应用GAN和Faster R-CNN的色织物缺陷识别

摘要

为解决色织物缺陷检测时传统人工的误检率 、漏检率较高问题,给出一种应用生成对抗网络(GAN,generative adversarial net)和Faster R-CNN相结合的缺陷识别算法.针对织物图像采集过程中存在缺陷样本分布不均,现有色织物缺陷样本多样性贫乏,先对缺陷织物进行GAN训练,生成与缺陷样本相似的织物图像来扩充样本;再根据候选框生成算法提取缺陷位置,深度卷积神经网络学习其区域和边缘特征;最后,利用Softmax分类器对织物缺陷进行分类,非极大值抑制算法调整优化缺陷位置.实验结果表明,应用GAN和Faster R-CNN的缺陷识别算法,可提高色织物图像库中的缺陷图像检测效率,并能准确获取缺陷位置和类别.