一种基于改进的YOLOv5的织物瑕疵检测方法及装置制造方法及图纸

本发明专利技术公开一种基于改进的YOLOv5的织物瑕疵检测方法及装置，收集织物瑕疵数据集并对数据集进行预处理，对数据集进行数据增强以及均衡扩充；使用Kmeans++聚类算法对织物数据集瑕疵GT框聚类获得先验框；数据集按比例划分训练集和验证集；对模型进行改进，使用moscio

【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)收集织物瑕疵数据集，并对数据进行预处理；
[0007](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；
[0008](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；
[0009](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；
[0010](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；
[0011](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。
[0012]进一步地，所述步骤(1)实现过程如下：
[0013]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。
[0014]进一步地，所述步骤(2)实现过程如下：
[0015]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。
[0016]进一步地，步骤(4)所述mosic
‑
9数据增强方法实现过程如下：
[0017]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。
[0018]进一步地，步骤(4)所述在特征提取的骨干网络backbone中引入可变形卷积DCNV3实现过程如下：
[0019]将backbone主干网络中的第四层、第六层、第八层中的C3模块替换成DCNV3模块。
[0020]进一步地，步骤(4)所述在特征融合的颈部网络Neck中加入卷积注意力模块Biformer实现过程如下：
[0021]在检测网络head的第十层下添加注意力Biformer模块，该模块在开始时使用3
×
3深度卷积隐式编码相对位置信息；然后，依次应用双层路由注意力机制BRA模块和2层扩展比为e的MLP模块进行跨位置关系建模和逐位置嵌入；
[0022]在head层的特征融合中引入Efficient解耦头，替换检测网络head的Detcect模块为Decoupled_Detect模块。
[0023]进一步地，对于标注信息json文件提取GT框的信息，每个目标GT框被标记为(class，x
‑
center，y
‑
center，w，h)，class表示目标GT框内所含织物瑕疵的类别，x
‑
center和y
‑
center分别表示目标GT框中心点的x坐标和y坐标，w和h表示目标GT框的长和宽。
[0024]进一步地，所述DCNV3模块定义如下：
[0025][0026]其中，G表示group的数量，K表示采样点个数，w
g
表示每组内共享投影权重，m
gk
表示第g组第k个采样点的归一化后的调制因子，Δp
gk
表示第g组的相应采样点的偏移量。
[0027]基于相同的专利技术构思，本专利技术提出一种装置设备，包括存储器和处理器，其中：
[0028]存储器，用于存储能够在处理器上运行的计算机程序；
[0029]处理器，用于在运行所述计算机程序时，执行上述基于改进的YOLOv5的织物瑕疵检测方法的步骤。
[0030]基于相同的专利技术构思，本专利技术提出一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述基于改进的YOLOv5的织物瑕疵检测方法的步骤。
[0031]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术提出的改进的YOLOV5模型，融合了可变形卷积、注意力机制和高效的检测头；在特征提取中，可变形卷积的特性扩大了对于瑕疵目标的感受野，从而获得更好的特征提取能力；在特征融合中，使用双路由的
注意力机制，能够使得网络加强了特征的融合；在检测网络中更换更为高效的Decoupled检测头，由于使用了基于锚的检测方式，不仅或的高效的检测效率，同时对精确度也有增益；本专利技术实现织物瑕疵的检测，摒弃了过去依靠人工检测，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。
附图说明
[0032]图1为基于改进的YOLOv5的瑕疵检测方法的流程图；
[0033]图2为本专利技术的添加噪声方式的数据增强图；
[0034]图3为本专利技术的像素变换方式的数据增强图；...

【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：