一种用于布匹瑕疵图像检测中提升均值平均精度的方法技术

本发明专利技术公开了一种用于布匹瑕疵图像检测中提升均值平均精度的方法，其包括收集纺织中多种布匹瑕疵类型的图像；使用插值法对收集到的图像进行预处理，得到设定长宽的标准图像，并对标准图像中的实际瑕疵框和/或瑕疵类型进行描述，标注实际瑕疵框元组；对实际瑕疵框元组进行处理，获取实际瑕疵框的宽高比作为先验数据的维度，拟合调整先验框的大小与尺度，对先验框进行优化选取；根据先验框，使用目标检测算法进行监督训练，获得训练参数，计算mAP。该用于布匹瑕疵图像检测中提升均值平均精度的方法为基于机器视觉的通用目标检测算法的先验框选取加入先验条件，更好地匹配瑕疵目标检测的位置和大小，且识别出的瑕疵位置和大小均有较高提升。均有较高提升。均有较高提升。

【技术实现步骤摘要】
一种用于布匹瑕疵图像检测中提升均值平均精度的方法


[0001]本专利技术涉及图像检测领域，具体涉及一种用于布匹瑕疵图像检测中提升均值平均精度的方法。

技术介绍

[0002]目前，基于机器视觉的目标检测算法，如FasterRCNN，YOLO，SSD等算法中，mAP被用作衡量算法精度好坏的指标。在上述所指算法中，需要先验参考框来描述目标检测中可能存在的识别对象和对象在图像中所处的位置、大小。最终的mAP精度指标是由目标检测算法推断出的目标框与先验参考框做比较，得到交并比值，该比值作为其中一个维度来反映mAP精度指标。
[0003]例如，常见的mAP指标，Average Precision(AP)@[IoU＝0.50|area＝all|maxDets＝100]＝0.406，即在IoU交并比为0.5的情况下，目标检测精度为40.6％。例如，Average Precision(AP)@[IoU＝0.50:0.95|area＝all|maxDets＝100]＝0.220，即在IoU交并比以0.05步长由0.5增长到0.95时，即IoU分别为0.5，0.55，0.6，0.65，0.7，0.75，0.8，0.85，0.9，0.95序列的平均精度为22％；因此，提升IoU交并比精度，可提升目标检测中的mAP。

技术实现思路

[0004]本专利技术的目的在于提供一种先验框选取的优化策略，能够提升均值平均精度的用于布匹瑕疵图像检测中提升均值平均精度的方法。
[0005]为解决上述技术问题，本专利技术提供一种用于布匹瑕疵图像检测中提升均值平均精度的方法，其包括收集纺织中多种布匹瑕疵类型的图像；使用插值法对收集到的图像进行预处理，得到设定长宽的标准图像，并对标准图像中的实际瑕疵框和/或瑕疵类型进行描述，标注实际瑕疵框元组；对实际瑕疵框元组进行处理，获取实际瑕疵框的宽高比作为先验数据的维度，拟合调整先验框的大小与尺度，对先验框进行优化选取；根据优化先验框，使用目标检测算法进行监督训练，获得训练参数，计算mAP。
[0006]进一步地，收集到的图像瑕疵种类不小于20种，且每种瑕疵类型的图像收集200～300张。
[0007]进一步地，标准图像的尺寸大小为1000*2446，其中，高度为1000像素，宽度为2446像素。
[0008]进一步地，采用最近邻法插值算法对收集到的原始图像进行尺度缩放处理，得到标准图像，处理公式为：
[0009][0010]其中，src
x
为原始图像中像素点x的坐标；src
y
为原始图像中像素点y的坐标；des
x
为标准图像中像素点x的坐标；des
y
为标准图像中像素点y的坐标；h0和w0分别为原始图像的高度和宽度；h
p
和w
p
分别为预处理标准图像的高度和宽度；监督训练标准图像中的实际瑕疵
框和/或瑕疵类型并进行标注，标注出实际瑕疵框的位置、大小和瑕疵类型。
[0011]进一步地，在对标准图像中的实际瑕疵框和/或瑕疵类型进行标注时，瑕疵类型以阿拉伯数字映射为具体的瑕疵中文标识，实际际瑕疵框以标准图像的(x，y，h，w)元组进行描述，该元组记为T
truth
；
[0012]其中，x为实际瑕疵框左上角的x像素坐标，y为实际瑕疵框左上角的y像素坐标，h为实际瑕疵框的高度值，w为实际瑕疵框的宽度值。
[0013]进一步地，遍历访问所有标记的实际瑕疵框元组，并记为T
i
，
[0014]根据公式
[0015][0016]计算p＝T
i
(w)/T
i
(h)≥1，获取实际瑕疵框的宽高比作为先验数据的维度；
[0017]将实际瑕疵框的宽高比统一为长边与短边的比值，并对宽高比进行运算，得到一个宽高比序列P0＝{P1，P2，P3...P
n
}，n≥1，n≤N
p
，并对宽高比序列进行排序拟合分析，优化选取先验框大小和尺度；
[0018]其中，Pi为瑕疵值，Ti(w)为瑕疵的宽度，Ti(h)为瑕疵的高度。
[0019]进一步地，先验框的缩放倍数满足同宽高比的对称性。
[0020]进一步地，在监督训练过程中采用FasterRCNN算法进行目标的监督训练。
[0021]本专利技术的有益效果为：该用于布匹瑕疵图像检测中提升均值平均精度的方法结合纺织行业布匹图像的实际背景，为基于机器视觉的通用目标检测算法的先验框选取加入先验条件，从而更好地匹配瑕疵目标检测的位置和大小。先验框选取优化后的算法的mAP精度比通用选取方法提升20％
‑
30％，识别出的瑕疵位置和瑕疵大小均有较高的提升。
附图说明
[0022]图1为w/h的比值，所得到的密度图。
[0023]图2为w/h对比，所得到的精准密度图。
[0024]图3为以w和h作为对比，做出的概率密度图像图。
[0025]图4为w/h的序列进行多项式拟合的仿真图。
具体实施方式
[0026]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0027]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]以下结合实施例进行具体说明，且为了简单起见，以下内容省略了本领域技术人
员所知晓的技术常识。
[0029]本专利技术主要为针对纺织行业中对布匹图像的瑕疵检测过程，提出一种先验框选取的优化策略，以提升均值平均精度的方法。
[0030]该方法结合纺织行业布匹图像的实际背景，为基于机器视觉的通用目标检测算法的先验框选取加入先验条件，从而更好地匹配瑕疵目标检测的位置和大小。
[0031]具体地，该用于布匹瑕疵图像检测中提升均值平均精度的方法，包括收集纺织中多种布匹瑕疵类型的图像。
[0032]其中，收集到的图像瑕疵种类应不小于20种，这些图像涵盖常见的布匹瑕疵类型，如结头、破洞、三丝、粗维、稀密档、断氨纶和百脚等常见的瑕疵种类。
[0033]并且每种瑕疵类型的图像收集200～300张，即训练图像共4000
‑
6000张图像，图像总数记为N
P
。
[0034]接着，使用插值法对收集到的图像进行预处理，得到设定长宽的标准图像，并对标准图像中的实际瑕疵框和/或瑕疵类型进行描述，标注实际瑕疵框元组。
[0035]在实际操作中，瑕本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于布匹瑕疵图像检测中提升均值平均精度的方法，其特征在于，包括如下步骤：S1.收集纺织中多种布匹瑕疵类型的图像；S2.使用插值法对收集到的图像进行预处理，得到设定长宽的标准图像，并对标准图像中的实际瑕疵框和/或瑕疵类型进行描述，标注实际瑕疵框元组；S3.对实际瑕疵框元组进行处理，获取实际瑕疵框的宽高比作为先验数据的维度，拟合调整先验框的大小与尺度，对先验框进行优化选取；S4.根据优化先验框，使用目标检测算法进行监督训练，获得训练参数，计算mAP。2.根据权利要求1所述的用于布匹瑕疵图像检测中提升均值平均精度的方法，其特征在于：所述步骤S1中，所收集到的图像瑕疵种类不小于20种，且每种瑕疵类型的图像收集200～300张。3.根据权利要求1所述的用于布匹瑕疵图像检测中提升均值平均精度的方法，其特征在于：所述标准图像的尺寸大小为1000*2446，其中，高度为1000像素，宽度为2446像素。4.根据权利要求1所述的用于布匹瑕疵图像检测中提升均值平均精度的方法，其特征在于，所述步骤S2的具体步骤为：S21.采用最近邻法插值算法对收集到的原始图像进行尺度缩放处理，得到标准图像，所述处理公式为：其中，src
x
为原始图像中像素点x的坐标；src
y
为原始图像中像素点y的坐标；des
x
为标准图像中像素点x的坐标；des
y
为标准图像中像素点y的坐标；h0和w0分别为原始图像的高度和宽度；h
p
和w
p
分别为预处理标准图像的高度和宽度；S22.监督训练标准图像中的实际瑕疵框和/...

【专利技术属性】
技术研发人员：王德全，吴戈，王小勇，
申请(专利权)人：苏州阿普奇物联网科技有限公司，
类型：发明
国别省市：