一种改进YOLOv5的布匹瑕疵检测方法技术

本发明专利技术涉及一种基于改进YOLOv5的布匹瑕疵检测方法，包括：输入布匹的RGB图像；训练目标检测网络SE

【技术实现步骤摘要】
一种改进YOLOv5的布匹瑕疵检测方法


[0001]本专利技术属于布匹瑕疵检测领域，具体涉及一种改进YOLOv5的布匹瑕疵检测方法。

技术介绍

[0002]布匹瑕疵检测是产品质量控制的一个重要组成部分。在生产过程中，低质量的产品对产商和客户都是不利的。质量低下的产品无法长期地占领市场。然而，很多工厂在很大程度上依靠人力，通过肉眼来检测布匹瑕疵，这加重了厂商劳动成本的负担，而且效率低。为此，有必要将自动化瑕疵检测引入生产过程中，这可以有效地提高布匹质量，降低劳动成本。
[0003]针对布匹瑕疵检测问题，目前主流的有三种方法。第一种方法：Shi等人(SHI B,LIANG J,DI L,et al.Fabric defect detection via low
‑
rank decomposition with gradient information and structured graph algorithm[J].Information Sciences,2021,546:608
‑
626.)使用了一种新的用于布匹瑕疵检测的低秩分解模型，这种方法基于梯度信息的低秩分解和结构图算法。第二种方法：Zhu等人(ZHU Z,HAN G,JIA G,et al.Modified densenet for automatic fabric defect detection with edge computing for minimizing latency[J].IEEE Internet of Things 2020,7(10):9623
‑
9636.)提出了一种用于边缘计算场景的基于深度学习的布匹瑕疵检测方法，其修改了DenseNet的结构来更好地适应资源受限的边缘计算场景。第三种方法：Li等人(LI Y,ZHANG D,LEE D
‑
J J N.Automatic fabric defect detection with awide
‑
and
‑
compact network[J].Neurocomputing,2019,329:329
‑
338.)提出了一个紧致的卷积神经网络，用于检测一些常见的布匹瑕疵，该网络使用了几个带有多层感知机的微结构来进行优化。
[0004]尽管这些方法在特定情况下取得了令人满意的成绩，但大多数方法都局限于简单的纹理，无法解决现实世界中复杂的布匹瑕疵检测问题。

技术实现思路

[0005]针对现有布匹瑕疵检测方法不能检测复杂布匹的瑕疵以及准确率不够高的问题，本专利技术在YOLOv5 backbone中加入了Squeeze
‑
and
‑
Excitation(SE)模块，并且使用ActivateOrNot(ACON)激活函数来替换YOLOv5 CSP中的LeakyReLU激活函数，从而得到了SE
‑
YOLOv5(SE Module
‑
Based YOLOv5)。本专利技术方法能够检测复杂纹理中的瑕疵，在实际应用场景中更加可靠实用。
[0006]本专利技术为实现上述目的所采用的技术方案是：
[0007]一种改进YOLOv5的布匹瑕疵检测方法，包括以下步骤：
[0008]从数据集中获取布匹的RGB图像；
[0009]训练SE
‑
YOLOv5模型；
[0010]将RGB图像导入训练好的SE
‑
YOLOv5模型进行瑕疵点检测，并输出检测结果。
[0011]通过精度、查准率、召回率和F1值，对检测前后的RGB图像进行计算，以此评价SE
‑
YOLOv5模型的性能。
[0012]所述SE
‑
YOLOv5模型为：在YOLOv5网络中的backbone层的最后加入SE模块，以及把YOLOv5网络中CSP层中的LeakyReLU函数替换为ACON激活函数。
[0013]通过带有瑕疵的布匹的RGB图像对SE
‑
YOLOv5模型进行训练。
[0014]所述ACON激活函数为：
[0015]f
ACON
‑
C
(x)＝(p1‑
p2)x
·
σ[β(p1‑
p2)x]+p2x
[0016]其中，x为输入值，p1和p2为可学习的参数，β为切换因子，σ为Sigmoid函数。
[0017]所述检测结果包括：瑕疵点锚框的中心位置的横坐标、纵坐标以及瑕疵点锚框的长度和宽度。
[0018]一种改进YOLOv5的布匹瑕疵检测系统，包括：
[0019]数据获取模块，用于从数据集中获取布匹的RGB图像；
[0020]模型训练模块，用于训练SE
‑
YOLOv5模型；
[0021]瑕疵点检测模块，用于将RGB图像导入训练好的SE
‑
YOLOv5模型进行瑕疵点检测，并输出检测结果。
[0022]一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种改进YOLOv5的布匹瑕疵检测方法。
[0023]一种改进YOLOv5的布匹瑕疵检测系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种改进YOLOv5的布匹瑕疵检测方法。
[0024]本专利技术具有以下有益效果及优点：
[0025]1.模型可用于复杂的布匹瑕疵检测，便于布匹瑕疵检测模型在实际环境的部署。
[0026]2.提升了布匹瑕疵检测模型的泛化能力，精度比原有模型要高。
附图说明
[0027]图1为本专利技术方法整体流程图；
[0028]图2为本专利技术方法的网络结构图；
[0029]图3为本专利技术方法的ACON
‑
CSP模块图；
[0030]图4为本专利技术方法所使用数据集的示例图；
[0031]图5为本专利技术方法检测布匹瑕疵的效果图；
[0032]图6为本专利技术方法训练时的边界框回归损失曲线图。
具体实施方式
[0033]下面结合附图及实施例对本专利技术做进一步的详细说明。
[0034]本专利技术采用的技术方案是：一种改进的YOLOv5的布匹瑕疵检测方法，包括以下步骤：
[0035]S1：输入布匹的RGB图像；
[0036]S2：训练SE
‑
YOLOv5模型；
[0037]S3：检测瑕疵点；
[0038]S4：输出瑕疵点的位置。
[0039]所述训练SE
‑
YOLOv5模型，具体为：在YOLOv5网络中的backbone中加入SE模块(HU J,SHEN L,ALBANIE S,et al.Squeeze
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进YOLOv5的布匹瑕疵检测方法，其特征在于，包括以下步骤：从数据集中获取布匹的RGB图像；训练SE
‑
YOLOv5模型；将RGB图像导入训练好的SE
‑
YOLOv5模型进行瑕疵点检测，并输出检测结果。2.根据权利要求1所述的一种改进YOLOv5的布匹瑕疵检测方法，其特征在于，通过精度、查准率、召回率和F1值，对检测前后的RGB图像进行计算，以此评价SE
‑
YOLOv5模型的性能。3.根据权利要求1所述的一种改进YOLOv5的布匹瑕疵检测方法，其特征在于，所述SE
‑
YOLOv5模型为：在YOLOv5网络中的backbone层的最后加入SE模块，以及把YOLOv5网络中CSP层中的LeakyReLU函数替换为ACON激活函数。4.根据权利要求1或3所述的一种改进YOLOv5的布匹瑕疵检测方法，其特征在于，通过带有瑕疵的布匹的RGB图像对SE
‑
YOLOv5模型进行训练。5.根据权利要求3所述的一种改进YOLOv5的布匹瑕疵检测方法，其特征在于，所述ACON激活函数为：f
ACON
‑
C
(x)＝(p1‑

【专利技术属性】
技术研发人员：张强，王琦，窦冬洋，齐鹏，王诗宇，王晓杰，刘信君，韩玉虎，
申请(专利权)人：沈阳中科数控技术股份有限公司，
类型：发明
国别省市：