一种改进YOLOv5s的布匹瑕疵检测方法技术

本发明专利技术涉及织物瑕疵检测技术领域，公开了一种改进YOLOv5s的布匹瑕疵检测方法，具体过程为采集布匹的表面图片，将采集的图片剪裁放大后输入GCP

【技术实现步骤摘要】
一种改进YOLOv5s的布匹瑕疵检测方法


[0001]本专利技术涉及织物瑕疵检测
，具体是一种改进YOLOv5s的布匹瑕疵检测方法。

技术介绍

[0002]织物瑕疵是指在织造过程中织物表面出现的瑕疵缺陷，这些瑕疵主要由设备故障、纱线问题、杂物夹入、不良加工、过度拉升等引起。传统的人工检测方法存在成本高、效率低等问题，而且人工检测方法受限于人员的主观因素，极易受疲劳、注意力不集中等因素影响而导致检测结果准确率降低，且在标准上很难达到统一，因此现有技术越来越倾向采用计算机技术自动检测织物表面的瑕疵。主要采取两种方式，一种是基于传统机器学习的目标检测算法，根据织物纹理、统计特征来进行布匹瑕疵检测。这些方法大多需要提前定义瑕疵特征，但由于织物瑕疵复杂多样，只是利用浅层特征提取的织物纹理分析的方法容易受外界光照不均匀或噪声的影响，导致瑕疵检测准确率低。同时，传统机器学习算法在海量数据集上的检测效果差，不适合在实际生产环境中推广应用。
[0003]另一种是基于深度学习的目标检测算法，虽然在某些方面表现较好，但同时有着一些缺陷。改进FasterRCNN算法面对小目标进行了改进，提高了小瑕疵的检测水平，但是其模型的体积较大，仅能应用于特定的问题背景下。YOLOv5s是YOLOv5系列最轻量级的模型。但是使用YOLOv5s进行布匹瑕疵检测时，仍有检测速度慢、漏检率高、误检率高、检测精度低等问题。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种改进YOLOv5s的布匹瑕疵检测方法，用以轻量化、高精度地对织物表面瑕疵进行检测。
[0005]为了解决上述技术问题，本专利技术提供一种改进YOLOv5s的布匹瑕疵检测方法，具体过程包括采集布匹的表面图片，在计算机中将采集的图片剪裁放大处理后输入GCP
‑
YOLOv5s网络中，输出带有瑕疵位置和种类的织物瑕疵检测图片；
[0006]所述GCP
‑
YOLOv5s网络基于Yolov5s网络，在Backbone部分中，将除第一个之外的CBS模块均替换为GhostCBS模块，将C3模块均替换为C3Ghost模块，同时在Backbone的尾部SPPF模块之后添加CBAM注意力机制；在Neck部分，将特征金字塔网络和路径聚合网络中的CBS模块均替换为GhostCBS，C3模块均替换为C3P模块；Head部分保持原有的3个检测器结构。
[0007]作为本专利技术的一种改进YOLOv5s的布匹瑕疵检测方法的改进：
[0008]所述裁切处理为将图片裁剪为96x96像素大小的一组图片，然后将每个96x96像素大小的图片等比例放大至640x640像素。
[0009]作为本专利技术的一种改进YOLOv5s的布匹瑕疵检测方法的进一步改进：
[0010]所述GhostCBS模块为将Yolov5s网络的CBS模块中的普通卷积替换为Ghost卷积。
[0011]作为本专利技术的一种改进YOLOv5s的布匹瑕疵检测方法的进一步改进：
[0012]所述C3Ghost模块为：将Yolov5s网络的主干部分的C3模块Bottleneck结构中的卷积替换成Ghost卷积从而重构为C3Ghost模块；
[0013]作为本专利技术的一种改进YOLOv5s的布匹瑕疵检测方法的进一步改进：
[0014]所述C3P模块为将Yolov5s网络的颈部分的C3模块的Bottleneck结构中的卷积替换成PConv卷积从而重构为C3P模块。
[0015]作为本专利技术的一种改进YOLOv5s的布匹瑕疵检测方法的进一步改进：
[0016]所述GCP
‑
YOLOv5s网络的训练和测试过程为：
[0017]采集企业生产完成的布匹表面图片，在计算机中，将采集到的图片切割成96像素*96像素的图像，并将其中带有瑕疵的图片经手工标注后按0.8:0.2比例划分为训练集和测试集；
[0018]将训练集中的图片输入GCP
‑
YOLOv5s网络，训练过程中计算损失函数值并反向传播迭代优化模型参数，到达预设epoch次数后结束训练；然后将测试集输入GCP
‑
YOLOv5s网络，计算候选预测框与标注框的交并比和评价指标。
[0019]本专利技术的有益效果主要体现在：
[0020]1、本专利技术使用了Ghost模块对Yolov5s网络的Backbone进行重构，使得主干网络更加轻量化，在几乎不影响检测精度的情况下，减少模型的参数量和计算量；
[0021]2、本专利技术选择将CBAM注意力机制模块添加到主干特征提取网络的SPPF模块之后，利用注意力机制来加强主干特征提取网络的特征提取能力；
[0022]3、本专利技术通过在Neck部分的C3模块中的Bottleneck结构内使用PConv，进一步降低了模型的参数量与计算量。由于Bottleneck结构是由多个相同模块串行连接而成，PConv中未参与卷积的通道会在其他的相同模块中参与卷积，从而缓解了了单独使用PConv所带来的特征融合不充分的现象。
附图说明
[0023]下面结合附图对本专利技术的具体实施方式作进一步详细说明。
[0024]图1为基础Yolov5s的结构示意图；
[0025]图2为本专利技术的改进的Yolov5s的结构示意图；
[0026]图3为普通卷积和Ghost卷积结构示意图；
[0027]图4为CBAM注意力机制结构示意图；
[0028]图5为PConv和普通卷积、深度可分离卷积的结构对比图；
[0029]图6为C3模块以及改进前后的Bottleneck结构图；
[0030]图7为织物表面经线纬线瑕疵示意图；
[0031]图8为本专利技术的GCP
‑
YOLOv5s网络的模型训练过程流程图；
[0032]图9为使用YOLOv5s对织物表面瑕疵的检测效果示例图；
[0033]图10为使用本专利技术的GCP
‑
YOLOv5s网络对织物表面瑕疵的检测效果示例图。
具体实施方式
[0034]下面结合具体实施例对本专利技术进行进一步描述，但本专利技术的保护范围并不仅限于
此：
[0035]实施例1、一种改进YOLOv5s的布匹瑕疵检测方法，具体过程如下：
[0036]1、改进Yolov5s网络
[0037]本专利技术基于Yolov5s网络，引入GhostNet中的GhostConv对原主干网络进行重构，大幅降低网络参数，能够加快织物瑕疵检测速度；其次，在主干特征提取网络引入CBAM空间通道注意力机制，增加网络的特征提取能力，能够增加织物瑕疵检测精度；最后，提出一种基于Partial convolution的改进C3
‑
P模块，在降低模型参数的同时，提高了检测精度，能够在检测精度接近的情况下加快织物瑕疵检测速度。
[0038]1.1、构建基础Yolov5s网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进YOLOv5s的布匹瑕疵检测方法，其特征在于:具体过程包括采集布匹的表面图片，在计算机中将采集的图片剪裁放大处理后输入GCP
‑
YOLOv5s网络中，输出带有瑕疵位置和种类的织物瑕疵检测图片；所述GCP
‑
YOLOv5s网络基于Yolov5s网络，在Backbone部分中，将除第一个之外的CBS模块均替换为GhostCBS模块，将C3模块均替换为C3Ghost模块，同时在Backbone的尾部SPPF模块之后添加CBAM注意力机制；在Neck部分，将特征金字塔网络和路径聚合网络中的CBS模块均替换为GhostCBS，C3模块均替换为C3P模块；Head部分保持原有的3个检测器结构。2.根据权利要求1所述的一种改进YOLOv5s的布匹瑕疵检测方法，其特征在于：所述裁切处理为将图片裁剪为96x96像素大小的一组图片，然后将每个96x96像素大小的图片等比例放大至640x640像素。3.根据权利要求2所述的一种改进YOLOv5s的布匹瑕疵检测方法，其特征在于：所述GhostCBS模块为将Yolov5s网络的CBS模块中的普通卷积替换为Ghost卷积。4.根据权利...

【专利技术属性】
技术研发人员：邹宏睿，任佳，刘瑜，潘海鹏，周传辉，
申请(专利权)人：浙江理工大学常山研究院有限公司，
类型：发明
国别省市：