【技术实现步骤摘要】
一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法
[0001]本专利技术属于纺织布匹瑕疵检测
，具体涉及一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法。
技术介绍
[0002]近些年来随着制造业设备的升级，制造业的发展方向逐渐由产品数量的扩增转变为产品质量的提升。而其中产品质量检测便是重要的一环。它不仅对于工业中的各个领域，如纺织业，电子零器件制造业，甚至对于医疗领域和遥感领域等都有着至关重要的作用。这些领域中的检测任务会面临着共同的问题：在高分辨率图像上存在大量极小尺度的目标。特别地，织物图像中存在的复杂背景也对缺陷的检测存在很强的干扰性。
[0003]基于传统计算机视觉的检测方法因其手工特征提取特征的方式繁琐且不够鲁棒而饱受诟病。近些年来，深度卷积神经网络（CNNs）的强大特征提取能力在许多场景中被证明，因此有大量工作对其进行了研究。自2012年以来，受基于ImageNet，COCO，Pascal VOC等大规模数据集上竞赛的激励，接连出现了...
【技术保护点】
【技术特征摘要】
1.一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法，其特征在于，包括步骤：S1、采集织物图像数据集，并对每张图像中的各瑕疵进行类别、位置的标注；S2、按预设比例对数据集进行划分，分别得到训练集、验证集、测试集，并对训练集进行数据增强，得到增强后训练集；S3、使用聚类算法根据增强后训练集中所有图像的目标GT框进行聚类，得到K个先验框；S4、随机选择增强后训练集中的X张图像作为Scaled
‑
YOLOv4网络的输入，经过主干网络特征提取后得到N个不同尺度的有效特征图，并输入集成特征指导模块进行多尺度特征预处理，然后使用高效阶梯金字塔网络对预处理后的有效特征图进行融合，得到N个不同尺度的融合特征图，最后通过动态尺度感知头对融合特征图的通道进行调整以获得N个预测特征图；S5、将K个先验框按照尺度顺序预先均匀分布到N个预测特征图上，然后根据预测特征图上锚点信息对相应的先验框进行调整，得到所有预测框；S6、根据步骤S5中得到的预测框与对应图片的GT框来计算网络整体损失值，并使用梯度下降法来更新Scaled
‑
YOLOv4网络的参数；S7、重复步骤S4
‑
S6直到增强后训练集中所有图片都输入网络一次，根据参数更新后的Scaled
‑
YOLOv4网络来对验证集的每张图像进行预测，统计后输出验证集中各个类别的AP值；S8、重复步骤S7，直至多次步骤S7中所统计的各个类别的AP值的平均值等于某一固定值，得到训练完成的Scaled
‑
YOLOv4网络；S9、使用训练完成的Scaled
‑
YOLOv4网络对测试集中所有图像进行预测，得到特征图上的预测框，根据特征图和原图的比例关系，将预测框映射至对应的原图上来定位瑕疵。2.根据权利要求1所述的一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法，其特征在于，步骤S4中包括步骤：S4.1、随机选择增强后训练集中的X张图像，输入主干网络中进行逐级特征提取，从中取出最深层的三个含有不同尺度和通道数的有效特征图；S4.2、将步骤S4.1中得到的三个有效特征图，输入集成特征指导模块进行多尺度特征预处理，将处理结果输入到高效阶梯金字塔网络中进行进一步的特征融合，得到三个不同尺度的融合特征图；S4.3、将步骤S4.2中得到的三个融合特征图通过动态尺度感知头，进行通道调整，以获取三个预测特征图。3.根据权利要求2所述的一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法，其特征在于，集成特征指导模块包括第一层融合层、第二层融合层、第三层融合层，第一层融合层与第二层融合层相连，第二层融合层与第三层融合层相连；第一融合层包括第一最大池化层、第二最大池化层、第三最大池化层、第一通道注意力模块，第一最大池化层、第二最大池化层、第三最大池化层分别与第一通道注意力模块连接；第二层融合层包括相连的第一1
×
1卷积层、分离聚合增强模块；第三层融合层包括多感受野融合模块、第二1
×
1卷积层。
4.根据权利要求3所述的一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法，其特征在于，高效阶梯金字塔网络包括第一层金字塔层、第二层金字塔层、第三层金字塔层，第一层金字塔层包括第一CSP瓶颈结构模块，第二层金字塔层包括第二CSP瓶颈结构模块，第三层金字塔层包括第三CSP瓶颈结构模块，第一CSP瓶颈结构模块、第二CSP瓶颈结构模块、第三CSP瓶颈结构模块依次相连。5.根据权利要求4所述的一种基于改进Scaled
‑
YOLOv4模型的织物瑕疵检测方法，其特征在于，动态尺度感知头包括第一子模块、第二子模块、第三子模块，...
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。