【技术实现步骤摘要】
一种基于改进的YOLOv5的织物瑕疵检测方法及装置
[0001]本专利技术涉及产品缺陷检测
,具体涉及一种基于改进的YOLOv5的织物瑕疵检测方法级装置。
技术介绍
[0002]纺织业是中国历史悠久的传统支柱产业,作为全球最大的纺织品生产国和出口国,在国民经济中发挥着重要作用。据工业现场的统计数据显示,即使是经验丰富的检测工人,最多可检测出70%的瑕疵点,检测速度一般不超过2m/s。市场调查显示,织物表面的瑕疵将会导致其售价下降约50%左右,严重时会导致产品滞销,这将会给纺织企业带来巨大的经济损失。
[0003]近年来,深度学习技术迅猛发展,在各个方面表现卓越。在目标检测方面,R
‑
CNN、SSD、YOLO系列等网络接连涌现,其中YOLO系列不仅拥有检测速度快和模型轻量的特点,还拥有不逊于其他网络的精度,因而得到广泛使用,但当下对于织物瑕疵检测,因其瑕疵的特征影响和存在噪声干扰,使得精度亟待提高。在这样的背景下,提出一种检测精度高、速度快和实用性好的织物瑕疵检测算法具有重大研究价值,实现织物瑕疵的检测,不仅能够提高检测效率和织物质量,还能够减少企业损失和生产成本。
技术实现思路
[0004]专利技术目的:本专利技术涉及产品缺陷检测
,具体涉及一种基于改进的YOLOv5的织物瑕疵检测方法及装置,能够提高检测效率和织物质量。
[0005]技术方案:本专利技术提出一种基于改进的YOLOv5的织物瑕疵检测方法,具体包括以下步骤:
[0006](1)收集织物
【技术保护点】
【技术特征摘要】
1.一种基于改进的YOLOv5的织物瑕疵检测方法,其特征在于,包括以下步骤:(1)收集织物瑕疵数据集,并对数据进行预处理;(2)使用Kmeans++聚类算法对织物瑕疵数据集中所有瑕疵GT框进行聚类,获得K个先验框;(3)按照预设比例将扩展织物图像数据集进行划分,获得训练集和验证集;(4)构建改进的YOLOv5模型:将YOLOv5模型中的在线增强mosic
‑
4替换成mosic
‑
9数据增强方式;在特征提取的骨干网络backbone中引入可变形卷积DCNV3;在特征融合的颈部网络Neck中加入卷积注意力模块Biformer;在检测网络head中引入Decoupled_Detect;(5)将步骤(3)获取的织物瑕疵训练集通过改进的YOLOv5模型训练并通过验证集验证,获得用于织物瑕疵检测的改进的YOLOv5的最优权重模型;(6)将预处理后的待检测织物瑕疵图片输入最优权重模型进行瑕疵检测。2.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法,其特征在于,所述步骤(1)实现过程如下:根据数据集中的图片数据defect_Images和标注信息json文件,转换成对应的GT框信息,得到image和label信息组合成数据集;通过添加高斯噪声和泊松噪声对数据进行扩充;通过随机改变亮度、对比度和锐度、随机翻转颜色方法,对图像进行像素变换,使数据达到每个瑕疵类之间的平衡。3.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法,其特征在于,所述步骤(2)实现过程如下:从数据集中随机选择一个点作为第一个聚类中心,根据瑕疵的GT框的宽和高,使用Kmeans++算法进行聚类,得到K个聚类中心,再根据得到的K继续使用聚类算法得到K个先验框。4.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕疵检测方法,其特征在于,步骤(4)所述mosic
‑
9数据增强方法实现过程如下:首先,选取一张图像开始拼接,从数据集中随机抽取8张图像;然后,将图片统一调整到预设尺寸,新建画布,将第一张图像放在画布的中心位置的位置,对其余8张图像按顺时针方向依次拼接,根据label信息,计算拼接后的GT框;最后,随机选择一个中心点,对拼接的图像与画布进行错位,更新GT框,并对图像进行随机变换,得到最终的9拼的图像。5.根据权利要求1所述的一种基于改进的YOLOv5的织物瑕...
【专利技术属性】
技术研发人员:孙可可,邱军林,邵鹤帅,沈泳杉,张浩东,李明辉,秦雨新,杨健,雷恒聃,高丽,蒋晓玲,李敏,
申请(专利权)人:淮阴工学院,
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。