一种基于改进EfficientDet模型的织物瑕疵检测方法技术

本发明专利技术涉及一种基于改进EfficientDet模型的织物瑕疵检测方法，包括如下步骤：采集织物数据集，对疵点进行标注；数据增强；增强数据集按预设比例划分为训练集、验证集、测试集；载入预训练模型，得到加强特征图；每个加强特征图独立地输入到分类/回归网络并进行候选框的调整；网络计算出分类和回归损失，并根据网络整体损失对整个网络模型参数进行更新；通过参数更新后的改进EfficientDet模型在验证集上计算验证集损失，根据验证集损失曲线考量该模型的泛化性能；经过预先设立的P轮Epoch训练迭代，得到最终的改进EfficientDet网络模型；载入训练模型，实现瑕疵的定位与分类。本发明专利技术通过适配织物图像特性，解决织物瑕疵检测任务中疵点多尺度、空间位置任意分布等检测难点问题。题。题。

【技术实现步骤摘要】
一种基于改进EfficientDet模型的织物瑕疵检测方法


[0001]本专利技术涉及一种织物瑕疵检测方法，具体涉及一种基于改进EfficientDet模型的织物瑕疵检测方法，属于纺织品后整理与目标检测


技术介绍

[0002]织物是人们在日常生活中广泛使用的材料，由纺织纤维制成。纺织纤维由天然纤维如亚麻或羊毛等制成，或尼龙、人造纤维等化学纤维制成。织物瑕疵是指在工业化生产制造过程中织物表面出现的瑕疵缺陷。这些织物瑕疵主要由机器故障、纱线问题、不良加工、过度拉伸等问题引起的。严重的瑕疵问题会导致织物产品的滞销和经济损失，而织物瑕疵的检测是一个旨在识别和定位这些瑕疵的质量控制过程。
[0003]在以往的检测方法中，人工检测是确保织物质量的主要手段。人工检测的方法虽然可以做到即时纠正一些错误，但是易受人工自身工作和外部环境的影响，如果疲劳会导致不可避免的人为错误，使得漏检率和误检率提高、检测速度变慢等，并且人工检测通常不会检测到较为微小的瑕疵。目前人工检测的成功率仅为60％
‑
75％。因此，使用高效和稳定的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进EfficientDet模型的织物瑕疵检测方法，其特征在于：包括如下工艺步骤：1)，使用工业相机采集织物数据集，对图像疵点进行标注，以获得瑕疵类别标签；2)，对织物数据集和对应的类别标签进行数据增强，满足网络模型训练的样本数量要求；3)，将样本增强数据集按预设比例划分为训练集、验证集、测试集；4)，载入预训练模型，预设好模型训练的Batch_size，任意选取训练集中一个批次张图片输入至模型中；选取每张图片在主干网络EfficientNet中N个特定阶层的有效特征图，经过通道变换后传入到特征金字塔网络进行多尺度信息整合得到N个对应阶层的加强特征图；5)，每个加强特征图均独立地输入到分类/回归网络并进行候选框的调整；6)，网络根据加强特征图图、调整后的候选框与相应真实框差异计算出分类和回归损失，并根据网络整体损失对整个网络模型参数进行更新；7)，通过参数更新后的改进EfficientDet模型在验证集上计算验证集损失，根据验证集损失曲线考量该模型的泛化性能；8)，经过预先设立的P轮Epoch训练迭代，即重复P次步骤4)～7)后，网络总损失曲线收敛，训练结束，得到最终的改进EfficientDet网络模型；9)，载入步骤8)得到的训练模型，遍历测试集文件夹中所有图片进行预测，依据非极大值抑制原则进行候选框筛选，然后从所有调整后的测试集候选框中根据置信度比较得到最终预测框，实现瑕疵的定位与分类。2.如权利要求1所述的基于改进EfficientDet模型的织物瑕疵检测方法，其特征在于：所述步骤1)中，使用LabelImg软件中最小外接矩形框对每张照片疵点进行分类别标定，得到类别标签XML文件；所述XML文件记录的信息包括图像的尺寸、瑕疵的类别、边界框的空间坐标位置等。3.如权利要求1所述的基于改进EfficientDet模型的织物瑕疵检测方法，其特征在于：所述步骤2)中，数据增强手段包括图像翻转、旋转、裁剪、亮度变化、对比度变化、增加噪声。4.如权利要求1所述的基于改进EfficientDet模型的织物瑕疵检测方法，其特征在于：所述步骤3)中，(训练集+验证集)：测试集的样本比例为9：1；其中训练集：验证集的样本比例为9：1；此时会生成train.txt、val.txt、test.txt文件来记录各自的划分后的图像名称列表；然后根据train.txt、val.txt生成2007_train.txt、2007_val.txt。5.如权利要求1所述的基于改进EfficientDet模型的织物瑕疵检测方法，其特征在于：所述步骤4)具体包括如下过程：4
‑
1)，以EfficientDet
‑
d0作为基础模型，并载入该模型预训练权重；每张图片首先输入至主干网络进行初步的特征提取，得到5个不同阶层(P3、P4、P5、P6、P7)的有效特征图；所述主干网络由不同层数的MBConv结构块和末端的并行膨胀注意力模块PDAM堆叠而成；其中每一阶层MBConv结构块代表主干网络的一个Stage；4
‑
2)，将主干网络提取到的5个不同阶层(P3、P4、P5、P6、P7)的特征图进行卷积操作实现通道统一后，输入到B
‑
BiFPN特征金字塔网络中，不同网络层之间以上/下采样的方式进行特征融合，得到5个不同尺度(分辨率分别为64
×
64、32
×
...

【专利技术属性】
技术研发人员：向忠，周光宝，沈宇佳，
申请(专利权)人：杭州知衣科技有限公司，
类型：发明
国别省市：