基于DR-RSBU-YOLOv5的织物瑕疵检测方法技术

本发明专利技术公开了一种基于DR

【技术实现步骤摘要】
基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法


[0001]本专利技术涉及了一种织物瑕疵检测方法，具体涉及一种基于DR
‑
RSBU
‑
YOLOv5模型的织物瑕疵检测方法。

技术介绍

[0002]纺织行业在我国的国民经济发展中一直占据着重要地位。在纺织工业生产中织物不仅作为制作服装的基础材料，而且可作为其他装饰类和工业类的原材料进行再加工。随着经济发展和人民生活水平的提高，市场对产品质量的要求逐渐升高，需要专业的质检人员检查纺织品的瑕疵并剔除不合格布匹。人工检测的方法不仅效率低成本高，而且会受检测人员的主观因素影响导致误检或漏检。因此，设计一种高效的自动化织物瑕疵检测方法是非常有必要的。
[0003]近些年来，卷积神经网络(CNNs)在图像分类、检测和分割等任务上占据愈来愈重要的地位，大量的研究人员参与其领域并改进出各式各样的网络模型。在目标检测方向，同样涌现出大量优秀的研究工作，具有代表性的有如R
‑
CNN和YOLO系列的检测模型，其中YOLO系列因其检测速度快和模型轻量的优点，在众多模型中脱颖而出并占据一席之地，但目前的织物瑕疵检测任务中存在噪声干扰和检测速度慢等问题，现有的先进检测模型在检测精度和效率指标上也有待提高。

技术实现思路

[0004]为了解决
技术介绍
中存在的问题，本专利技术提供一种基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法，该方法通过在网络的特定位置引入了降噪的改进深度残差收缩结构DR
‑
RSBU
‑
CW，减少了在织物瑕疵检测任务中存在的复杂背景干扰和噪声带来的错检漏检等问题。使用所提方法进行织物图像的瑕疵检测，相较于现有的先进检测模型在检测精度和效率指标上都具有较大的优势，同时也很好地满足了工业场景中的实时性要求。
[0005]本专利技术采用的技术方案是：
[0006]本专利技术织物瑕疵检测方法包括如下步骤：
[0007]S1)采集若干张带有织物瑕疵的织物图像，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，每张标注增强织物图像上均带有经织物瑕疵数据标注后获得的若干织物瑕疵的目标GT框，所有织物图像和增强织物图像共同建立扩展织物图像数据集，扩展织物图像数据集包括若干张扩展织物图像。
[0008]S2)使用Kmeans++聚类算法将扩展织物图像数据集中的所有目标GT框进行聚类，得到K个先验框。
[0009]S3)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以及测试集，预设比例为8:1:1。
[0010]S4)搭建DR
‑
RSBU
‑
YOLOv5网络。
[0011]S5)训练集中包括M张扩展织物图像，选取训练集中的X张扩展织物图像输入DR
‑
RSBU
‑
YOLOv5网络中进行训练，针对每张扩展织物图像，均输出N张训练预测特征图。
[0012]S6)针对每张扩展织物图像的N张训练预测特征图，将步骤S3)中的K个先验框均匀分布到N张训练预测特征图上，根据训练预测特征图对K个先验框进行调整，分别获得K个训练预测框，根据目标GT框选取其中的若干训练预测框作为训练候选框。
[0013]S7)根据训练候选框和目标GT框计算DR
‑
RSBU
‑
YOLOv5网络的整体损失值，将整体损失值反向传播至DR
‑
RSBU
‑
YOLOv5网络中，并使用梯度下降法更新DR
‑
RSBU
‑
YOLOv5网络的参数。
[0014]S8)针对训练集中的每张扩展织物图像重复步骤S5)
‑
S7)进行处理，当次选取的训练集中的X张扩展织物图像输入上一次重复步骤S7)后参数更新的DR
‑
RSBU
‑
YOLOv5网络中处理，直至训练集中所有的扩展织物图像均经参数更新的DR
‑
RSBU
‑
YOLOv5网络处理过，获得此时的DR
‑
RSBU
‑
YOLOv5网络作为预训练DR
‑
RSBU
‑
YOLOv5网络。
[0015]S9)验证集中包括若干张扩展织物图像，将验证集中的每张扩展织物图像输入预训练DR
‑
RSBU
‑
YOLOv5网络中处理，均输出N张验证预测特征图；对验证集中的每张扩展织物图像的N张验证预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干验证预测框，根据目标GT框选取若干验证预测框作为验证候选框。
[0016]根据验证候选框和目标GT框计算验证集中各个织物瑕疵类别的精确度值AP，并计算所有精确度值AP的平均精确度值mAP。
[0017]S10)重复步骤S8)
‑
S9)，直至多次获得的平均精确度值mAP等于或趋近于一个固定值，获得此时的预训练DR
‑
RSBU
‑
YOLOv5网络作为训练完成的DR
‑
RSBU
‑
YOLOv5网络。
[0018]将测试集输入训练完成的DR
‑
RSBU
‑
YOLOv5网络中处理，进行织物瑕疵的检测定位。
[0019]S11)获取若干张带有织物瑕疵的待检测织物图像，将每张待检测织物图像数据集输入训练完成的DR
‑
RSBU
‑
YOLOv5网络中处理，均输出N张检测预测特征图；对N张检测预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干检测预测框；使用非极大值抑制NMS去除各个检测预测框中的冗余框，保留的检测预测框作为最终预测框；将最终预测框映射至待检测织物图像中进行织物瑕疵的检测定位。
[0020]所述的步骤S1)中，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，首先对每张织物图像中的每个织物瑕疵进行类别和位置的数据标注，每个织物瑕疵均被一个矩形的目标GT框完全框住，每个目标GT框被标记为(class，xmin，ymin，xmax，ymax)，class表示目标GT框内所含织物瑕疵的类别，xmin和ymin分别表示目标GT框左上角顶点的x坐标和y坐标，xmax和ymax表示目标GT框右下角顶点的x坐标和y坐标；然后使用Mosaic数据增强处理，最终获得标注增强织物图像。Mosaic数据增强具体为随机选择四张织物图像，将四张织物图像进行随机裁剪，再拼接到一张图上。
[0021]所述的步骤S2)中，通过目标GT框的数据标记获取目标GT框的宽和高，使用Kmeans++算法根据目标GT框的宽和高对扩展本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法，其特征在于：包括如下步骤：S1)采集若干张带有织物瑕疵的织物图像，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，每张标注增强织物图像上均带有经织物瑕疵数据标注后获得的若干织物瑕疵的目标GT框，所有织物图像和增强织物图像共同建立扩展织物图像数据集，扩展织物图像数据集包括若干张扩展织物图像；S2)使用Kmeans++聚类算法将扩展织物图像数据集中的所有目标GT框进行聚类，得到K个先验框；S3)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；S4)搭建DR
‑
RSBU
‑
YOLOv5网络；S5)训练集中包括M张扩展织物图像，选取训练集中的X张扩展织物图像输入DR
‑
RSBU
‑
YOLOv5网络中进行训练，针对每张扩展织物图像，均输出N张训练预测特征图；S6)针对每张扩展织物图像的N张训练预测特征图，将步骤S3)中的K个先验框均匀分布到N张训练预测特征图上，根据训练预测特征图对K个先验框进行调整，分别获得K个训练预测框，根据目标GT框选取其中的若干训练预测框作为训练候选框；S7)根据训练候选框和目标GT框计算DR
‑
RSBU
‑
YOLOv5网络的整体损失值，将整体损失值反向传播至DR
‑
RSBU
‑
YOLOv5网络中，并使用梯度下降法更新DR
‑
RSBU
‑
YOLOv5网络的参数；S8)针对训练集中的每张扩展织物图像重复步骤S5)
‑
S7)进行处理，当次选取的训练集中的X张扩展织物图像输入上一次重复步骤S7)后参数更新的DR
‑
RSBU
‑
YOLOv5网络中处理，直至训练集中所有的扩展织物图像均经参数更新的DR
‑
RSBU
‑
YOLOv5网络处理过，获得此时的DR
‑
RSBU
‑
YOLOv5网络作为预训练DR
‑
RSBU
‑
YOLOv5网络；S9)验证集中包括若干张扩展织物图像，将验证集中的每张扩展织物图像输入预训练DR
‑
RSBU
‑
YOLOv5网络中处理，均输出N张验证预测特征图；对验证集中的每张扩展织物图像的N张验证预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干验证预测框，根据目标GT框选取若干验证预测框作为验证候选框；根据验证候选框和目标GT框计算验证集中各个织物瑕疵类别的精确度值AP，并计算所有精确度值AP的平均精确度值mAP；S10)重复步骤S8)
‑
S9)，直至多次获得的平均精确度值mAP等于一个固定值，获得此时的预训练DR
‑
RSBU
‑
YOLOv5网络作为训练完成的DR
‑
RSBU
‑
YOLOv5网络；S11)获取若干张带有织物瑕疵的待检测织物图像，将每张待检测织物图像数据集输入训练完成的DR
‑
RSBU
‑
YOLOv5网络中处理，均输出N张检测预测特征图；对N张检测预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干检测预测框；使用非极大值抑制NMS去除各个检测预测框中的冗余框，保留的检测预测框作为最终预测框；将最终预测框映射至待检测织物图像中进行织物瑕疵的检测定位。2.根据权利要求1所述的一种基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法，其特征在于：所述的步骤S1)中，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，首先对每张织物图像中的每个织物瑕疵进行类别和位置的数据标注，每个织物瑕疵均被一个矩形的目标GT框完全框住，每个目标GT框被标记为(class，xmin，ymin，xmax，ymax)，class表示目标GT框内所含织物瑕疵的类别，xmin和ymin分别表示目标GT框左
上角顶点的x坐标和y坐标，xmax和ymax表示目标GT框右下角顶点的x坐标和y坐标；然后使用Mosaic数据增强处理，最终获得标注增强织物图像。3.根据权利要求2所述的一种基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法，其特征在于：所述的步骤S2)中，通过目标GT框的数据标记获取目标GT框的宽和高，使用Kmeans++算法根据目标GT框的宽和高对扩展织物图像数据集中的所有目标GT框进行聚类，得到K个聚类中心坐标，以K个聚类中心坐标分别作为宽和高构成K个先验框。4.根据权利要求1所述的一种基于DR
‑
RSBU
‑
YOLOv5的织物瑕疵检测方法，其特征在于：所述的步骤S4)中，搭建的DR
‑
RSBU
‑
YOLOv5网络包括主干网络Backbone、第一卷积块CBL、改进深度残差收缩结构DR
‑
RSBU
‑
CW、路径聚合网络PANet和预测头部分：a)主干网络Backbone：主干网络Backbone包括依次连接的集中层Focus、四层卷积瓶颈层和空间金字塔快速池化模块SPPF；每层卷积瓶颈层中均包括依次连接的第一卷积块CBL和瓶颈结构模块BottleneckCSP；第二层卷积瓶颈层、第三层卷积瓶颈层和空间金字塔快速池化模块SPPF的输出作为主干网络Backbone的输出；第二层卷积瓶颈层的输出输入到路径聚合网络PANet中处理；第三层卷积瓶颈层的输出分别输入到改进深度残差收缩结构DR
‑
RSBU
‑
CW和路径聚合网络PANet中处理；空间金字塔快速池化模块SPPF的输出输入到第一卷积块CBL中处理，第一卷积块CBL处理的输出直接输入到路径聚合网络PANet中处理，第一卷积块CBL处理的输出经过上采样后输入到路径聚合网络PANe中处理；b)改进深度残差收缩结构DR
‑
RSBU
‑
CW：改进深度残差收缩结构DR
‑
RSBU
‑
CW包括第一卷积层Conv、第一批标准化层BN、第一整流线性单元激活函数ReLU、第二卷积层Conv、第二批标准化层BN、第三卷积层Conv、第三批标准化层BN、全局平均池化层、第一全连接层FC、第二整流线性单元激活函数ReLU、第二全连接层FC、激活函数Sigmoid和第三整流线性单元激活函数ReLU，改进深度残差收缩结构DR
‑
RSBU
‑
CW的输入分别输入到第一卷积层Conv和第二卷积层Conv中处理，第一卷积层Conv的输出依次经第一批标准化层BN、第一整流线性单元激活函数ReLU、第三卷积层Conv和第三批标准化层BN处理，第二卷积层Conv的输出经第二批标准化层BN处理，第二批标准化层BN和第三批标准化层BN的输出相加后获得相加结果，再将相加结果进行赋零处理获得赋零结果；将第二批标准化层BN的输出的结果经绝对值化处理后依次经全局平均池化层、第一全连接层FC、第二整流线性单元激活函数ReLU、第二全连接层FC和激活函数Sigmoid处理，全局平均池化层的输出和激活函数Sigmoid的输出相乘后的结果和赋零结果共同进行软阈值化处理，处理的结果和第一整流线性单元激活函数ReLU输出的结果相加后经第三整流线性单元激活函数ReLU处理后输出，作为改进深度残差收缩结构DR
‑
RSBU
‑
CW的输出；c)路径聚合网络PANet：路径聚合网络PANet包括依次连接的第一融合瓶颈层、第二卷积块CBL和第二融合瓶颈层、第三卷积块CB...

【专利技术属性】
技术研发人员：郑雨婷，吕文涛，余凯，王成群，徐伟强，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：