項(xiàng)目：基于機(jī)器視覺的微型電子元器件在線檢測(cè)技術(shù)研究及裝備研制（ZG2023022） 資助