基于弱監(jiān)督SOD 網(wǎng)絡(luò)的網(wǎng)狀白坯織物缺陷檢測(cè)方法

劉秀平 王柯欣 馮國(guó)棟 閆煥營(yíng)

（1.西安工程大學(xué)，陜西西安，710048；2.深圳羅博泰爾機(jī)器人有限公司，廣東深圳，518109）

隨著我國(guó)農(nóng)業(yè)市場(chǎng)化建設(shè)與農(nóng)業(yè)經(jīng)濟(jì)飛速發(fā)展，農(nóng)業(yè)領(lǐng)域中紡織品應(yīng)用廣泛，對(duì)紡織品質(zhì)量把控變得尤為重要，因此對(duì)其及時(shí)高效進(jìn)行缺陷檢測(cè)具有一定需求。農(nóng)業(yè)領(lǐng)域中農(nóng)林防護(hù)網(wǎng)多采用網(wǎng)狀白坯織物，材質(zhì)為高壓低密度聚乙烯絲。該織物具有紗孔易變形、紗線(xiàn)抗滑移性差、經(jīng)紗易沿緯紗左右滑動(dòng)等特點(diǎn)；且多由紗線(xiàn)串套而成，結(jié)構(gòu)和紋理特征復(fù)雜，在缺陷檢測(cè)中存在特征點(diǎn)難找的問(wèn)題，影響企業(yè)產(chǎn)量和產(chǎn)品質(zhì)量。

將顯著性檢測(cè)（Saliency Object Detection，SOD）引入深度學(xué)習(xí)是目前計(jì)算機(jī)視覺(jué)領(lǐng)域主流方向［1］，SOD 是自然場(chǎng)景中顯著物體的檢測(cè)和分割，包括前注意階段和注意力階段。近年來(lái)基于深度學(xué)習(xí)的紡織品缺陷檢測(cè)在企業(yè)應(yīng)用廣泛，在降低傳統(tǒng)人工質(zhì)檢成本的同時(shí)提高了檢測(cè)精度與效率，因而在智能制造中具有市場(chǎng)前景與研究意義。常見(jiàn)紡織品缺陷檢測(cè)技術(shù)有基于頻譜分析的方法、基于結(jié)構(gòu)的方法、基于統(tǒng)計(jì)學(xué)的方法、基于深度學(xué)習(xí)的方法等［2］。

基于頻譜分析的方法，關(guān)注圖像空間分布和頻域信息，頻域特征對(duì)圖像噪聲靈敏度弱且低于空間分布特征，檢測(cè)中通常需將頻域和空間分布信息結(jié)合。王延年等［3］提出基于改進(jìn)閾值分割和傅里葉變換的織物疵點(diǎn)檢測(cè)算法，將網(wǎng)布圖像進(jìn)行傅里葉變換后得到頻譜圖，再利用Butterworth低通濾波器濾除高頻分量，成功檢測(cè)常見(jiàn)織物疵點(diǎn)。ISMAIL N 等［4］通過(guò)傅里葉變換獲得頻譜并識(shí)別織物圖像疵點(diǎn)，通過(guò)結(jié)合傅里葉變換與神經(jīng)網(wǎng)絡(luò)，成功對(duì)12 種織物缺陷分類(lèi)。尉苗苗等［5］提出基于最優(yōu)二維Gabor 濾波器的織物缺陷檢測(cè)方法，使用小波變換提取織物紋理特征，提高了檢測(cè)實(shí)時(shí)性。該類(lèi)方法對(duì)圖像噪聲靈敏度低并存在一定局限性，對(duì)隨機(jī)紋理類(lèi)紡織品缺陷檢測(cè)效果不顯著。

基于結(jié)構(gòu)的方法，將圖像視為由多種紋理單元組合成的整體，通過(guò)提取表面紋理特征并分析紋理規(guī)律檢測(cè)出缺陷部位。李亞標(biāo)等［6］通過(guò)對(duì)圖像各通道進(jìn)行二維小波分解，并提取各細(xì)節(jié)子圖能量特征，實(shí)現(xiàn)對(duì)圖像紋理特征的采集，成功判斷缺陷點(diǎn)是否存在并識(shí)別常見(jiàn)缺陷類(lèi)型。COHEN F S 等［7］提出基于高斯馬爾科夫隨機(jī)場(chǎng)模型，對(duì)正常無(wú)疵點(diǎn)紋理圖像建模，將檢測(cè)問(wèn)題轉(zhuǎn)化為高斯馬爾科夫隨機(jī)場(chǎng)模型中最大假設(shè)檢驗(yàn)問(wèn)題，該方法能檢測(cè)多數(shù)疵點(diǎn)。李仁忠等［8］提出基于EM 算法的高斯混合模型，通過(guò)降采樣減弱圖像紋理特征，計(jì)算像素后驗(yàn)概率并準(zhǔn)確判斷出缺陷特征。此類(lèi)方法只針對(duì)紋理規(guī)律性較強(qiáng)紡織品有效，其他情況易受織物背景紋理干擾導(dǎo)致檢測(cè)精度低，基于此局限性，該方法僅在早期應(yīng)用較多。

基于統(tǒng)計(jì)學(xué)的方法，主要通過(guò)提取織物圖像上部分統(tǒng)計(jì)量獲得紋理特征，包括一階和二階統(tǒng)計(jì)量，其中圖片灰度顏色均值、極差、最值等屬于一階統(tǒng)計(jì)量；方差、標(biāo)準(zhǔn)差、協(xié)方差等屬于二階統(tǒng)計(jì)量。OZDEMIR S 等［9］提出基于自組織映射的灰度共生矩陣方法，通過(guò)將灰度共生矩陣中紋理信息提供給自組織映射實(shí)現(xiàn)圖像分類(lèi)，并融合模糊算法與類(lèi)別共生矩陣，與經(jīng)典共生矩陣相比擁有更高檢測(cè)精度。祝雙武等［10］提出通過(guò)織物紋理特征建立二維自相關(guān)函數(shù)的方法，計(jì)算紋理周期并劃分成子窗口，該方法對(duì)整體紋理特征被破壞的織物檢測(cè)效果佳。GNANAPRAKASH V 等［11］將人工神經(jīng)網(wǎng)絡(luò)與灰度共生矩陣相結(jié)合檢測(cè)織物缺陷，使用灰度共生矩陣提取紋理特征，檢測(cè)出特征明顯的織物缺陷點(diǎn)；該類(lèi)方法原理簡(jiǎn)單、計(jì)算方便，但試驗(yàn)表明：當(dāng)被測(cè)圖像噪聲過(guò)多且疵點(diǎn)與背景區(qū)別不明顯時(shí)，就無(wú)法準(zhǔn)確檢測(cè)疵點(diǎn)。

基于深度學(xué)習(xí)的方法，已通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在圖像識(shí)別、目標(biāo)檢測(cè)與分割領(lǐng)域取得重要進(jìn)展。BALZATEGUI J 等［12］提出一種太陽(yáng)能電池板圖像缺陷檢測(cè)方法，通過(guò)特定U-net 結(jié)構(gòu)一次性獲得缺陷分割圖，與CNN 滑動(dòng)窗口方法相比優(yōu)化了檢測(cè)時(shí) 間。XIAO L 等［13］提 出 改 進(jìn) 的 掩 碼RCNNIPCNN 模型，通過(guò)殘差網(wǎng)絡(luò)生成金字塔特征和缺陷邊界盒并對(duì)其分類(lèi)，利用FCN 在缺陷邊界盒中生成缺陷掩碼，實(shí)現(xiàn)多種缺陷的準(zhǔn)確檢測(cè)。YANG H 等［14］提出多尺度特征聚類(lèi)全卷積網(wǎng)絡(luò)，利用多尺度子網(wǎng)絡(luò)重構(gòu)紋理背景，從輸入圖像中減去紋理背景作為殘差圖像，成功實(shí)現(xiàn)跨類(lèi)織物缺陷檢測(cè)。將深度學(xué)習(xí)應(yīng)用在織物缺陷檢測(cè)更符合工業(yè)生產(chǎn)實(shí)際要求，通過(guò)與便攜式移動(dòng)設(shè)備結(jié)合實(shí)現(xiàn)缺陷實(shí)時(shí)檢測(cè)是未來(lái)發(fā)展趨勢(shì)。

本研究提出一種基于弱監(jiān)督SOD 網(wǎng)絡(luò)的網(wǎng)狀白坯織物缺陷檢測(cè)方法。首先，通過(guò)草圖標(biāo)注實(shí)現(xiàn)網(wǎng)絡(luò)的單輪端到端訓(xùn)練，加入最大池化層，將空間和通道信息分開(kāi)考慮，減少信息丟失；并通過(guò)融合模塊聚合多層次信息，使高級(jí)、低級(jí)特征和全局信息被更好處理。其次，提出3 種損失函數(shù)作為包含輔助損失和主要損失的總損耗，預(yù)測(cè)具有一致目標(biāo)結(jié)構(gòu)的整體顯著區(qū)域；為確保不同尺寸輸入下輸出一致的顯著圖，通過(guò)正則化作為自治機(jī)制提高模型泛化能力。最后，提出邊界細(xì)化模塊提高邊界定位精度并解決梯度問(wèn)題和網(wǎng)絡(luò)退化。

1 弱監(jiān)督SOD 改進(jìn)網(wǎng)絡(luò)模型

弱監(jiān)督SOD 改進(jìn)網(wǎng)絡(luò)模型為編碼器-解碼器框架，如圖1 所示，具體包括以下幾個(gè)部分。

圖1 弱監(jiān)督SOD 網(wǎng)絡(luò)整體框架圖

其一，為考慮來(lái)自特征映射所有信息，輸入后添加步長(zhǎng)為2 的最大池化層，并選擇激活度最高元素達(dá)到減少信息損失的目的，使空間維度上所有像素都被充分考慮。

其二，在編碼器層后設(shè)計(jì)頭部注意力（Head Attention，HA）模塊［15］，利用空間和通道注意力機(jī)制學(xué)習(xí)具有代表性的紡織品表面缺陷特征。

其三，提出融合模塊（Cross Aggregation Module，CAM）應(yīng)用在解碼器每一層，f1、f2、f3分別表示底層細(xì)節(jié)、高層語(yǔ)義特征、全局上下文信息，通過(guò)CAM 將這3 種信息交織融合并更好地傳遞到下一層。該模塊能捕獲不同顯著性區(qū)域間關(guān)系，實(shí)現(xiàn)多層次特征聚合。

其四，定義3 種損失函數(shù)在訓(xùn)練過(guò)程對(duì)預(yù)測(cè)結(jié)果顯著圖進(jìn)行監(jiān)督，分別為部分交叉熵?fù)p失（Part Cross Entropy Loss，Lpce）、局部顯著相干性損失（Local Saliency Coherence Loss，Llsc）和顯著結(jié)構(gòu)一致性損失（Saliency Structure Consistency Loss，Lssc）；將Llsc和Lpce組成的輔助損失（Auxiliary Loss，Laux）應(yīng)用在每一個(gè)子集以便訓(xùn)練并對(duì)中間低分辨率顯著圖進(jìn)行監(jiān)督。

其五，提出基于殘差結(jié)構(gòu)的邊界細(xì)化模塊（Boundary Refinement Module，BRM），利用顯著性邊界信息進(jìn)一步細(xì)化邊界，對(duì)不同分支特征進(jìn)行加法運(yùn)算后提高邊界定位精度，主要損失函數(shù)（Dominant Loss，Ldom）由Lpce、Llsc、Lssc3 種損失函數(shù)組成，用于對(duì)模型泛化能力和預(yù)測(cè)值精度的評(píng)估，進(jìn)一步優(yōu)化檢測(cè)結(jié)果。

1.1 投影快捷方式

在原始ResNet50 編碼器結(jié)構(gòu)中，由于輸入與輸出維度不匹配，對(duì)輸入應(yīng)用投影快捷方式實(shí)現(xiàn)元素求和并完成特征映射［16］。ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)中使用的默認(rèn)投影快捷方式如圖2（a）所示。原始投影快捷方式使用步長(zhǎng)為2 的1×1 卷積核，由于通道和空間匹配都由1×1 卷積核執(zhí)行，卷積核會(huì)在減少兩倍空間大小時(shí)丟失75%特征激活，剩余特征激活不具有特定的選擇標(biāo)準(zhǔn)，會(huì)導(dǎo)致信息損失和噪聲產(chǎn)生，并對(duì)通過(guò)網(wǎng)絡(luò)的主要信息流造成負(fù)面影響。

圖2 投影快捷方式

本研究所用投影快捷方式如圖2（b）所示。在進(jìn)行1×1 卷積前添加一個(gè)3×3 最大池化，空間維度所有像素都被充分考慮。將空間和通道投影分開(kāi)，對(duì)于空間投影，使用步長(zhǎng)為2 的3×3 最大池化，對(duì)通道投影使用步長(zhǎng)為1 的1×1 卷積核?？臻g投影會(huì)考慮來(lái)自特征圖的所有信息并選擇激活度最高元素，從而減少信息損失。

1.2 CAM 融合模塊

由于編碼器層在學(xué)習(xí)顯著特征并將其傳到解碼器時(shí)某些細(xì)節(jié)特征會(huì)被泛化，每一解碼層都使用前一層輸出的底層細(xì)節(jié)、高層語(yǔ)義特征、全局上下文信息作為預(yù)測(cè)顯著區(qū)域輸入。通過(guò)自學(xué)習(xí)來(lái)學(xué)習(xí)每個(gè)輸入特征時(shí)應(yīng)分配給每個(gè)解碼層不同權(quán)重［17］，基于此設(shè)計(jì)了一個(gè)CAM 模塊，如圖3 所示。3 個(gè)輸入進(jìn)行多尺度轉(zhuǎn)換后對(duì)應(yīng)不同輸出結(jié)果，其中全局平均池化（GAP）用來(lái)保留圖像背景信息，使用一個(gè)3×3 卷積層和平均池化層學(xué)習(xí)每個(gè)輸入特征，得到權(quán)重后進(jìn)行歸一化處理，如式（1）所示。

圖3 交叉融合模塊

式中：s為自細(xì)化模塊SR（self-refinaved）；w1、w2、w3為權(quán)值；fout為輸出特征。

通過(guò)式（1）構(gòu)建了一種更全面的特征表示方式并生成相對(duì)精細(xì)的顯著性圖，3 種特征分支交互融合時(shí)伴隨著自細(xì)化操作［18］，減少特征提取時(shí)的誤差，使改進(jìn)后的SOD 網(wǎng)絡(luò)可以聚合多層次特征。

1.3 BRM 模塊

由于多尺度特征聚合時(shí)會(huì)造成細(xì)節(jié)丟失［19］，為提高邊界定位精度，提出BRM 模塊將邊界信息構(gòu)建為殘差結(jié)構(gòu)，同時(shí)細(xì)化顯著圖中的區(qū)域和邊界區(qū)域，如圖4 所示。其中，w、x、h分別表示長(zhǎng)度、寬度和高度。該模塊包括快捷連接和恒等映射，通過(guò)短接進(jìn)一步修正預(yù)測(cè)結(jié)果，提高目標(biāo)對(duì)象的定位并優(yōu)化邊界。恒等映射由兩個(gè)3×3 卷積通過(guò)映射短接和一個(gè)ReLU 激活函數(shù)構(gòu)成，再將輸出的殘差結(jié)構(gòu)結(jié)果與原特征進(jìn)行融合相加，最后輸出邊界增強(qiáng)后的預(yù)測(cè)結(jié)果同時(shí)保留邊緣信息，解決了梯度問(wèn)題和網(wǎng)絡(luò)退化。該模塊使檢測(cè)結(jié)果去模糊并得到邊界明確的顯著結(jié)果圖。

圖4 邊界細(xì)化模塊

1.4 損失函數(shù)

本研究設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)中總損耗由輸出對(duì)應(yīng)的主要損失（Ldom）和各級(jí)輔助損失（Laux）兩部分組成。

1.4.1 部分交叉熵?fù)p失（Lpce）

部分交叉熵?fù)p失作為預(yù)測(cè)值與真實(shí)標(biāo)簽值之間距離度量，具體來(lái)說(shuō)，解碼器每階段進(jìn)行3×2卷積時(shí)將通道壓縮到1 后計(jì)算顯著性評(píng)分并與偏交叉熵?fù)p失協(xié)同作用，因此部分交叉熵?fù)p失的計(jì)算如式（2）所示。

式中：y表示真實(shí)信息?表示預(yù)測(cè)值?是通過(guò)草圖標(biāo)簽所標(biāo)注像素。

1.4.2 局部顯著相干性損失（Llsc）

草圖標(biāo)注時(shí)由于存在大量未標(biāo)記像素，僅憑給定草圖標(biāo)簽無(wú)法獲取顯著區(qū)域全部信息；此外，SOD 任務(wù)不關(guān)注類(lèi)別信息，因此本研究引入弱監(jiān)督來(lái)得到更優(yōu)化的具有明確邊界的顯著性映射［20］?；诖?，設(shè)計(jì)了局部顯著相干性損失（Llsc）幫助SOD 網(wǎng)絡(luò)預(yù)測(cè)帶有草圖標(biāo)注的平滑顯著性映射；對(duì)同一輸入圖像的像素i和j，由于網(wǎng)絡(luò)無(wú)法有效區(qū)分接近邊界像素的顯著區(qū)域，這些像素的顯著性評(píng)分并不總與其相鄰像素相似，因此在兩像素i和j之間設(shè)計(jì)一個(gè)基于高斯核帶寬濾波器的相似能量，計(jì)算具有相似特征或距離相近的相關(guān)性像素的顯著評(píng)分，最終局部顯著相干性損失如式（3）所示。

式中：Ki為像素i周?chē)鶮×K核所覆蓋區(qū)域，F(xiàn)(i，j)為濾波器，D(i，j)為兩不同像素i和j之間像素差，用來(lái)預(yù)測(cè)像素i和j的顯著性評(píng)分。

局部顯著相干性損失（Llsc）迫使卷積核中相似像素采取一致的顯著性評(píng)分并在訓(xùn)練時(shí)進(jìn)一步將標(biāo)記點(diǎn)傳播到整個(gè)圖像，此過(guò)程中使用部分交叉熵?fù)p失對(duì)標(biāo)記點(diǎn)監(jiān)督，從而SOD 網(wǎng)絡(luò)不需要額外信息就能獲得具有有限標(biāo)記的擴(kuò)大后的顯著區(qū)域。

1.4.3 顯著結(jié)構(gòu)一致性損失（Lssc）

顯著性目標(biāo)檢測(cè)模型要求對(duì)同一圖像不同比例預(yù)測(cè)的顯著性映射圖保持一致，但弱監(jiān)督SOD網(wǎng)絡(luò)對(duì)相同輸入下不同尺度顯著性映射預(yù)測(cè)時(shí)效果不佳，導(dǎo)致模型泛化能力差并在測(cè)試集預(yù)測(cè)時(shí)降低準(zhǔn)確率。因此本研究通過(guò)正則化操作提高模型泛化能力并減少過(guò)擬合現(xiàn)象，并引入顯著結(jié)構(gòu)一致性損失（Lssc）預(yù)測(cè)不同輸入尺度下顯著性映射，顯著結(jié)構(gòu)一致性損失如式（4）所示。通過(guò)式（4）改進(jìn)后的弱監(jiān)督SOD 網(wǎng)絡(luò)能學(xué)習(xí)更豐富的目標(biāo)結(jié)構(gòu)信息并增強(qiáng)不同尺度輸入時(shí)泛化能力。

2 試驗(yàn)結(jié)果與分析

2.1 參數(shù)設(shè)置與數(shù)據(jù)集介紹

本試驗(yàn)使用ResNet50 作為骨干網(wǎng)絡(luò)的基線(xiàn)在TILDA 公開(kāi)數(shù)據(jù)集上預(yù)訓(xùn)練。為解決隨機(jī)小批量樣本優(yōu)化問(wèn)題，使用隨機(jī)梯度下降方法更新模型參數(shù)并優(yōu)化整個(gè)網(wǎng)絡(luò)。其中batchsize 為64，動(dòng)量為0.9，權(quán)值衰減為5×10-4；設(shè)置最大學(xué)習(xí)率為0.05，最小學(xué)習(xí)率為5×10-4作為預(yù)衰減策略對(duì)網(wǎng)絡(luò)進(jìn)行300 epoch 訓(xùn)練。由于數(shù)據(jù)集中圖片為768 pixel×512 pixel，訓(xùn)練時(shí)將每幅圖片缺陷部分大小裁剪為200 pixel×200 pixel 并進(jìn)行水平隨機(jī)翻轉(zhuǎn)后輸入到網(wǎng)絡(luò)中預(yù)測(cè)顯著性圖像；使用Pytorch 實(shí)現(xiàn)模型，所有試驗(yàn)都在工控機(jī)（Intel Core i7 3.60 GHz，操作系統(tǒng)為Windows10，安裝內(nèi)存為8 GB，CPU 頻率為2.2 GHz）上運(yùn)行，每預(yù)測(cè)1 張缺陷圖像約0.03 s。

模擬實(shí)際工業(yè)環(huán)境，選取網(wǎng)狀白坯織物尺寸范圍均在40 目~60 目之間。對(duì)6 種常見(jiàn)織物缺陷圖像進(jìn)行采集，分別為斷經(jīng)（broken end）、斷緯（broken weft）、污 點(diǎn)（stain）、破 洞（pole）、打 結(jié)（tie）、裂紋（crack）。輸出紡織品圖像大小統(tǒng)一為256 pixel×256 pixel，該數(shù)據(jù)集所含紡織品圖像共12 000 張，其中斷經(jīng)1 750 張、斷緯2 000 張、污點(diǎn)2 150張、破洞2 200張、打結(jié)1 900張、裂紋2 000張。

2.2 試驗(yàn)驗(yàn)證

為驗(yàn)證本研究算法識(shí)別精確率，首先在公開(kāi)數(shù)據(jù)集TILDA 下對(duì)6 種不同網(wǎng)狀白坯織物缺陷進(jìn)行試驗(yàn)，如圖5 所示。從上至下依次為織物缺陷原圖（以下簡(jiǎn)稱(chēng)原圖）、弱監(jiān)督下缺陷檢測(cè)顯著圖（以下簡(jiǎn)稱(chēng)顯著圖）和邊界細(xì)化后的檢測(cè)結(jié)果圖（以下簡(jiǎn)稱(chēng)邊界細(xì)化圖）?？梢钥闯?，邊界細(xì)化圖與原圖中缺陷形狀高度一致，且缺陷周?chē)`檢點(diǎn)較少。對(duì)于斷經(jīng)、斷緯和污點(diǎn)3 類(lèi)缺陷，該算法的顯著圖和邊界細(xì)化圖均具有較好效果，邊界細(xì)化圖與原圖保持高度一致并且缺陷周?chē)静淮嬖谡`檢點(diǎn)；但因數(shù)據(jù)集中網(wǎng)狀白坯織物存在透明性且缺陷圖像周?chē)吔绮幻鞔_導(dǎo)致與缺陷具有較高相似，因此對(duì)于破洞、打結(jié)、裂紋這3 種缺陷檢測(cè)效果不理想，檢測(cè)過(guò)程中出現(xiàn)細(xì)微誤檢點(diǎn)。

圖5 6 種常見(jiàn)網(wǎng)狀白坯織物顯著性缺陷檢測(cè)結(jié)果圖

為進(jìn)一步印證本研究算法的有效性，設(shè)置對(duì)比試驗(yàn)，對(duì)不同算法下檢測(cè)同一織物缺陷的性能進(jìn)行比較，如圖6 所示。可以看出，MINet、ITSDNet 這兩種算法的邊界細(xì)化圖與原圖像存在較大差異，誤檢點(diǎn)較多；GateNet、DFI、GCPANet 3 種算法的邊界細(xì)化圖與原圖像缺陷也存在細(xì)微差異；本研究算法的邊界細(xì)化圖與原圖高度相似，相對(duì)于其他5 種算法具有較高精確率，同時(shí)對(duì)織物缺陷圖像邊界信息不明確、圖像透明性以及圖像信息的豐富度等問(wèn)題均有改善，提高檢測(cè)準(zhǔn)確率和產(chǎn)品質(zhì)量的同時(shí)更加符合農(nóng)業(yè)生產(chǎn)中實(shí)際檢測(cè)要求。

圖6 同一缺陷在不同顯著性檢測(cè)算法下檢測(cè)效果

為對(duì)本研究模型更好地定量評(píng)估，使用平均絕對(duì)誤差（MAE）、召回率（R）、精確率（P）、Emeasure和F-measure五種評(píng)價(jià)指標(biāo)度量模型性能。表1 為本研究算法和GCPANet［22］、GateNet［23］、ITSDNet［24］、DFI［25］、MINet［26］、PICANet［27］6 種 不同算法在TILDA 數(shù)據(jù)集和自采數(shù)據(jù)集（Ours）實(shí)際兩種數(shù)據(jù)集下，對(duì)網(wǎng)狀白坯織物缺陷檢測(cè)中各性能指標(biāo)的定量比較。從表1 中可知，本研究算法的R、E-measure和F-measure在兩種數(shù)據(jù)集上分別達(dá)到92%、93%、91%以上，說(shuō)明本研究算法取得了較好的檢測(cè)結(jié)果且漏檢率低；同時(shí)MAE指標(biāo)相較于其他6 種算法值最小，說(shuō)明本研究算法模型解決了數(shù)據(jù)過(guò)擬合現(xiàn)象，預(yù)測(cè)準(zhǔn)確且具有較好魯棒性。

表1 本研究算法與其他算法在兩種數(shù)據(jù)集上各性能指標(biāo)定量比較 單位：%

為進(jìn)一步評(píng)估本研究算法在同一數(shù)據(jù)集下檢測(cè)效果，使用MAE、R、E-measure和F-measure四種評(píng)價(jià)指標(biāo)對(duì)本研究所采集實(shí)際農(nóng)業(yè)場(chǎng)景中網(wǎng)狀白坯織物缺陷數(shù)據(jù)集的6 種常見(jiàn)缺陷進(jìn)行驗(yàn)證，如表2 所示。從表2 中可知，本研究算法中6 種缺陷的MAE指標(biāo)均低于4.8%，召回率R指標(biāo)達(dá)到92%以上，E-measure和F-measure指標(biāo)也均達(dá)到93%和91%以上。綜上所述，本研究算法對(duì)6 種缺陷檢測(cè)效果均達(dá)到了較好水平，預(yù)測(cè)準(zhǔn)確且具有較高魯棒性。

表2 本研究算法對(duì)6 種缺陷檢測(cè)的評(píng)價(jià)指標(biāo)單位：%

通過(guò)消融試驗(yàn)驗(yàn)證添加各模塊后對(duì)網(wǎng)絡(luò)性能的影響，評(píng)價(jià)指標(biāo)選取MAE，消融試驗(yàn)結(jié)果如表3 所示。由表3 可知，添加CAM 模塊后，HA 模塊與CAM 模塊融合取得了較好效果，在添加Lssc和Llsc后，MAE得到顯著改進(jìn)，最后加入BRM 模塊對(duì)邊界細(xì)化后得到了最好的效果。通過(guò)消融試驗(yàn)可知，使用本研究所提出的改進(jìn)后基于弱監(jiān)督SOD 顯著性算法檢測(cè)效果最佳。

表3 消融試驗(yàn)

3 結(jié)論

在本研究中，針對(duì)網(wǎng)狀白坯織物缺陷檢測(cè)過(guò)程中由于傳統(tǒng)人工檢測(cè)效率低、誤檢率較高等問(wèn)題，提出一種基于弱監(jiān)督SOD 網(wǎng)絡(luò)目標(biāo)檢測(cè)算法。通過(guò)草圖標(biāo)注進(jìn)行端到端訓(xùn)練，并在快捷投影方式中添加最大池化層，使所有空間信息都被充分考慮。此外，由于不同層次特征特點(diǎn)不同，設(shè)計(jì)一個(gè)融合模塊整合不同層次特征，并輸出織物圖像顯著圖，然后通過(guò)部分交叉熵?fù)p失作為預(yù)測(cè)值與真實(shí)標(biāo)簽值之間距離度量，提出局部顯著性相干損失對(duì)未標(biāo)記點(diǎn)進(jìn)行監(jiān)督和顯著性結(jié)構(gòu)一致性損失，提高模型泛化能力，通過(guò)3 種損失函數(shù)衡量模型魯棒性。最后通過(guò)邊界細(xì)化模塊，提高邊界定位精度，使檢測(cè)到的缺陷顯著圖更加清晰。

研究表明，該算法在公開(kāi)數(shù)據(jù)集和本研究所采集數(shù)據(jù)集上均能對(duì)缺陷完整檢測(cè)，模型質(zhì)量高且兼顧了魯棒性；E-measure和F-measure指標(biāo)也均達(dá)到93%和91%以上，說(shuō)明漏檢率和誤檢率較低；但對(duì)于相似度較高、分辨率較低且背景復(fù)雜的圖像，還存在一定問(wèn)題，需在后續(xù)研究中繼續(xù)優(yōu)化算法，并擴(kuò)充數(shù)據(jù)集，提高檢測(cè)效果，擴(kuò)大網(wǎng)狀白坯織物的尺寸范圍，并探究密度和厚度對(duì)檢測(cè)結(jié)果的影響。