【技术实现步骤摘要】
基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法、装置及系统
[0001]本专利技术涉及织物表面缺陷检测
，尤其涉及一种基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法、装置及系统。
技术介绍
[0002]近年来，我国在发展传统轻纺编织技术的基础上，正在大力发展纤维复合材料的编织技术，织物表面的缺陷数量是织物质量的判定标准之一，例如玻璃纤维布标准中指出，平均每100米玻纤织物的主要缺陷不得超过20个，否则将被认定为不合格品进行报废处理；然而人工检测缺陷仍为目前检测玻璃纤维织物生产质量的主要手段，然而人工检测存在诸多不确定因素，首先长时间的检验工作导致视觉疲劳，容易存在漏检问题，其次人工检测效率较低，成本也较高；为了克服上述问题，相关技术中利用深度学习技术，实现深度学习目标检测，目前的目标检测算法主要分为One
‑
Stage和Two
‑
Stage型算法，相比较而言One
‑
stage型算法更快一些，其直接通过主干网络同时...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法，其特征在于，包括以下步骤：获取布面图像数据；将获取的布面图像数据输入至改进的YOLOv4
‑
Tiny网络模型中，所述改进的YOLOv4
‑
Tiny网络模型为使用多组数据集训练出来的，所述多组数据集中的每一组数据均包括布面缺陷照片、缺陷位置标注信息和分类名称；获取所述改进的YOLOv4
‑
Tiny网络模型的输出信息，所述输出信息包括布面缺陷照片、缺陷位置标注和分类名称；其中，所述改进的YOLOv4
‑
Tiny网络模型包括主干特征提取网络，所述主干特征提取网络中包括残差网络结构，所述残差网络结构并行运行2
N
次，并通过Concat拼接，以拓展网络宽度，N的取值为2至6。2.根据权利要求1所述的基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法，其特征在于，在训练所述改进的YOLOv4
‑
Tiny网络模型之前，还包括数据集制备步骤，所述数据集制备方法包括以下步骤：获取若干缺陷图像；对缺陷图像进行裁切与分辨率调整；对图像进行重命名并进行标记与分类，并保存为xml文件；其中，所述xml文件中存储了缺陷位置标注信息和分类名称。3.根据权利要求2所述的基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法，其特征在于， 在对缺陷图像进行裁切与分辨率调整时，统一调整缺陷图片为正方形，图片分辨率为416
×
416。4.根据权利要求3所述的基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法，其特征在于，在完成对缺陷图像进行裁切与分辨率调整后，对图像进行数据增强，以丰富检测目标的背景。5.根据权利要求1所述的基于YOLOv4
‑
Tiny神经网络的布面缺陷检测方法，其特征在于，在数据集制备完成后，将数据集划分为训练集、测试集和验证集，所述训练集用于训练所述改进的YOLOv4
‑
Tiny网络模型，所述测试集用于测试所述改进的Y...
【专利技术属性】
技术研发人员：谈昆伦，季小强，
申请(专利权)人：常州市宏发纵横新材料科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。