一种基于HCS-YOLOV5的织物缺陷检测方法技术

本发明专利技术公开一种基于HCS

【技术实现步骤摘要】
一种基于HCS
‑
YOLOV5的织物缺陷检测方法


本专利技术属于织物缺陷检测
，尤其涉及一种基于HCS
‑
YOLOV5的经编织物缺陷检测方法。

技术介绍

纺织产业是我国重要的民生产业，对我国经济社会的发展具有重大意义。纺织品的质量检测是纺织产业链中十分重要的一环，缺陷检测又是纺织品质量检测中的重要阶段,但是由于织物纹理图案复杂、缺陷种类多样化，增加了织物缺陷检测的难度，传统的织物缺陷检测是依靠人工目测来完成，成本高、效率低、鲁棒性低，难以满足实际生产的需求。针对织物表面缺陷检测，众多国内外学者做了相关研究。传统的织物缺陷检测方法需要主观的设计一些特征参数，会产生巨大的人工和时间消耗，同时也很难将缺陷从纹理中分离出来，导致缺陷检测精度较低且漏检率较高。

技术实现思路

本专利技术的目的是提供一种基于HCS
‑
YOLOV5的织物缺陷检测方法，解决了现有技术中存在的对经编织物缺陷检测效果差的问题。本专利技术所采用的技术方案是。一种基于HCS
‑
YOLOV5的织物缺陷检测方法，包括以下步骤：步骤1，采集分辨率为640
×
640大小的有缺陷的经编织物图像；步骤2，利用步骤1获得的有缺陷的经编织物图像，使用LabelImg进行缺陷区域的标注，建立经编织物缺陷数据集，得到训练集，验证集，测试集；步骤3，建立HCS
‑
YOLOV5网络模型；步骤4，采用步骤3建立的HCS
‑
YOLOV5网络模型对数据集进行训练；步骤5，输入一张待检测的织物图片，采用步骤4训练好的HCS
‑
YOLOV5网络模型对待检测的织物图片进行检测，输出检测结果；步骤6，利用步骤2得到的测试集对模型进行评价。本专利技术的有益效果是。本专利技术的一种基于HCS
‑
YOLOV5的织物缺陷检测方法，首先使用ConvNeXtBlock模块改进主干提取网络中的CSP模块，增强主干网络的特征提取能力的同时，增加了每个像素点的语义信息；在主干提取网络中引入HASP模块，增强了特征提取网络的感受野和全局特征细节的捕捉，减少特征提取时细节信息的丢失；其次提出S
‑
PANet网络结构，引入SimAM注意力机制模块，增强模型在特征融合时对经编织物缺陷区域的关注，提高小尺寸缺陷的检测精度；最后改进损失函数，加速模型收敛。最终检测均值平均精度达到96.1％。
附图说明
图1是本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法的流程图；
图2是本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法的算法流程图；图3是本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法中HASP模块结构图示意图；图4是本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法中CNB模块结构图示意图；图5为本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法中实施例1中的待检测的织物图片；图6是本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法中实施例1的检测结果图；图7为本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法中经编织物数据集的缺陷检测精度的柱状图。
具体实施方式
下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于HCS
‑
YOLOV5的织物缺陷检测方法，如图1～图4，包括以下步骤：步骤1，采集分辨率为640
×
640大小的有缺陷的经编织物图像；步骤2，利用步骤1获得的有缺陷的经编织物图像，使用LabelImg进行缺陷区域的标注，建立经编织物缺陷数据集，得到训练集，验证集，测试集；步骤3，建立HCS
‑
YOLOV5网络模型；步骤4，采用步骤3建立的HCS
‑
YOLOV5网络模型对数据集进行训练；步骤5，输入一张待检测的织物图片，采用步骤4训练好的HCS
‑
YOLOV5网络模型对待检测的织物图片进行检测，输出检测结果；步骤6，利用步骤2得到的测试集对模型进行评价。实施例1，执行步骤1，采集分辨率为640
×
640大小的有缺陷的经编织物图像；步骤1具体按照以下实施：采集分辨率为640
×
640大小的有缺陷的经编织物图像具体按照以下实施：使用固定于光照充足的生产线上的工业相机获取织物图片，调整图像大小为640
×
640；包含断纱，断针，漏针，断纱3类缺陷，数据集中含有4000张图片，统一命名为######.png格式。执行步骤2，利用步骤1获得的有缺陷的经编织物图像，使用LabelImg进行缺陷区域的标注，建立经编织物缺陷数据集，得到训练集，验证集，测试集；
[0040]步骤2具体实施如下：使用LabelImg标注工具对步骤1获得的有缺陷的经编织物图像的缺陷信息进行标记，标记内容主要有输入缺陷样本，同时手动框选缺陷生成以图像左上角位置为基准的坐标信息，以及图像尺寸、存储路径的信息，并将标记信息生成的######.xml格式文件与######.jpg格式文件对应；按照8：1：1的比例划分训练集3200张训练样本，验证集400张验证样本，测试集400张测试样本。执行步骤3，建立HCS
‑
YOLOV5网络模型；具体实施过程为：步骤31：建立HCDarkNet特征提取网络，HCDarkNet特征提取网络是在原CSPDarkNet的基础上加上混合空洞空间金字塔(hybrid atrous space pyramid，HASP)模块和ConvNeXtBlock(CNB)模块，增强特征提取网络提取多尺度的特征信息能力的同时，增强其语义信息表达能力。HCDarkNet特征提取网络先对输入特征图进行4倍下采样，然后经
过HASP模块，其输出特征图能够提取多尺度的特征信息，增强了感受野和全局特征细节的捕捉，减少特征提取时细节信息的丢失，然后经过4个下采样层，每一个下采样层对特征图下采样2倍，同时每一个下采样层后都紧跟一个CNB模块，其输出特征图的每个像素点都能够实现对于缺陷目标的检测，同时增加了每个像素点的语义信息，连续堆叠4个下采样层，分别得到对输入图像进行8倍、16倍、32倍下采样的特征图作为特征融合网络的输入信息；步骤32：路径聚合网络旨在通过自底向上的路径增强顶层特征图的位置信息。由于经过多层传递之后，浅层的特征信息丢失就会比较严重，因此使用SimAM注意力机制增强缺陷区域的权重，减少特征信息的丢失，提高顶层的强语义信息与底层的强位置信息的融合精度，提高了经编织物缺陷检测算法对于不同尺寸目标的检测能力；步骤33：Head中的主体部分是三个Detect检测器，即利用基于网格的anchor在三个尺度为：80x80、40x40、20x20的特征图上进行目标检测的过程，根据特征图的尺寸在这3种特征图上划分网格，并且给本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HCS
‑
YOLOV5的织物缺陷检测方法，其特征在于，包括以下步骤：步骤1：采集分辨率为640
×
640大小的有缺陷的经编织物图像；步骤2：利用步骤1获得的有缺陷的经编织物图像，使用LabelImg进行缺陷区域的标注，建立经编织物缺陷数据集，得到训练集、验证集、测试集；步骤3：建立HCS
‑
YOLOV5网络模型；步骤4：采用步骤3建立的HCS
‑
YOLOV5网络模型对数据集进行训练；步骤5：输入一张待检测的织物图片，采用步骤4训练好的HCS
‑
YOLOV5网络模型对待检测的织物图片进行检测，输出检测结果；步骤6：利用步骤2得到的测试集对网络模型进行评价。2.如权利要求1所述的一种基于HCS
‑
YOLOV5的织物缺陷检测方法，其特征在于，所述步骤1中采集分辨率为640
×
640大小的有缺陷的经编织物图像，具体按照以下实施：使用固定于光照充足的生产线上的工业相机获取织物图片，调整图像大小为640
×
640；包含断纱，断针，漏针，断纱3类缺陷，数据集中含有4000张图片，统一命名为######.png格式。3.如权利要求2所述的一种基于HCS
‑
YOLOV5的织物缺陷检测方法，其特征在于，所述步骤2按照以下过程实施：使用LabelImg标注工具对步骤1获得的有缺陷的经编织物图像的缺陷信息进行标记，标记内容包括输入缺陷样本，同时手动框选缺陷生成以图像左上角位置为基准的坐标信息，以及图像尺寸、存储路径的信息，并将标记信息生成的######.xml格式文件与######.jpg格式文件对应；按照8：1：1的比例划分训练集3200张训练样本，验证集400张验证样本，测试集400张测试样本。4.如权利要求3所述的一种基于HCS
‑
YOLOV5的织物缺陷检测方法，其特征在于，所述步骤3建立HCS
‑
YOLOV5网络，按照以下过程实施：步骤31：建立HCDarkNet特征提取网络，HCDarkNet特征提取网络是在原CSPDarkNet的基础上加上混合空洞空间金字塔(hybrid atrous space pyramid，HASP)模块和ConvNeXtBlock(CNB)模块，增强特征提取网络提取多尺度的特征信息能力的同时，增强其语义信息表达能力；HCDarkNet特征提取网络先对输入特征图进行4倍下采样，然后经过混合空洞空间金字塔模块，其输出特征图能够提取多尺度的特征信息，增强了感受野和全局特征细节的捕捉，减少特征提取时细节信息的丢失，然后经过4个下采样层，每一个下采样层对特征图下采样2倍，同时每一个下采样层后都紧跟一个ConvNeXtBlock模块，其输出特征图的每个像素点都能够实现对于缺陷目标的检测，同时增加了每个像素点的语义信息，连续堆叠4个下采样层，分别得到对输入图像进行8倍、16倍、32倍下采样的特征图作为特征融合网络的输入信息；步骤32：路径聚合网络旨在通过自底向上的路径增强顶层特征图的位置信息，使用SimAM注意力机制增强缺陷区域的权重，减少特征信息的丢失；步骤33：Head中的主体部分是三个Detect检测器，即利用基于网格的anchor在三个尺度为：80x80、40x40、20x20的特征图上进行目标检测的过程，根据特征图的尺寸在这3种特征图上划分网格，并...

【专利技术属性】
技术研发人员：周其洪，孙浩东，王水，陈革，王菡珠，
申请(专利权)人：五洋纺机有限公司，
类型：发明
国别省市：