一种布匹瑕疵的检测模型的训练方法、装置、设备及介质制造方法及图纸

本发明专利技术提供一种布匹瑕疵的检测模型的训练方法，包括：获取含有块状瑕疵的布匹图像集数据，对所述布匹图像集数据进行处理，得到瑕疵图像集数据，根据所述瑕疵图像集数据，得到重要性程度数据集，根据所述瑕疵图像集数据，得到位置回归损失集，根据所述位置回归损失集与所述重要性程度数据集对检测模型的训练参数进行训练，得到训练好的检测模型。通过本发明专利技术公开的一种布匹瑕疵的检测模型的训练方法，能够使训练后的检测模型对布匹表面的小尺度块状瑕疵进行检测，且精确度较高。且精确度较高。且精确度较高。

【技术实现步骤摘要】
一种布匹瑕疵的检测模型的训练方法、装置、设备及介质


[0001]本专利技术涉及深度学习
，特别是涉及一种布匹瑕疵的检测模型的训练方法、装置、设备及介质。

技术介绍

[0002]在布匹的实际生产过程中，由于生产工艺存在一定的缺陷，可能会导致布匹的表面出现污渍、破洞、毛粒等各种瑕疵。为保证产品质量，需要对布匹进行瑕疵检测。布匹瑕疵检测是纺织行业生产和质量管理的重要环节，当采用人工进行检测时，容易受到人的主观因素影响，缺乏一致性，同时工作人员在强光下长时间工作对视力影响极大。
[0003]由于瑕疵存在瑕疵尺度大小不一、瑕疵与背景高度融合无法分辨、瑕疵本身形状各异等问题，导致利用神经网络模型对瑕疵进行检测时，精确度较低，其中小尺度瑕疵的漏检和误检是阻碍准确率的主要因素。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种布匹瑕疵的检测模型的训练方法、装置、设备及介质，本专利技术能够使训练后的检测模型对布匹表面的小尺度块状瑕疵进行检测，且精确度较高。
[0005]为实现上述目的及其他相关目的，本专利技术提供一种布匹瑕疵的检测模型的训练方法，包括：获取含有块状瑕疵的布匹图像集数据；对所述布匹图像集数据进行处理，得到瑕疵图像集数据；根据所述瑕疵图像集数据，得到重要性程度数据集；根据所述瑕疵图像集数据，得到位置回归损失集；根据所述位置回归损失集与所述重要性程度数据集对检测模型的训练参数进行训练，得到训练好的检测模型。
[0006]在本专利技术一实施例中，所述获取含有块状瑕疵的布匹图像集数据的步骤包括：获取初始图像集数据；根据所述初始图像集数据，得到瑕疵信息集数据，其中，瑕疵信息集数据包括瑕疵位置坐标集数据和瑕疵类别；根据所述瑕疵信息集数据，得到相应的瑕疵的面积，判断所述瑕疵的面积是否小于一个预设的面积阈值，若小于预设的面积阈值，则将该瑕疵进行保留，若不小于预设的面积阈值，则将该瑕疵剔除；对保留的所述瑕疵进行集合，得到含有块状瑕疵的布匹图像集数据。
[0007]在本专利技术一实施例中，所述对所述布匹图像集数据进行处理，得到瑕疵图像集数据的步骤包括：对所述布匹图像集数据进行分块处理，得到多个分块图数据；
判断所述分块图数据内是否包含瑕疵，若包含瑕疵，则将该所述分块图数据保留，若不包含瑕疵，则将该所述分块图数据剔除；根据保留的所述分块图数据，得到瑕疵图像集数据。
[0008]在本专利技术一实施例中，所述根据所述瑕疵图像集数据，得到重要性程度数据集的步骤包括：根据所述瑕疵图像集数据，得到相应的特征向量集数据；根据所述特征向量集数据，得到相应的全局注意力集数据；根据所述全局注意力集数据，得到相应的重要性程度数据集。
[0009]在本专利技术一实施例中，所述全局注意力集数据z
c
，表示为：，其中，H表示瑕疵图像集数据的高度，W表示瑕疵图像集数据的宽度，u
c
为卷积后的结果，c为卷积层的通道数，所述重要性程度数据集s表示为：，其中，表示relu激活函数，表示sigmoid激活函数，W1、W2表示不同的全连接操作。
[0010]在本专利技术一实施例中，所述根据所述瑕疵图像集数据，得到位置回归损失集的步骤包括：对瑕疵图像集数据进行处理，得到网格集数据；根据网格集数据，得到相应的预测值数据集；根据瑕疵位置坐标集数据与预测值数据集，得到位置回归损失集。
[0011]在本专利技术一实施例中，所述预测值数据集表示为：、、、，其中，t
x
表示预测框中心坐标距网格左上点坐标的横向距离，t
y
表示预测框中心坐标距网格左上点坐标的纵向距离，t
w
表示预测框与锚框的宽度的缩放系数，t
h
表示预测框与锚框的高度的缩放系数，a
h
表示锚框的高度，a
w
表示锚框的宽度，c
x
与c
y
代表锚框所处网格的左上点坐标以及评判是否存在目标的置信度，（x，y）表示网络预测出的瑕疵中心点坐标，w1表示预测框的宽度，h1表示预测框的高度；所述位置回归损失集L
box
,表示为：
其中，表示位置损失系数，S2表示SxS个网格，B表示锚框的数量，（x
i
，y
i
）表示网络预测出的第i个瑕疵中心点坐标，表示第i个瑕疵的真实中心坐标，表示瑕疵的宽度，表示瑕疵的高度，（i,j）表示锚框的位置，w
i
表示第i个预测框的宽度，h
i
表示第i个预测框的高度,表示若在（i,j）处的锚框内包含瑕疵，则的值为1，否则为0。
[0012]本专利技术还提供一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上布匹瑕疵的检测模型的训练方法的步骤。
[0013]本专利技术还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现布匹瑕疵的检测模型的训练方法的步骤。
[0014]如上所述，本专利技术提供一种布匹瑕疵的检测模型的训练方法，通过对检测模型进行训练，不仅提高了检测小尺度块状布匹瑕疵的精确度，还极大的简化了在线检测布匹缺陷的工作，实现了自动化监测，降低了人工操作的工作量，有助于产业的发展。
附图说明
[0015]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1显示为本专利技术的一种布匹瑕疵的检测模型的训练方法的一流程示意图。
[0017]图2显示为图1中步骤S10的一具体实施方式流程示意图。
[0018]图3显示为图1中步骤S20的一具体实施方式流程示意图。
[0019]图4显示为图1中步骤S30的一具体实施方式流程示意图。
[0020]图5显示为图1中步骤S40的一具体实施方式流程示意图。
[0021]图6显示为本专利技术的一种布匹瑕疵的检测模型的训练装置的一结构示意图。
[0022]图7显示为图6中数据获取模块的一结构示意图。
[0023]图8显示为图6中图片处理模块的一结构示意图。
[0024]图9显示为图6中重要性处理模块的一结构示意图。
[0025]图10显示为图6中回归损失处理模块的一结构示意图。
[0026]图11是本专利技术一实施例中计算机设备的一结构示意图。
[0027]元件标号说明：10、数据获取模块；11、图像获取模块；12、瑕疵信息获取模块；13、瑕疵信息判断模块；14、瑕疵保留模块；20、图片处理模块；21、分块处理模块；22、分块判断模块；23、分块保留模块；30、重要性处理模块；31、特征向量提取模块；32、注意力数据提取模块；33、重要性数据提取模块；40本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种布匹瑕疵的检测模型的训练方法，其特征在于，包括：获取含有块状瑕疵的布匹图像集数据；对所述布匹图像集数据进行处理，得到瑕疵图像集数据；根据所述瑕疵图像集数据，得到重要性程度数据集；根据所述瑕疵图像集数据，得到位置回归损失集；根据所述位置回归损失集与所述重要性程度数据集对检测模型的训练参数进行训练，得到训练好的检测模型。2.根据权利要求1所述的布匹瑕疵的检测模型的训练方法，其特征在于，所述获取含有块状瑕疵的布匹图像集数据的步骤包括：获取初始图像集数据；根据所述初始图像集数据，得到瑕疵信息集数据，其中，所述瑕疵信息集数据包括瑕疵位置坐标集数据和瑕疵类别；根据所述瑕疵信息集数据，得到相应的瑕疵的面积，并判断所述瑕疵的面积是否小于一个预设的面积阈值，若小于所述面积阈值，则将该所述瑕疵进行保留，若不小于所述面积阈值，则将该所述瑕疵剔除；根据保留的所述瑕疵，得到含有块状瑕疵的所述布匹图像集数据。3.根据权利要求1所述的布匹瑕疵的检测模型的训练方法，其特征在于，所述对所述布匹图像集数据进行处理，得到瑕疵图像集数据的步骤包括：对所述布匹图像集数据进行分块处理，得到多个分块图数据；判断所述分块图数据内是否包含瑕疵，若包含所述瑕疵，则将该所述分块图数据保留，若不包含所述瑕疵，则将该所述分块图数据剔除；对保留的所述分块图数据进行集合，得到瑕疵图像集数据。4.根据权利要求1所述的布匹瑕疵的检测模型的训练方法，其特征在于，所述根据所述瑕疵图像集数据，得到重要性程度数据集的步骤包括：根据所述瑕疵图像集数据，得到相应的特征向量集数据；根据所述特征向量集数据，得到相应的全局注意力集数据；根据所述全局注意力集数据，得到相应的重要性程度数据集。5.根据权利要求4所述的布匹瑕疵的检测模型的训练方法，其特征在于，所述全局注意力集数据z
c
，表示为：，其中，H表示瑕疵图像集数据的高度，W表示瑕疵图像集数据的宽度，u
c
为卷积后的结果，c为卷积层的通道数，所述重要性程度数据集s表示为：，其中，表示relu激活函数，
表示sigmoid激活函数，W1、W2表示不同的全连接操作。6.根据权利要求1所述的布匹瑕疵的检测模型的训练方法，其特征在于，所述根据所述瑕疵图像集数据，得到位置回归损失集的步骤包括：对所述瑕疵图像集数据进行处理，得到网格集数据；根据所述网格集数据，得到相应的预测值数据集；根据所述瑕疵位置坐标集数据...

【专利技术属性】
技术研发人员：汪建中，
申请(专利权)人：合肥联亚制衣有限公司，
类型：发明
国别省市：