一种基于S-YOLOV3的织物实时缺陷检测方法技术

本发明专利技术公开一种基于S‑YOLOV3的织物实时缺陷检测方法，包括以下步骤：步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；步骤2，建立S‑YOLOV3网络模型，S‑YOLOV3网络模型中每个卷积层后都很连接一个BN层和一个LeakyReLU层，每个BN层中引入卷积核的缩放参数γ和平移参数β；步骤3，采用S‑YOLOV3网络模型对数据集进行训练；步骤4，输入一张待检测的织物图片，采用步骤3训练好的S‑YOLOV3网络模型对待检测的织物图片进行检测，输出检测结果。本发明专利技术解决了现有技术中存在的对复杂纹理织物检测效果差的问题。

【技术实现步骤摘要】
一种基于S-YOLOV3的织物实时缺陷检测方法
本专利技术属于缺陷检测
，涉及一种基于S-YOLOV3的织物实时缺陷检测方法。
技术介绍
纺织产业是我国重要的民生产业，对我国经济社会的发展具有重大意义。纺织品的质量检测是纺织产业链中十分重要的一环，缺陷检测又是纺织品质量检测中的重要阶段,但是由于织物纹理图案复杂、缺陷种类多样化，增加了织物缺陷检测的难度，传统的织物缺陷检测是依靠人工目测来完成，成本高效率低、鲁棒性低，难以满足实际生产的需求。针对织物表面缺陷检测，众多国内外学者做了相关研究。传统方法在实施过程中需要对图像进行复杂的预处理,并且需要手工设置参数,但是这会产生巨大的人工和时间消耗,而且传统方法在面对不同纹理织物缺陷时通用性较差，检测效果不佳。
技术实现思路
本专利技术的目的是提供一种基于S-YOLOV3的织物实时缺陷检测方法，解决了现有技术中存在的对复杂纹理织物检测效果差的问题。本专利技术所采用的技术方案是，一种基于S-YOLOV3的织物实时缺陷检测方法，包括以下步骤：步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；步骤2，建立S-YOLOV3网络模型，S-YOLOV3包括依次连接的输入层、Darknet53网络和输出层，Darknet53网络包含52个卷积层和一个全连接层；52个卷积层为卷基核为1×1的卷积层和卷基核为3×3的卷积层交叉排布，且每个卷积层后都很连接一个BN层和一个LeakyReLU层，每个BN层中引入卷积核的缩放参数γ和平移参数β；步骤3，采用S-YOLOV3网络模型对数据集进行训练；步骤4，输入一张待检测的织物图片，采用步骤3训练好的S-YOLOV3网络模型对待检测的织物图片进行检测，输出检测结果。本专利技术的特点还在于，输入层中输入的图像尺寸为256×256。S-YOLOV3网络模型的输出为3个尺度的特征图：8×8，16×16，32×32，使用k-means聚类得到9个先验框，并将其划分到3个尺度特征图上，将不同尺度的特征图叠加到一起，增加输出的信息。采用S-YOLOV3网络模型对数据集进行训练过程中，采用缩放参数γ作为S-YOLOV3网络剪枝的缩放因子，删减缩放参数γ值接近于零的卷积核。数据集包括FID数据集和YID数据集人工标注后的图像。本专利技术的有益效果是，本专利技术的一种基于S-YOLOV3的织物实时缺陷检测方法，首先对目标边框使用K-means算法进行维度聚类,以适应不同尺度的缺陷；然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重低于阈值的卷积核进行裁剪以得到S-YOLOV3模型，实现模型压缩和加速,得到准确率与速度兼备的缺陷检测模型，对不同复杂纹理织物都能准确的检测出缺陷，且模型更加轻量化，缩短了检测时间。最终检测准确率和速度分别达到94％和55FPS。附图说明图1是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法的算法流程；图2是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中Darknet53网络的网络框架图；图3是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中S-YOLOV3模型的S-YOLOV3模型在训练时剪枝过程图；图4是本专利技术本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中S-YOLOV3模型的训练流程图；图5为本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例1中的待检测的织物图片；图6是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例1的检测结果图；图7为本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例2中的待检测的织物图片；图8是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例2的检测结果图；图9为本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例3中的待检测的织物图片；图10是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中实施例3的检测结果图；图11为本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中FID数据集的缺陷检测准确率的柱状图；图12是本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法中YID数据集的缺陷检测准确率的柱状图；具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于S-YOLOV3的织物实时缺陷检测方法，如图1～图4，包括以下步骤：步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；步骤2，建立S-YOLOV3网络模型，S-YOLOV3包括依次连接的输入层、Darknet53网络和输出层，Darknet53网络包含52个卷积层和一个全连接层；所述52个卷积层为卷基核为1×1的卷积层和卷基核为3×3的卷积层交叉排布，且每个卷积层后都很连接一个BN层和一个LeakyReLU层，所述每个BN层中引入卷积核的缩放参数γ和平移参数β；所述S-YOLOV3网络模型的输出为3个尺度的特征图：8×8，16×16，32×32，使用k-means聚类得到9个先验框，并将其划分到3个尺度特征图上，将不同尺度的特征图叠加到一起，增加输出的信息。步骤3，采用S-YOLOV3网络模型对数据集进行训练，在训练过程中，采用缩放参数γ作为S-YOLOV3网络剪枝的缩放因子，缩放参数γ代表卷积核的重要程度，删减缩放参数γ值接近于零的卷积核，评估每个卷积核的权重，将权重低于阈值的卷积核进行剪枝，S-YOLOV3模型参数量更小，模型更轻量，剪枝过程如图5所示。步骤4，输入一张待检测的织物图片，采用步骤3训练好的S-YOLOV3网络模型对待检测的织物图片进行检测，输出检测结果。实施例1，执行步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；本实施例的数据集包括FID数据集和YID数据集人工标注后作图像，其中FID是香港大学自动化实验室的公开样本库，由三种不同纹理的织物(方格织物、圆点织物和星型织物)组成，包含5种织物缺陷类型，分别是断头疵、破洞、多网、密路和稀路。YID为自己采集的数据库，包含迷彩印花、网格、条纹以及坯布的图像织物数据库。其中迷彩印花、网格和条纹图案织物的缺陷类型为毛丝；坯布织物的缺陷类型为毛丝、破洞、断经、断纬、浆斑、结丝、污渍、开车疵、褶皱；为保证图像采集清晰、稳定，需使用固定于光照充足的生产线上的工业相机或使用高分辨率扫描仪获取织物图片；将FID数据集和YID数据集中的织物图像长宽缩放至256×256像素，使用PS对织物图片进行缺陷的手工标注。执行步骤2，建立S-YOLOV3网络模型，所述S-YOLOV3包括依次连接的输入层、Darknet53网络和输出层，所述Darknet53网络包含52个卷积层和一个全连接层；所述52个卷积层为卷基核为1本文档来自技高网...

【技术保护点】
1.一种基于S-YOLOV3的织物实时缺陷检测方法，其特征在于，包括以下步骤：/n步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；/n步骤2，建立S-YOLOV3网络模型，所述S-YOLOV3包括依次连接的输入层、Darknet53网络和输出层，所述Darknet53网络包含52个卷积层和一个全连接层；/n所述52个卷积层为卷基核为1×1的卷积层和卷基核为3×3的卷积层交叉排布，且每个卷积层后都很连接一个BN层和一个LeakyReLU层，所述每个BN层中引入卷积核的缩放参数γ和平移参数β；/n步骤3，采用S-YOLOV3网络模型对数据集进行训练；/n步骤4，输入一张待检测的织物图片，采用步骤3训练好的S-YOLOV3网络模型对待检测的织物图片进行检测，输出检测结果。/n

【技术特征摘要】
1.一种基于S-YOLOV3的织物实时缺陷检测方法，其特征在于，包括以下步骤：
步骤1，采集有缺陷的织物图像并进行人工标注后作为数据集；
步骤2，建立S-YOLOV3网络模型，所述S-YOLOV3包括依次连接的输入层、Darknet53网络和输出层，所述Darknet53网络包含52个卷积层和一个全连接层；
所述52个卷积层为卷基核为1×1的卷积层和卷基核为3×3的卷积层交叉排布，且每个卷积层后都很连接一个BN层和一个LeakyReLU层，所述每个BN层中引入卷积核的缩放参数γ和平移参数β；
步骤3，采用S-YOLOV3网络模型对数据集进行训练；
步骤4，输入一张待检测的织物图片，采用步骤3训练好的S-YOLOV3网络模型对待检测的织物图片进行检测，输出检测结果。


2.如权利要求1所述的一种基于S-YOLOV3的织物实时缺...

【专利技术属性】
技术研发人员：景军锋，周君，张缓缓，王震，黄汉林，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61