一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备技术

本发明专利技术涉及一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备，包括步骤：采集多种织物疵点图像形成数据集并分为训练集和测试集，对训练集的织物疵点图像进行织物疵点类别标注和数据增强，再对织物疵点图像进行预处理，使用预处理后的织物疵点图像对改进的YOLOv5模型进行训练，使用测试集的织物疵点图像进行验证，得到织物疵点类别检测及分析处理模型；基于得到的织物疵点类别检测及分析处理模型实时对织物图像进行检测，并输出分析结果。本发明专利技术还公开使用该方法的可读存介质及终端设备。本发明专利技术方法减少了织物疵点的漏检，提高了织物疵点检测准确率。提高了织物疵点检测准确率。提高了织物疵点检测准确率。

【技术实现步骤摘要】
一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备


[0001]本专利技术属于图像处理
，具体涉及一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备。

技术介绍

[0002]随着机器视觉技术与工业制造的深入融合，制造行业发生了巨大变化，逐渐从追求数量转为追求质量。特别是在纺织领域，用户和企业对外观质量的要求也在逐年提高。用户更关注的是纺织品的外观质量，而不是其使用功能。对于织物来说，表面是否存在污渍、擦花、破洞等缺陷将会直接影响产品的美观度，也会直接影响产品的销售价值。
[0003]实际上就表面缺陷检测来说，在20世纪，就已经出现了人眼检测法。由于可投入的资金不足，中小企业仍然选择依靠人眼完成检测工作，其大致流程为：织物产品在企业车间流水线上匀速运动，工人站在观察台上对经过眼前的织物进行缺陷排查，一旦发现缺陷，工人控制流水线停止运动，在缺陷部位进行标记并且将相关信息记录下来。显而易见的是这种检测方法存在着许多问题
[0004]图像处理的织物疵点智能化检测研究的研究大约有30多年的历史,主要是针对图像分割、特征提取、疵点分类等方面。一些方法如：基于统计分析的共生矩阵、基于频谱分析的傅里叶变换和小波分析以及基于人工神经网络的分类算法等。国际上一些学者在此领域发表的研究成果，也都促进了该领域研究的发展与创新。目前，虽然国内外在此领域的研究取得不少研究成果，但真正面向市场的织物的疵点检测方法还比较少。
[0005]现有织物瑕疵检测方法，普遍针对与所有可能出现的瑕疵，均衡考量对所有瑕疵的检测效果。但实际上，某部分尤其是大尺寸的瑕疵出现频率较低，中等尺寸的瑕疵出现频率较高。所以应该在保证对所有瑕疵的一定的检出率之上，提高对中等尺寸瑕疵的检测效果。本专利技术针对此问题，修改ResNet结构，在FPN输出前增加前文信息，在保证所有尺度检测效果的前提下，提高了中等尺寸瑕疵的检测效果。

技术实现思路

[0006]本专利技术所要解决的技术问题在于，提供一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备，提高织物疵点检测的准确率，减少疵点漏检。
[0007]本专利技术是这样实现的，提供一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法，该方法包括如下步骤：
[0008]步骤一、采集多种织物疵点图像，形成数据集；
[0009]步骤二、将数据集分为训练集和测试集，对训练集的织物疵点图像进行类别标注，并将标注后的织物疵点图像进行数据增强处理及直方图均衡化处理；
[0010]步骤三、构建改进的YOLOv5模型，对输入的图像经过特征提取网络backbone和特征金字塔FPN提取特征，构建任务检测头Head检测提取到的特征，其中，特征提取网络
backbone由Focus卷积块、CBM卷积块和CSP卷积块组成，其中所述CBM卷积块包含卷积层、批量归一化层和Mish激活层，所述CSP卷积块包含ResNet_SPP卷积块；所述特征提取网络backbone由五个阶段组成，第1阶段包含Focus卷积块和CBM卷积块，第2阶段到第5阶段均包含CBM卷积块和CSP卷积块，其中第2阶段和第5阶段的CSP卷积块包含1个ResNet_SPP卷积块，第3阶段和第4阶段的CSP卷积块包含3个ResNet_SPP卷积块；其中，特征金字塔FPN由CBM卷积块、上采样卷积块和下采样卷积块组成；所述Head检测头，由CBM卷积块和基础卷积层组成；
[0011]步骤五、使用步骤二标注及处理后的训练集的织物疵点图像对改进的YOLOv5模型进行训练，使用测试集的织物疵点图像进行验证，将训练完成的改进的YOLOv5模型作为织物疵点类别检测及分析处理模型；
[0012]步骤六、将织物图像实时输入到织物疵点类别检测及分析处理模型，织物图像进行在线检测和分析，并输出分析结果。
[0013]进一步地，在步骤一中，所述多种织物疵点图像是指通过设置相应相机高度、相机焦距和不同环境光度对多种织物进行拍摄得到的织物疵点图像。
[0014]进一步地，在步骤二中，对训练集的织物疵点图像进行类别标注的步骤包括：根据经线纬线走向，前景背景差异以及疵点特征对所有织物疵点进行细分类标注。
[0015]进一步地，在步骤二中，所述数据增强处理包括采用平移、旋转、添加噪声或裁剪疵点融合到无缺陷图处理方式对标注好的图片进行处理。
[0016]进一步地，在步骤二中，对经过直方图均衡化处理后的图像需要再进行归一化处理。
[0017]进一步地，在步骤六中，所述分析结果包括：织物疵点的类别以及疵点数量。
[0018]进一步地，在步骤六中，所述输出分析结果包括将分析结果传送至云平台并显示。
[0019]本专利技术还提供了一种可读存储介质，所述可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行基于改进的YOLOv5模型对织物疵点进行在线检测的方法。
[0020]本专利技术还提供了一种终端设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令以执行基于改进的YOLOv5模型对织物疵点进行在线检测的方法。
[0021]与现有技术相比，本专利技术的一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备，首先收集了足够多的数据来构建数据集，将数据进行标注，之后再对数据进行数据增广，保证数据量的数目平衡，然后构建网络模型进行训练及验证，最后部署到硬件设备中。本专利技术选取CSPDarknet作为该模型的特征提取主干网络，优化了其中ResNet_SPP层和SPP层，以改进特征提取方法；选取FPN作为多尺度特征提取网络，优化多尺度特征提取方式，以改进多尺度特征提取方法，并以此得到改进后的织物疵点检测及分析处理模型，提高了织物疵点在线检测的准确率。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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前提下，还可以根
据这些附图获得其他附图。
[0023]图1为本专利技术的基于改进的YOLYOv5模型对织物疵点进行在线检测的方法的原理流程示意图；
[0024]图2为改进后的YOLOv5模型全局结构框图；
[0025]图3为改进后的YOLOv5模型中的CBM卷积块和CSP卷积块的结构框图；
[0026]图4为图3中CSP模块中的ResNet_SPP模块的结构框图；
[0027]图5为本专利技术一种基于改进的YOLYOv5模型对织物疵点进行在线检测的终端设备的结构图
具体实施方式
[0028]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法，其特征在于，该方法包括如下步骤：步骤一、采集多种织物疵点图像，形成数据集；步骤二、将数据集分为训练集和测试集，对训练集的织物疵点图像进行类别标注，并将标注后的织物疵点图像进行数据增强处理及直方图均衡化处理；步骤三、构建改进的YOLOv5模型，对输入的图像经过特征提取网络backbone和特征金字塔FPN提取特征，构建任务检测头Head检测提取到的特征，其中，特征提取网络backbone由Focus卷积块、CBM卷积块和CSP卷积块组成，其中所述CBM卷积块包含卷积层、批量归一化层和Mish激活层，所述CSP卷积块包含ResNet_SPP卷积块；所述特征提取网络backbone由五个阶段组成，第1阶段包含Focus卷积块和CBM卷积块，第2阶段到第5阶段均包含CBM卷积块和CSP卷积块，其中第2阶段和第5阶段的CSP卷积块包含1个ResNet_SPP卷积块，第3阶段和第4阶段的CSP卷积块包含3个ResNet_SPP卷积块；其中，特征金字塔FPN由CBM卷积块、上采样卷积块和下采样卷积块组成；所述Head检测头，由CBM卷积块和基础卷积层组成；步骤五、使用步骤二标注及处理后的训练集的织物疵点图像对改进的YOLOv5模型进行训练，使用测试集的织物疵点图像进行验证，将训练完成的改进的YOLOv5模型作为织物疵点类别检测及分析处理模型；步骤六、将织物图像实时输入到织物疵点类别检测及分析处理模型，织物图像进行在线检测和分析，并输出分析结果。2.如权利要求1所述的一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法，...

【专利技术属性】
技术研发人员：梁利华，丁浩禹，苏彬彬，闭淦程，祝雷，陈海宁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：