基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法技术

本发明专利技术公开了基于YOLOv3网络以及多尺度特征融合的棉布瑕疵检测方法，设计了一个基于YOLOv3网络的瑕疵点检测模型，实现纺织品隐蔽瑕疵点的检测。首先对纺织品图像数据进行随机裁剪、旋转等预处理工作，增强模型的鲁棒性。然后用K

【技术实现步骤摘要】
基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法


[0001]本专利技术属于纺织品成分分析、材料分类
，具体涉及一种基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法。

技术介绍

[0002]在当前的纺织企业中，织物的检验仍以传统的人工视觉检验方式为主，检测速度一般在15
‑
20m/min[1]，无法满足在线检测的要求. 纺织厂中的织物若出现瑕疵，将严重影响其经济收益.因此，以机器视觉和深度学习为依托的检测方法成为近几年研究的热点.一般基于传统的机器视觉处理方法大致可分为统计法(数学形态学法、直方图统计法、遗传算法、贝叶斯统计法)，模型法(总变差模型),光谱法(快速傅里叶变换、小波变换、Gabor变换)，且由于一种算法很难取得理想的瑕疵轮廓，于是很多学者将多种算法融合应用.但这些传统算法过于依赖图像本身的浅层特征，图像的低对比度、光照不均等因素都会干扰检测结果，使得检测精度较低.近些年深度学习在目标检测方面发展迅猛，采用经过验证的两级管道，例如Fast R
‑
CNN、 FasterR
‑...

【技术保护点】

【技术特征摘要】
1.基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法，其特征在于，包括以下步骤：S1：输入棉布图像，对其进行归一化与标准化预处理；S2：随机裁剪图像并在网格上加入锚框；S3：用K
‑
Means++算法聚类锚框；S4：用Darknet
‑
53提取图像特征；S5：定位置信度评分与分类置信度评分；S6:将评分结果与阈值比较；S7:引入softer
‑
NMS算法精确化边框。2.根据权利要求1所述的基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法,其特征在于，S1图像预处理，其主要包括图像矩阵的归一化、标准化等操作。3.根据权利要求1所述的基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法,其特征在于，S2随机裁剪图像并在网格上加入锚框，对其输入的图像数据进行随机裁剪、旋转等预处理工作，目的是增强模型额鲁棒性，假设输出特征图的高与宽分别为H、W，相当于将图像划分为H
×
W个网络，图像的每个网格对应输出特征图平面上的一个表征点，在每个网格上都放上这些锚框，每个网格上每个锚框都对应一个预测框。4.根据权利要求1所述的基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法,其特征在于，S3用K
‑
Means++算法聚类锚框，利用锚点机制预测下次边界框以降低模型训练的复杂度，随着对样本特征的不断学习，根据真实框对初始候选框逐步修正，得到逐渐接近真实框的参数，为减少随机初始化对结果的影响，得到更好的IOU得分，用K
‑
Means++算法取代K
‑
Means算法，将候选框和真实框的交并比(IOU)作为位置相似性度量。5.根据权利要求1所述的基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法,其特征在于，S4用Darknet
‑
5...

【专利技术属性】
技术研发人员：池明旻，
申请(专利权)人：中山复旦联合创新中心，
类型：发明
国别省市：