【技术实现步骤摘要】
一种基于轻量化级联网络的布匹瑕疵检测方法
[0001]本专利技术涉及计算机视觉的缺陷检测
,具体涉及一种基于轻量化级联网络的布匹瑕疵检测方法。
技术介绍
[0002]基于计算机视觉的布匹瑕疵检测系统通常采用拍摄布匹图像的方式,实现对布匹质量的监控。传统的布匹缺陷检测常使用图像处理的方式,将布匹图像中的纹理,边缘等特征提取出来,再用合适的算法处理这些特征进而有效的识别布匹缺陷。传统方式往往需要手动来设计特征提取器,这种方法在特定场景下非常有效,但泛化能力较弱,不能适应场景的变化。随着深度学习的发展,基于卷积神经网络(CNN)的缺陷检测方法展现出了其强大的特征提取能力,可以从大量的布匹图像样本中自动学习缺陷的特征表示,在检测准确率,实时性和广泛适应性方面已经远超传统方法。基于深度学习的方法有着更加强大的性能,但这类方法需要强大的算力和储存搭建神经网络模型的推理环境,在算法实际落地部署使用中,受限与当前硬件条件的制约,不能很好的展示出优势。同时针对较小缺陷目标和困难样本的检出率较低,在缺陷特征不明显的缺陷样本上误检较为严重。
技术实现思路
[0003]本专利技术的目的是为了克服现有技术的不足,提供了一种基于轻量化级联网络的布匹瑕疵检测方法。首先,针对构建布匹缺陷数据集时,某些特定类别的布匹缺陷样本数量较少,难以获取的情况,提出了一种数据增强方法。从已有含缺陷的样本图像中截取缺陷区域,再通过泊松融合的方式,随机贴回到不含缺陷的负样本图像中,形成新的布匹缺陷样本,扩充了数据集。其次,针对当前布匹缺陷检测模 ...
【技术保护点】
【技术特征摘要】
1.一种基于轻量化级联网络的布匹瑕疵检测方法,其特征在于,该方法包括下列步骤:1)使用工业相机和LED照明设备构建照明良好,成像稳定的拍摄环境,采集布匹图像;所述拍摄环境,采用正面照明的方式,将相机与光源放置在同一侧,与待验布匹保持平行;2)采集包含不同缺陷的瑕疵布匹图像,并对布匹图像进行数据增强,扩充数据集样本数,平衡不同类别的缺陷样本数量;采用分段标注策略对布匹图像的缺陷区域进行标注,使标注矩形框贴合缺陷区域;包含缺陷的样本标注完成后,按照1:1比例添加不含缺陷的布匹图像作为负样本;然后将所有样本以8:2比例,划分为训练集与测试集,构建布匹缺陷数据集;3)构造YOLOv5s
‑
GSBiFPN轻量化布匹瑕疵检测模型;构建双路注意力CSPGhostSE结构作为主干网络的核心特征提取模块;并通过堆叠多层CSPGhostSE结构提取深层特征,然后将特征输入SPPF模块中映射到固定维度;在特征融合阶段使用三层堆叠的加权双向金字塔BiFPN结构,充分融合多尺度特征并输入到3个检测头中分别检测大中小尺度的缺陷目标;4)优化损失函数,采用焦点损失函数Focal Loss计算分类损失;5)组建二分类数据集,构造二级分类网络;所述二分类数据集,均来自布匹缺陷数据集,通过裁剪的方式获取,不细分缺陷类别,只包括含缺陷样本和非缺陷样本两种类别;所述含缺陷样本,是根据原标注框信息,在宽度和高度上拓展2个像素,超出原始图片宽高时不做拓展,对原图进行裁剪获得;所述非缺陷样本,是根据已有缺陷区域的平均尺寸,在不含缺陷的布匹图像中随机裁剪获得;所述二级分类网络,采用ResNet18分类模型结构;6)训练改进的轻量布匹瑕疵检测模型和二分类模型;训练迭代至模型损失曲线接近于0且趋于平缓时,停止训练,获得最优模型;7)构建检测加分类的级联网络架构;所述检测加分类的级联网络架构,由一级检测网络和二级分类网络构成;一级检测网络负责定位和分类布匹图像中的缺陷,输出预测框,二级分类网络,负责对检测网络输出的预测框区域,进一步进行是否包含缺陷的二分类判断,对检测结果进行过滤;8)将待测布匹图像输入到级联网络模型中,进行缺陷检测,输出布匹缺陷的检测结果和缺陷目标位置信息。2.根据权利要求1所述一种基于轻量化级联网络的布匹瑕疵检测方法,其特征在于,步骤2)中所述数据增强包括:将特定类别的缺陷区域从原图上截取,再通过泊松融合的方式,随机贴回到不含缺陷的负样本图像中,形成新的布匹缺陷样本,扩充数据集;使用马赛克数据增强方法...
【专利技术属性】
技术研发人员:王杨,严子杰,黄大帅,魏家田,张舒,王一帆,
申请(专利权)人:西南石油大学,
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。