【技术实现步骤摘要】
本专利技术涉及织物疵点检测，特别是指一种素色织物疵点检测方法。
技术介绍
1、织物疵点是衡量纺织品质量的重要指标。不仅决定了纺织品的批次质量，更会影响纺织品的价格和纺织企业的经济效益，因此检测织物疵点是纺织企业具有工程意义的工作。计算机科学发展迅速，突破人工验布技术，首先面临的挑战是实时检测织物疵点，其次在保证速度的情况下提升检测效率是必要的。纺织车间织物种类繁多，对于纹理分布规律单调有序的素色织物来说，是织物疵点检测任务首要攻克的面料类型。目前检测织物疵点的研究方法如中国专利技术专利申请号202210388942.6，专利名称为一种低成本的面料瑕疵检测系统及方法，该专利尽管也采用了yolov5模型，但是该方法为广泛应用的检测方法，针对某种类面料，检测就不精确。
技术实现思路
1、本专利技术提出一种素色织物疵点检测方法，解决了现有技术中素色织物疵点检测精度差的问题。
2、本专利技术的技术方案是这样实现的：一种素色织物疵点检测方法，包含以下步骤：
3、s1准备织物：将织物规整放置在验布机的传动轴上，设置传动速度，使织物展开匀速向前运行；
4、s2图像采集：在织物的运动轨迹上并排放置10个彩色相机，采集织物图像；
5、s3图像传输及预处理：将采集的织物图像经过图像增强处理，输入基于yolov5框架改进的网络模型中，进行预训练；
6、s4织物疵点检测，输出疵点检测结果：
7、s5汇总织物疵点信息。
8、优
9、s4.1将织物图像输入yolov5网络模型中backbone部分，经过一次常规的卷积，提取织物疵点特征；
10、s4.2改进模型的主干特征提取网络cspdarknet的卷积层为ghostconv，旨在保证检测精度的同时提高推理速度并减小训练成本，从而进一步充分提取织物疵点特征；
11、s4.3经过不同的卷积层提取特征后，获得特征图，再采用cbam注意力机制模块，将特征图先后沿着通道、空间两个单独的维度顺序推断特征图，在此过程中，对织物图像的特征信息做动态的自适应加权处理；
12、s4.4将加权处理后的特征图，输入主干特征提取网络cspdarknet的c3ghost模块融合织物疵点特征并以残差连接的方式避免模型学习过程的退化问题，提高收敛速度并继续提取织物疵点特征；
13、s4.5特征图依次经过ghostconv、c3ghost模块的四次组合提取特征后，经过sppf模块通过具有不同尺寸的池化核融合织物疵点特征。将具有不同层级的织物疵点特征由transformer encoder block的多头自注意力机制增强特征图中的织物疵点信息，并作为neck的输入；
14、s4.6将具有丰富织物疵点信息的特征图由neck做进一步的下采样，首先经过自顶向下的fpn结构增强织物疵点的强语义信息，同时与来自骨干网络提取的织物疵点信息进行特征融合，丰富织物疵点信息，并继续由自底向上的融合策略传达强位置信息，输出三个特征层分别输入prediction部分负责检测具有大、中、小尺寸的织物疵点；
15、s4.7再将三个特征层输入prediction部分，由1×1卷积运算将织物疵点的空间位置信息映射到样本标记空间，prediction的设计旨在利用从颈部提取的三种不同尺度的特征图来确保织物瑕疵点的位置和类别。
16、优选的，步骤s4.7的具体方法：首先，将特征图划分为80×80、40×40和20×20三种大小的网格图，每种不同大小的网格分别对应原始图像的8×8像素、16×16像素和32×32像素，在每个网格中，使用三个预定义的锚框来预测不同比例的物体；其次，检测头采用1×1卷积运算，将二维特征图进一步映射为特征向量，得到目标的中心坐标、检测框的长度和宽度、物体中心点在该网格内的概率以及每个类别被预测的概率，在训练过程中，利用三个损失函数计算所获得的特征向量，量化预测值与真实值之间的差异，从而指导模型参数的更新。
17、优选的，yolov5网络模型包括backbone部分、neck部分、prediction部分，backbone部分采用改进的cspdarknet，neck部分采用panet，起到特征融合的作用，prediction部分分别预测具有三种不同尺寸的织物疵点。
18、优选的，步骤s3中织物图像在输入yolov5网络模型之前，不改变图像真实度的前提下重定义为符合网络模型要求的分辨率大小，降低参数数量，减小模型训练成本。
19、优选的，neck输出的三张特征图维度分别为80×80×256，40×40×512，20×20×1024，分别负责检测小、中、大的织物疵点。
20、优选的，整个网络作为反向传播的损失计算其损失函数，三类损失分别为分类损失、置信度损失和定位损失的加权结果。
21、优选的，对于置信度损失和分类损失均采用binary cross entropy计算做反向传播，对于定位损失则由complete intersection over union计算。
22、本专利技术的有益效果：
23、本专利技术通过改进yolov5网络结构模型，集注意力机制和轻量级深度学习机制于一体，更适应素色织物疵点检测，为提高模型推理速度，将cspdarknet卷积层替换为ghostconv，同时还采用cbam注意力机制，让网络更加关注图像疵点区域同时抑制背景纹理的影响，在骨干网络的末端应用transformer encoder block对特征图做进一步的处理，其内置的全局自注意力机制能够关联织物图像的每一个元素，从全局角度分析每一个碎片化信息，neck部分采用panet，panet解决因织物疵点的尺寸不同实现多尺度检测织物疵点。本专利技术通过改进yolov5网络结构，从而达到可划分种类多，泛化能力强，易于部署的优点。
本文档来自技高网...【技术保护点】
1.一种素色织物疵点检测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的一种素色织物疵点检测方法，其特征在于，
3.如权利要求2所述的一种素色织物疵点检测方法，其特征在于，
4.如权利要求1所述的一种素色织物疵点检测方法，其特征在于：
5.如权利要求1所述的一种素色织物疵点检测方法，其特征在于：
6.如权利要求2所述的一种素色织物疵点检测方法，其特征在于：
7.如权利要求3所述的一种素色织物疵点检测方法，其特征在于：
8.如权利要求7所述的一种素色织物疵点检测方法，其特征在于：
【技术特征摘要】
1.一种素色织物疵点检测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的一种素色织物疵点检测方法，其特征在于，
3.如权利要求2所述的一种素色织物疵点检测方法，其特征在于，
4.如权利要求1所述的一种素色织物疵点检测方法，其特征在于：
<...【专利技术属性】
技术研发人员：佟飞，潘如如，向军，易臻，孙治龙，张尚研，
申请(专利权)人：苏州清风云技术有限公司，
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。