Détection de défauts sur des tissus texturés déformables basée sur l'apprentissage profond avec critère de Fisher

Dans cet article, nous proposons une représentation discriminante pour la détection de défauts sur des tissus texturés lorsque seuls des échantillons négatifs limités sont disponibles. Les morceaux de tissu sont classés efficacement en catégories sans défaut et avec défaut par des autoencodeurs de débruitage empilés basés sur le critère de Fisher (FCSDA). Tout d'abord, les images de tissu sont divisées en morceaux de la même taille, et les échantillons défectueux et sans défaut sont utilisés pour entraîner le FCSDA. Deuxièmement, les morceaux de test sont classés à travers le FCSDA en catégories défectueuses et sans défaut. Enfin, le résidu entre l'image reconstruite et le morceau défectueux est calculé, et le défaut est localisé par seuillage. Les résultats expérimentaux démontrent l'efficacité du schéma proposé dans la détection de défauts pour des tissus à motifs périodiques et des tissus plus complexes en tricot jacquard.