本發(fā)明涉及工業(yè)紡織品，具體涉及一種基于平紋布匹質(zhì)檢經(jīng)驗(yàn)提示符微調(diào)的缺陷檢測(cè)方法。

背景技術(shù)：

1、在當(dāng)代社會(huì)，布料是人們?nèi)粘Ｉ钪斜夭豢缮俚牟牧?，它的質(zhì)量直接影響到人們的使用感受和生活水準(zhǔn)。在實(shí)際生產(chǎn)中，平紋、斜紋、緞紋三種織物結(jié)構(gòu)各有其重要性和用途。首先，平紋織物結(jié)構(gòu)最簡(jiǎn)單，廣泛用于日常服裝(如襯衫、床單、桌布等)以及裝飾布料；其次，斜紋織物因其強(qiáng)度和耐用性，在需要耐磨和厚實(shí)布料的場(chǎng)合非常重要；最后，緞紋織物因其奢華的外觀和手感，在高檔市場(chǎng)和特定場(chǎng)合非常重要。從經(jīng)濟(jì)角度來(lái)看，自動(dòng)化的布料缺陷檢測(cè)技術(shù)不僅提升了產(chǎn)品的質(zhì)量，減少了生產(chǎn)過(guò)程中的損失，降低了人工成本，還促進(jìn)了布料制造業(yè)的創(chuàng)新和進(jìn)步。在社會(huì)層面，通過(guò)保證產(chǎn)品的品質(zhì)，維護(hù)消費(fèi)者權(quán)益，減少對(duì)環(huán)境的影響，布料缺陷檢測(cè)不僅提高了人們的生活質(zhì)量，也為可持續(xù)發(fā)展和科技的普及奠定了堅(jiān)實(shí)的基礎(chǔ)。然而，隨著工業(yè)生產(chǎn)規(guī)模的不斷擴(kuò)大，布料生產(chǎn)線需要高效運(yùn)轉(zhuǎn)，這對(duì)布料質(zhì)量的嚴(yán)格監(jiān)管提出了更高的標(biāo)準(zhǔn)。傳統(tǒng)的人工檢測(cè)方法在識(shí)別布料缺陷時(shí)存在主觀性、效率低，已不能滿足現(xiàn)代工業(yè)生產(chǎn)對(duì)效率的需求。

2、利用圖像處理技術(shù)進(jìn)行的工業(yè)布匹缺陷檢測(cè)相較于傳統(tǒng)的人工檢測(cè)，具有明顯的優(yōu)勢(shì)。首先，這種方法能夠快速處理大規(guī)模的圖像數(shù)據(jù)，顯著提升了檢測(cè)的速度。其次，利用計(jì)算機(jī)視覺(jué)技術(shù)，能夠自動(dòng)化地通過(guò)算法識(shí)別缺陷，降低了人為因素對(duì)檢測(cè)結(jié)果的影響，從而提高了檢測(cè)的準(zhǔn)確性和可靠性。此外，自動(dòng)化的檢測(cè)系統(tǒng)全天候運(yùn)行，不受人工工作時(shí)間和疲勞的限制，更好地適應(yīng)了工業(yè)生產(chǎn)的需要。然而，基于視覺(jué)的自動(dòng)檢測(cè)方法也面臨著一些挑戰(zhàn)。工業(yè)布匹圖像的質(zhì)量可能因生產(chǎn)線上材質(zhì)、顏色、分辨率、環(huán)境噪聲和傳感器差異等因素而不穩(wěn)定。不同類型的缺陷可能具有不同的特征，這就需要開(kāi)發(fā)多樣化的特征提取和分類算法。同時(shí)，對(duì)于不同的生產(chǎn)線或不同種類的工業(yè)布匹，檢測(cè)模型的泛化能力也需要經(jīng)過(guò)嚴(yán)格的測(cè)試和驗(yàn)證。因此，在設(shè)計(jì)新生產(chǎn)線的工業(yè)布匹缺陷檢測(cè)系統(tǒng)時(shí)，必須考慮到這些因素，并采取措施來(lái)解決它們，確保算法的魯棒性和適應(yīng)性。這樣，系統(tǒng)才能在各種條件下穩(wěn)定運(yùn)行，為現(xiàn)代工業(yè)制造提供一種高效且準(zhǔn)確的檢測(cè)解決方案。

3、目前對(duì)于布匹缺陷檢測(cè)的研究已經(jīng)有了一些工作：

4、例如中國(guó)發(fā)明專利申請(qǐng)公布號(hào)cn114723705a公開(kāi)了一種基于圖像處理的布匹瑕疵的檢測(cè)方法，此發(fā)明方法包括：采集布匹圖像，將布匹圖像分割為多個(gè)窗口圖像，獲取窗口圖像的頻率直方圖，對(duì)每?jī)蓚€(gè)窗口圖像的頻率直方圖進(jìn)行相似性計(jì)算得到相似度值，獲取每個(gè)窗口圖像與其他窗口圖像之間的頻率相似度值的平均相似度值，根據(jù)平均相似度值繪制相似度曲線，根據(jù)相似度曲線得出相似度值的最大值，根據(jù)相似度值的最大值確定標(biāo)準(zhǔn)窗口圖像，基于標(biāo)準(zhǔn)窗口圖像計(jì)算位置缺陷窗口圖像的布匹紋理的周期符合率，通過(guò)周期符合率確定缺陷像素點(diǎn)，從而有效避免布匹自身紋理的干擾，準(zhǔn)確的定位缺陷位置，提高布匹缺陷修復(fù)位置的準(zhǔn)確性，實(shí)用性強(qiáng)，值得推廣。

5、又例如中國(guó)發(fā)明專利申請(qǐng)公布號(hào)cn115457553a公開(kāi)了一種基于深度學(xué)習(xí)的布匹缺陷檢測(cè)方法，包括：將布匹缺陷數(shù)據(jù)集通過(guò)數(shù)據(jù)增強(qiáng)的方式，提升算法的魯棒性，利用多層特征提取算法，通過(guò)橫向連接的自上而下的體系結(jié)構(gòu)，將底層位置特征信息與高層分類特征信息相融合，提高了不同尺度布匹缺陷的檢測(cè)效果，在此基礎(chǔ)上添加可變形卷積算法，在卷積中的常規(guī)采樣位置添加二維偏移量，使偏移之后的采樣網(wǎng)格可以發(fā)生形變，解決了不規(guī)則形狀布匹缺陷檢測(cè)能力弱的問(wèn)題，同時(shí)，使用roialign與cascade?rcnn卷積神經(jīng)網(wǎng)絡(luò)相融合，通過(guò)不斷增強(qiáng)iou閾值的方法，增強(qiáng)了缺陷檢測(cè)算法在復(fù)雜圖案背景下的適應(yīng)性，減少了假陽(yáng)性目標(biāo)的錯(cuò)誤檢測(cè)，增強(qiáng)了布匹缺陷的檢測(cè)精度。

6、再例如中國(guó)發(fā)明專利申請(qǐng)公布號(hào)cn116342495a涉及圖像數(shù)據(jù)處理技術(shù)領(lǐng)域，具體涉及基于圖像處理的布匹缺陷檢測(cè)方法，該方法包括：獲取待檢測(cè)布匹的表面灰度圖像，對(duì)表面灰度圖像進(jìn)行分割；獲取目標(biāo)子區(qū)域在預(yù)設(shè)方向集合中的每個(gè)預(yù)設(shè)方向上的灰度值序列集合；確定灰度值序列對(duì)應(yīng)的灰度變化異常指標(biāo)；確定相鄰的兩個(gè)灰度值序列中的第一個(gè)灰度值序列對(duì)應(yīng)的鄰域差異指標(biāo)；確定目標(biāo)子區(qū)域在預(yù)設(shè)方向上的灰度連續(xù)指標(biāo)；確定目標(biāo)子區(qū)域?qū)?yīng)的異常方向；對(duì)目標(biāo)子區(qū)域進(jìn)行異常程度分析處理；對(duì)待檢測(cè)布匹進(jìn)行松經(jīng)缺陷檢測(cè)。此發(fā)明通過(guò)對(duì)表面灰度圖像進(jìn)行圖像處理，提高了對(duì)布匹進(jìn)行松經(jīng)缺陷檢測(cè)的效率，應(yīng)用于對(duì)布匹進(jìn)行缺陷檢測(cè)。

7、上述發(fā)明專利申請(qǐng)的不足之處在于其主要關(guān)注單一生產(chǎn)線，并且需要大量標(biāo)注數(shù)據(jù)用于有監(jiān)督地重新全量微調(diào)深度網(wǎng)絡(luò)模型，并未充分考慮到真實(shí)工業(yè)產(chǎn)線中平紋布匹生產(chǎn)環(huán)境的多樣性以及從頭訓(xùn)練深度網(wǎng)絡(luò)模型的復(fù)雜性。由于平紋布匹涉及多種生產(chǎn)線和不同工藝，導(dǎo)致數(shù)據(jù)的收集與標(biāo)注變得異常困難，從而限制了傳統(tǒng)有監(jiān)督全量微調(diào)方法的應(yīng)用范圍。在這一背景下，本專利申請(qǐng)引入一種基于平紋布匹質(zhì)檢經(jīng)驗(yàn)提示符微調(diào)的缺陷檢測(cè)方法，彌補(bǔ)了傳統(tǒng)方法的不足之處。

8、首先，傳統(tǒng)方法依賴于大規(guī)模標(biāo)注數(shù)據(jù)，而跨生產(chǎn)環(huán)境下的數(shù)據(jù)收集面臨著更大的挑戰(zhàn)，包括不同產(chǎn)線之間的數(shù)據(jù)分布差異、標(biāo)注的主觀性等。這使得傳統(tǒng)有監(jiān)督全量微調(diào)方法的訓(xùn)練數(shù)據(jù)構(gòu)建變得繁瑣且成本高昂。其次，基于提示符微調(diào)的方法能夠從單個(gè)或極少個(gè)平紋標(biāo)注數(shù)據(jù)中進(jìn)行提示學(xué)習(xí)，更新少量提示符參數(shù)即可適配到新的產(chǎn)線任務(wù)中，減輕了對(duì)大規(guī)模標(biāo)注數(shù)據(jù)的依賴以及全量微調(diào)的計(jì)算成本。此外，引入平紋布匹質(zhì)檢經(jīng)驗(yàn)提示的方式使得提示符的學(xué)習(xí)能夠更精確、更魯棒地適應(yīng)新的平紋布匹數(shù)據(jù)，提高缺陷檢測(cè)質(zhì)量。因此，基于平紋布匹質(zhì)檢經(jīng)驗(yàn)提示微調(diào)的缺陷檢測(cè)方法彌補(bǔ)了傳統(tǒng)有監(jiān)督全量微調(diào)方法在多樣性和復(fù)雜性平紋布匹生產(chǎn)環(huán)境下的不足，為工業(yè)布匹缺陷檢測(cè)領(lǐng)域的進(jìn)一步發(fā)展提供了更加靈活、高效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于平紋布匹質(zhì)檢經(jīng)驗(yàn)提示符微調(diào)的缺陷檢測(cè)方法，以解決上述現(xiàn)有技術(shù)中布匹缺陷檢測(cè)方法面臨的需要大量標(biāo)注數(shù)據(jù)用于有監(jiān)督全量微調(diào)深度網(wǎng)絡(luò)模型，導(dǎo)致了高昂的訓(xùn)練成本和計(jì)算資源，以及在新產(chǎn)線上的泛化性能較差的缺陷。

2、本發(fā)明所述檢測(cè)方法包括以下具體步驟：

3、步驟1，工業(yè)布匹數(shù)據(jù)收集：收集噴水針織機(jī)邊緣端安裝的攝像頭中拍攝的不同實(shí)際生產(chǎn)環(huán)境下織布過(guò)程中出現(xiàn)的原始數(shù)據(jù)；

4、步驟2，布匹數(shù)據(jù)預(yù)處理與像素級(jí)標(biāo)注，對(duì)原始布匹數(shù)據(jù)進(jìn)行解碼，得到j(luò)peg格式的圖片數(shù)據(jù)，然后對(duì)有缺陷的布匹圖片進(jìn)行像素級(jí)標(biāo)注；

5、步驟3，構(gòu)建工業(yè)布匹缺陷檢測(cè)知識(shí)庫(kù)，將預(yù)處理后的布匹圖像數(shù)據(jù)按缺陷類型進(jìn)行分類，缺陷類型包括斷經(jīng)、斷緯、破洞、污漬紗、散邊，將標(biāo)注好的缺陷數(shù)據(jù)與特征信息存入標(biāo)簽庫(kù)，形成標(biāo)準(zhǔn)化的數(shù)據(jù)集；

6、步驟4，構(gòu)建工業(yè)布匹缺陷檢測(cè)模型，包括構(gòu)建平紋布匹質(zhì)檢經(jīng)驗(yàn)?zāi)K、提示符微調(diào)網(wǎng)絡(luò)模塊、黑盒布匹缺陷檢測(cè)網(wǎng)絡(luò)模塊以及預(yù)測(cè)偏差矯正網(wǎng)絡(luò)模塊；

7、步驟5，基于工業(yè)布匹缺陷檢測(cè)模型的平紋布匹缺陷的質(zhì)量檢測(cè)；

8、步驟6，工業(yè)布匹缺陷檢測(cè)模型訓(xùn)練和評(píng)估；

9、步驟7，工業(yè)布匹缺陷檢測(cè)方法的使用。

10、進(jìn)一步地，步驟4所述構(gòu)建平紋布匹質(zhì)檢經(jīng)驗(yàn)?zāi)K、提示符微調(diào)網(wǎng)絡(luò)模塊、黑盒布匹缺陷檢測(cè)網(wǎng)絡(luò)模塊以及預(yù)測(cè)偏差矯正網(wǎng)絡(luò)模塊，包括以下步驟：

11、步驟4.1，構(gòu)建平紋布匹質(zhì)檢經(jīng)驗(yàn)?zāi)K，從工業(yè)布匹缺陷檢測(cè)知識(shí)庫(kù)中獲取平紋布匹的典型缺陷特征和質(zhì)量標(biāo)準(zhǔn)，通過(guò)歷史數(shù)據(jù)和專家經(jīng)驗(yàn)形成質(zhì)檢規(guī)則和標(biāo)準(zhǔn)，這些經(jīng)驗(yàn)和標(biāo)準(zhǔn)將作為模型微調(diào)的初始提示符p0；

12、步驟4.2，構(gòu)建提示符微調(diào)網(wǎng)絡(luò)模塊，由多組提示符生成子網(wǎng)絡(luò)和隨機(jī)投影矩陣組成，具體包括m個(gè)提示符生成子網(wǎng)絡(luò)模塊，每個(gè)提示符生成子模塊的具體過(guò)程如下：

13、從同一個(gè)多維高斯分布通過(guò)采樣算法生成一個(gè)噪音z：

14、

15、上式(1)中，i表示的是抽樣的序號(hào)，δ是群體的數(shù)量，μ(t)表示的是分布的均值，∈(t)≥0表示的是步數(shù)，σ(t)表示的是分布的協(xié)方差；

16、使用一個(gè)隨機(jī)矩陣a進(jìn)行矩陣乘法，將噪音z維度升高到與輸入一致的維度，得到m個(gè)專家提示符p1,p2,…,pm…,pm，如下式(2)：

17、pm＝az+p0……(2)，

18、上式(2)中，p0∈rd是初始的提示符嵌入特征，是在多維高斯分布上進(jìn)行協(xié)方差矩陣自適應(yīng)進(jìn)化策略中得到的特征，是隨機(jī)投影矩陣；

19、步驟4.3，構(gòu)建黑盒布匹缺陷檢測(cè)網(wǎng)絡(luò)模塊,具體包括帶有空洞卷積的編碼器(θe)-解碼器(θd)結(jié)構(gòu)、多尺度金字塔池化網(wǎng)絡(luò)、全連接條件隨機(jī)場(chǎng)網(wǎng)絡(luò)模塊；

20、步驟4.4，構(gòu)建網(wǎng)絡(luò)預(yù)測(cè)偏差矯正模型，包括一個(gè)三層感知機(jī)學(xué)習(xí)預(yù)測(cè)的殘差網(wǎng)絡(luò)；

21、步驟4.5，對(duì)工業(yè)布匹缺陷檢測(cè)模型各組成部分的初始化，初始化包括對(duì)編碼器θe和解碼器θd用imagenet數(shù)據(jù)集上自監(jiān)督預(yù)訓(xùn)練的模型參數(shù)進(jìn)行初始化。

22、進(jìn)一步地，步驟5所述基于工業(yè)布匹缺陷檢測(cè)模型的平紋布匹缺陷的質(zhì)量檢測(cè)，包括以下步驟：

23、步驟5.1，從當(dāng)前新產(chǎn)線平紋布匹標(biāo)注圖片dn中隨機(jī)采樣一個(gè)平紋布匹數(shù)據(jù)xn。其中dn的表示如式(3)所示：

24、

25、上式(3)中，dn表示新紋布匹產(chǎn)線數(shù)據(jù)，是平紋布匹產(chǎn)線的圖片數(shù)據(jù)，nn是紋布匹產(chǎn)線數(shù)據(jù)的總數(shù)，(i)表示第i個(gè)紋布匹數(shù)據(jù)點(diǎn)，表示紋布匹產(chǎn)線第i張圖片的高為h且長(zhǎng)為w，每張平紋圖片都是3通道，表示平紋圖片的逐像素標(biāo)注；

26、步驟5.2，將輸入平紋圖片數(shù)據(jù)xn與生成的m個(gè)提示符進(jìn)行融合，得到提示輸入xo，如下式(4)：

27、

28、上式(4)中，pm表示第m個(gè)專家提示符嵌入特征；

29、步驟5.3，融合的提示輸入xo送入一個(gè)黑盒網(wǎng)絡(luò)模型，具體地說(shuō)，經(jīng)過(guò)帶有空洞卷積的編碼器-解碼器結(jié)構(gòu)的編碼器θe后獲得深度特征表示fo，如下式(5)：

30、

31、上式(5)中，θe表示帶有空洞卷積的編碼器，表示新平紋布匹產(chǎn)線數(shù)據(jù)通過(guò)編碼器生成的第i層的特征圖，k表示編碼器輸出特征圖的層數(shù)，新平紋布匹數(shù)據(jù)的預(yù)測(cè)的邏輯值輸出值如下式(6)所示：

32、

33、上式(6)中，lo表示特征圖經(jīng)過(guò)解碼器θd后得到的預(yù)測(cè)邏輯值，表示新平紋布匹產(chǎn)線數(shù)據(jù)通過(guò)編碼器生成的第i層的特征圖，k表示編碼器輸出特征圖的層數(shù)，再經(jīng)過(guò)softmax函數(shù)，得到平紋布匹樣本像素級(jí)預(yù)測(cè)輸出po如下式(7)所示：

34、po＝softmax(lo)＝softmax(θd(θe(xo)))……(7)，

35、上式(7)中，softmax(·)表示模型中常用的將邏輯值轉(zhuǎn)換為預(yù)測(cè)的激活函數(shù)，lo表示特征圖經(jīng)過(guò)解碼器θd后得到的預(yù)測(cè)邏輯值，θe表示帶有空洞卷積的編碼器，softmax(·)如下式(8)所示：

36、

37、上式(8)中，c表示總類別數(shù)，lo,i表示邏輯值lo的第i個(gè)元素；

38、步驟5.4，網(wǎng)絡(luò)預(yù)測(cè)的偏差矯正，原始平紋布匹樣本的像素級(jí)預(yù)測(cè)輸出pn經(jīng)過(guò)一個(gè)三層感知機(jī)學(xué)習(xí)預(yù)測(cè)的殘差，得到像素級(jí)殘差預(yù)測(cè)輸出pr，如下式(9)

39、

40、上式(9)中，表示三層感知機(jī)殘差學(xué)習(xí)網(wǎng)絡(luò)模塊,，殘差學(xué)習(xí)模塊視為多個(gè)加和操作，不同層的參數(shù)能夠分開(kāi)優(yōu)化，對(duì)于一個(gè)三層感知機(jī)網(wǎng)絡(luò)來(lái)說(shuō)，先優(yōu)化第一層和第三層網(wǎng)絡(luò)參數(shù)表示為下式(10)：

41、

42、

43、上式(10)中，f(·)表示的是第i層網(wǎng)絡(luò)，θi是第i層網(wǎng)絡(luò)的參數(shù)，xi是第i層網(wǎng)絡(luò)的輸入。

44、進(jìn)一步地，步驟6所述工業(yè)布匹缺陷檢測(cè)模型訓(xùn)練和評(píng)估，包括以下步驟：

45、步驟6.1，隨機(jī)采樣一個(gè)帶標(biāo)注的新平紋布匹產(chǎn)線樣本xn輸入基于混合提示符微調(diào)工業(yè)布匹缺陷檢測(cè)模型，樣本xn經(jīng)過(guò)專家提示符模塊得到提示輸入xo，xo再送入帶有空洞卷積的編碼器-解碼器結(jié)構(gòu)的編碼器θe后獲得深度特征表示fo，將這些深度特征輸入到解碼器θd中，獲得該樣本的預(yù)測(cè)邏輯值輸出lo，再經(jīng)過(guò)softmax函數(shù)得到樣本的像素級(jí)預(yù)測(cè)輸出po，最后經(jīng)過(guò)一個(gè)三層感知機(jī)得到像素級(jí)殘差預(yù)測(cè)輸出pr；

46、步驟6.2，使用像素級(jí)殘差預(yù)測(cè)輸出pr和原始像素級(jí)預(yù)測(cè)輸出po計(jì)算缺陷檢測(cè)損失函數(shù)分別如下式(11)、(12)：

47、

48、上式(11)(12)中，crossentropy(·)表示交叉熵?fù)p失函數(shù)，kl(·)表示相對(duì)熵?fù)p失函數(shù)，po表示平紋布匹圖片xo的原始網(wǎng)絡(luò)像素級(jí)預(yù)測(cè)輸出,pr表示預(yù)測(cè)輸出po的像素級(jí)殘差預(yù)測(cè)輸出；

49、步驟6.3，計(jì)算完整損失如下式(13)所示：

50、

51、上式(13)中，w表示損失函數(shù)的權(quán)重，一般取值為1.0，并利用隨機(jī)梯度下降算法對(duì)其反向傳播來(lái)對(duì)三層感知機(jī)的參數(shù)進(jìn)行更新，并讓損失函數(shù)最小化，提高新產(chǎn)線模型的預(yù)測(cè)性能；

52、步驟6.4，通過(guò)多次請(qǐng)求黑盒模型的接口計(jì)算損失作為采樣算法的指導(dǎo)，更新多個(gè)提示符的參數(shù)，以提高新產(chǎn)線模型的泛化性，如下式(14)所示。

53、

54、上式(14)中，crossentropy(·)表示交叉熵?fù)p失函數(shù)，yn表示樣本xn的標(biāo)簽，鑒于黑盒模型的梯度未知，為解決上述優(yōu)化存在的問(wèn)題，采用一個(gè)無(wú)梯度優(yōu)化方法，即協(xié)方差矩陣自適應(yīng)進(jìn)化策略，協(xié)方差矩陣自適應(yīng)進(jìn)化策略是一種使用多元正態(tài)分布的參數(shù)化搜索分布模型，每一次迭代過(guò)程，協(xié)方差矩陣自適應(yīng)進(jìn)化策略通過(guò)從多元正態(tài)分布中抽樣，生成新的查詢解決方案群體；

55、步驟6.5，交替重復(fù)上述步驟進(jìn)行模型訓(xùn)練，直到達(dá)到最大迭代次數(shù)或者訓(xùn)練收斂；

56、步驟6.6，使用驗(yàn)證集對(duì)模型進(jìn)行評(píng)估，如未滿足模型性能要求，則重復(fù)執(zhí)行步驟6.1至步驟6.5，逐步提高模型性能；

57、進(jìn)一步地，步驟7所述工業(yè)布匹缺陷檢測(cè)方法的使用，包括：將即時(shí)收集的新平紋布匹產(chǎn)線數(shù)據(jù)輸入訓(xùn)練好的工業(yè)布匹缺陷檢測(cè)模型中進(jìn)行缺陷檢測(cè)，選擇模型輸出結(jié)果中分類置信度最大的預(yù)測(cè)結(jié)果作為最終檢測(cè)結(jié)果。

58、本發(fā)明所述檢測(cè)方法與現(xiàn)有同類方法相比較，具有以下的優(yōu)越效果：

59、1.本發(fā)明所述檢測(cè)方法包括的工業(yè)布匹缺陷檢測(cè)模型通過(guò)采用密集語(yǔ)義分割技術(shù)，實(shí)現(xiàn)了更高分辨率的檢測(cè)質(zhì)量，與主要關(guān)注目標(biāo)檢測(cè)的傳統(tǒng)方法不同，本發(fā)明所述檢測(cè)方法使用像素級(jí)語(yǔ)義分割，為檢測(cè)到的缺陷提供了更精確的位置信息，而非僅僅是大致區(qū)域，本發(fā)明所述檢測(cè)方法使模型能夠識(shí)別圖像中不同大小和形狀的缺陷，顯著提高了在各種缺陷類型上的檢測(cè)準(zhǔn)確率，并有效減少了誤檢和漏檢的情況。

60、2.本發(fā)明所述檢測(cè)方法通過(guò)基于構(gòu)建工業(yè)布匹缺陷檢測(cè)模型，顯著降低了標(biāo)注成本和計(jì)算成本，通過(guò)提示符微調(diào)機(jī)制，只需更新少量提示符參數(shù)即能夠適應(yīng)新數(shù)據(jù)，減少了對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練所需的計(jì)算資源，從而快速提升了模型的泛化能力，確保了微調(diào)出的缺陷檢測(cè)模型在多種新布匹產(chǎn)線中都能滿足實(shí)際需求。

61、3.本發(fā)明所述檢測(cè)方法具有高度的適應(yīng)性和靈活性，能夠快速適應(yīng)不同產(chǎn)線和布料類型的變化，能夠處理不同光照條件、背景噪聲和布料紋理的圖像，確保在多樣化的生產(chǎn)環(huán)境中都能提供可靠的檢測(cè)結(jié)果，所具有的這種高度的適應(yīng)性和靈活性，使得本發(fā)明所述檢測(cè)方法在實(shí)際工業(yè)應(yīng)用中具有更強(qiáng)的實(shí)用性和競(jìng)爭(zhēng)力。