摘要

随着针织工业的发展,针织产品疵点的检测与分类成为一个具有广泛应用价值的研究领域。卷积神经网络受限于卷积运算的局部性,无法高效地关注全局特征。基于Transformer模型的研究越来越多,取得了良好的效果,但是仍然存在小目标识别能力差和局部特征提取能力不足等缺陷。为了解决这些问题,文章整合Transformer和CNN的优势对Swin Transformer进行优化,设计了DCSW(Deformable convolution and swin transformer)骨干网络以加强模型的局部感知能力,提高小目标疵点检测的准确率。除此之外,还构造了改进的BiFPN多尺度特征融合网络,有助于增强模型的定位精度。最终结合骨干网络和特征融合框架的多尺度自适应模型SwinBN,在自制的针织物疵点图像数据集上评估,其精确率、召回率和mAP值分别达到72.32%、78.87%和71.07%。实验结果表明,该模型优于现有最佳的目标检测方法,为针织物产品质量控制提供了一种新的解决方案。