本发明专利技术公开了一种用于多类别瑕疵实时检测的轻量化模型构建方法及装置，方法包括如下步骤：获取含多类别瑕疵的目标物体图像，形成图像数据集；搭建初始的轻量化模型，并设置轻量化模型训练的超参数，其中，初始的轻量化模型包括轻量主干网络、颈部网络和头部检测网络，轻量主干网络用于提取融合位置信息的多尺度图像特征；根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛；构建得到用于多类别瑕疵实时检测的轻量化模型。本发明专利技术给出的轻量化模型提升了多类别缺陷产品的生产设备的工作效率和产品表面瑕疵的检测准确率。的工作效率和产品表面瑕疵的检测准确率。的工作效率和产品表面瑕疵的检测准确率。
【技术实现步骤摘要】
用于多类别瑕疵实时检测的轻量化模型构建方法及装置
[0001]本专利技术属于图像识别
，具体涉及用于多类别瑕疵实时检测的轻量化模型构建方法及装置。
技术介绍
[0002]当前的一些产品在生产过程中，可能存在多种类别的瑕疵。如作为生活必需用品，卫生巾具有干净、舒适、功能强大的特点，已经成为了目前市面上必不可少的一类生活用品。在卫生巾的生产工艺过程中，需要将棉花、不织布、纸浆及吸水高分子材料等多种原料通过机器进行混合、整理、成型，并在机器传送过程中，完成指定芯体形状的内层压合以及两侧无纺布的切刀操作，最后使用包膜进行纵向和横向的封装。
[0003]在自动生产线的多工序产出过程中，由于原料梳理混乱、芯体分层不当以及部件错位等原因，易导致产品的不合格。因此，为保证卫生巾生产过程的可靠运行，设置产品在生产线上进行瑕疵检测与分类成为了一项十分有意义的研究。
[0004]如专利CN113514369A给出一种一次性卫生用品使用性能测试方法，包括以下步骤：1)选取至少八个重量在标准范围值内的产品放置于工作台上；2)通过自动量取加液装置依次对各个产品进行自动加液，并通过图像识别单元获取产品图像；3)通过获取的产品图像识别液体被完全吸收的状态，并自动计时吸收时间；4)将产品图像二值化处理，使得产品上的扩散图形形成斑点；5)提取斑点分布图数据形成虚拟图像；6)将虚拟图像与预先设置的尺寸图像比较，尺寸图像为呈矩阵分布的具有确定尺寸大小的测量单元格组成，通过识别覆盖于虚拟图像上的斑点的单元格个数以及位置。该方案主要解决了现有技术中一次性卫生用品的使用性能测量速度慢且测量误差大。
[0005]现有的卫生巾瑕疵检测方法主要是基于卫生巾产品图像的对比进行检查。通过与标准卫生巾产品的形状、花纹对比，剔除不合格的不良品。如以上现有技术的方法在检测种类较多时，存在准确度低、识别速度慢等问题，难以精确检测瑕疵位置。
[0006]因此，如何构建实时检测多类别瑕疵产品的轻量化模型，能够实现检测的高效、高精度是本领域技术人员亟待解决的问题。
技术实现思路
[0007]针对上述现有技术中存在的缺陷，本专利技术提供了用于多类别瑕疵实时检测的轻量化模型构建方法及装置，搭建包括轻量主干网络的初始的轻量化模型，并对初始的轻量化模型进行迭代训练，旨在从深度学习领域出发，构建针对多类别瑕疵实时检测的轻量化模型。以此，对多瑕疵类型进行识别分类，旨在提升产品生产设备的工作效率和多类别表面瑕疵产品的检测准确率，有助于对不良品进行瑕疵类别的整理与数据分析，从而进一步评估和改良产品的生产线。
[0008]第一方面，本专利技术提供一种用于多类别瑕疵实时检测的轻量化模型构建方法，包括如下步骤：
获取含多类别瑕疵的目标物体图像，形成图像数据集；搭建初始的轻量化模型，并设置轻量化模型训练的超参数，其中，初始的轻量化模型包括轻量主干网络、颈部网络和头部检测网络，轻量主干网络用于提取融合位置信息的多尺度图像特征；根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛；构建得到用于多类别瑕疵实时检测的轻量化模型。
[0009]进一步的，获取含多类别瑕疵的目标物体图像，形成图像数据集，还包括：对图像的瑕疵进行矩形框标记，并对应生成瑕疵信息，其中，瑕疵信息包括瑕疵类别、矩形框中心坐标及矩形框尺寸。
[0010]进一步的，超参数包括用于轻量化模型训练的图像批量大小、初始学习率、动量因子、权重衰减系数及迭代次数。
[0011]进一步的，搭建初始的轻量化模型，具体包括如下步骤：构建轻量主干网络，其中，轻量主干网络包括Focus单元、HDC单元及多个ShuffleNet混合单元，HDC单元包括多个空洞卷积层组，且每个空洞卷积层组的空洞系数不同；Focus单元连接第一ShuffleNet混合单元，第一ShuffleNet混合单元连接HDC单元，HDC单元再与第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元依次连接；构建与ShuffleNet混合单元连接的FPN
‑
PAN的颈部网络，及对应颈部网络设置的头部检测网络，得到初始的轻量化模型。
[0012]进一步的，ShuffleNet混合单元包括ShuffleNetV2_1结构、ShuffleNetV2_2结构和CA结构，其中，ShuffleNetV2_1结构的结构步长为1，ShuffleNetV2_2结构的结构步长为2，CA结构为坐标注意力机制。
[0013]进一步的，第一ShuffleNet混合单元包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构，第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元均包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构。
[0014]进一步的，HDC单元包括第一空洞卷积层组、第二空洞卷积层组和第三空洞卷积层组，其中，第一空洞卷积层组、第二空洞卷积层组和第三空洞卷积层组的卷积核大小相同；第一空洞卷积层组和第三空洞卷积层组均为单个空洞卷积层，卷积系数分别为2和1，第二空洞卷积层组为两分支分别进行卷积运算，再进行级联合并的双空洞卷积层，双空洞卷积层的两个空洞卷积层卷积系数分别为1和3。
[0015]进一步的，根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛，具体包括如下步骤：对图像进行Mosaic数据增强，获取预处理图像；迭代如下步骤，至收敛：预处理图像输入初始的轻量化模型中，经Focus单元得到多张压缩图像，并对多张压缩图像进行多通道连接和卷积，形成第一特征图；第一特征图输入第一ShuffleNet混合单元进行下采样，得到第二特征图；第二特征图经过HDC单元后依次输入第二ShuffleNet混合单元、第三ShuffleNet
混合单元及第四ShuffleNet混合单元，且自第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元的输出分别得到第三特征图、第四特征图及第五特征图；第三特征图、第四特征图及第五特征图分别输入颈部网络进行特征信息融合后，由检测网络给出目标检测的结果，通过目标检测的预测值与真实值比较，计算误差值，迭代训练过程。
[0016]进一步的，通过目标检测的预测值与真实值比较，计算误差值，迭代训练过程，具体包括如下步骤：基于对目标检测的预测值与真实值的比对，计算损失函数，其中，损失函数具体表示为：
[0017]其中，Loss为初始的轻量化模型的总损失，Loss
cls
为分类损失，Loss
bbox
为矩形框回归损失，Loss
obj
为置信度损失；对初始的轻量化模型的损失函数进行走向分析，若达到阈值，确定训练迭本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，包括如下步骤：获取含多类别瑕疵的目标物体图像，形成图像数据集；搭建初始的轻量化模型，并设置轻量化模型训练的超参数，其中，初始的轻量化模型包括轻量主干网络、颈部网络和头部检测网络，轻量主干网络用于提取融合位置信息的多尺度图像特征；根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛；构建得到用于多类别瑕疵实时检测的轻量化模型。2.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，获取含多类别瑕疵的目标物体图像，形成图像数据集，还包括：对图像的瑕疵进行矩形框标记，并对应生成瑕疵信息，其中，瑕疵信息包括瑕疵类别、矩形框中心坐标及矩形框尺寸。3.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，超参数包括用于轻量化模型训练的图像批量大小、初始学习率、动量因子、权重衰减系数及迭代次数。4.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，搭建初始的轻量化模型，具体包括如下步骤：构建轻量主干网络，其中，轻量主干网络包括Focus单元、HDC单元及多个ShuffleNet混合单元，HDC单元包括多个空洞卷积层组，且每个空洞卷积层组的空洞系数不同；Focus单元连接第一ShuffleNet混合单元，第一ShuffleNet混合单元连接HDC单元，HDC单元再与第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元依次连接；构建与ShuffleNet混合单元连接的FPN
‑
PAN的颈部网络，及对应颈部网络设置的头部检测网络，得到初始的轻量化模型。5.如权利要求4所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，ShuffleNet混合单元包括ShuffleNetV2_1结构、ShuffleNetV2_2结构和CA结构，其中，ShuffleNetV2_1结构的结构步长为1，ShuffleNetV2_2结构的结构步长为2，CA结构为坐标注意力机制。6.如权利要求5所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，第一ShuffleNet混合单元包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构，第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元均包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构。7.如权利要求4所述用于多类别瑕疵实时检测的轻量化模型构建方...
【专利技术属性】
技术研发人员：陈文君，张圆，刘姗姗，谢甜，唐玉辉，韦云声，虞沛文，胡美琴，
申请(专利权)人：浙江双元科技股份有限公司，
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。