一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法技术

本发明专利技术属于织物瑕疵检测技术领域，具体涉及一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法。一种织物瑕疵检测模型，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头，通过在网络的特定位置引入降噪的冲突过滤残差收缩模块，减少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，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，同时也很好地满足工业场景中的实时性要求。中的实时性要求。中的实时性要求。

【技术实现步骤摘要】
一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法


[0001]本专利技术属于织物瑕疵检测
，具体涉及一种织物瑕疵检测模型及训练方法、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]本专利技术的目的在于提供一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法，通过在网络的特定位置引入降噪的冲突过滤残差收缩模块，减少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，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，同时也很好地满足工业场景中的实时性要求。
[0005]为实现以上目的，本专利技术采用以下技术方案：
[0006]本专利技术实施例第一方面提供一种织物瑕疵检测模型，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头；
[0007]主干网络包括依次连接的输入层、集中层、第一卷积瓶颈层、第二卷积瓶颈层、第三卷积瓶颈层、第四卷积瓶颈层和空间金字塔快速池化模块；
[0008]高效特征金字塔网络包括依次连接的第一卷积块、第一融合瓶颈层、第一融合卷积层、第二融合瓶颈层、第二卷积块、第二融合卷积层、第三融合瓶颈层、第三卷积块、第四融合瓶颈层、第四卷积块和第五融合瓶颈层，第一融合卷积层和第四融合瓶颈层相连，第一卷积块和第五融合瓶颈层相连；
[0009]第一卷积瓶颈层和第二融合卷积层相连，第二卷积瓶颈层分别和冲突过滤残差收缩模块、第二融合瓶颈层相连，第三卷积瓶颈层分别和冲突过滤残差收缩模块、第一融合瓶颈层连接，空间金字塔快速池化模块和第一卷积块相连，第一卷积块经上采样后和第一融合卷积层相连；
[0010]冲突过滤残差收缩模块分别和第三融合瓶颈层、第四融合瓶颈层相连；
[0011]第三融合瓶颈层、第四融合瓶颈层、第五融合瓶颈层分别与三个预测头连接。
[0012]作为优选方案，冲突过滤残差收缩模块包括输入层、带有激活函数的逐点卷积块、不带有激活函数的卷积块、不带有激活函数的深度卷积块、第一图片相加处理层、SE模块、软阈值化函数层、第二图片相加处理层和第二整流线性单元激活函数；
[0013]SE模块包括依次连接的全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层、第一激活函数层、图片相乘处理层，全局平均池化层和图片相乘处理层相连；
[0014]输入层分别和不带有激活函数的卷积块、带有激活函数的逐点卷积块相连，带有激活函数的逐点卷积块分别和不带有激活函数的深度卷积块、第二图片相加处理层相连，不带有激活函数的卷积块、不带有激活函数的深度卷积块均和第一图片相加处理层相连，第一图片相加处理层分别和SE模块的全局平均池化层、软阈值化函数层相连，SE模块的图片相乘处理层、软阈值化函数层、第二图片相加处理层、第二整流线性单元激活函数依次连接。
[0015]本专利技术实施例第二方面提供一种织物瑕疵检测模型训练方法，包括以下步骤：
[0016]S1、采集若干张带有瑕疵的织物图像，对每张图像进行织物瑕疵数据标注及数据增强处理，以构建织物图像数据集；
[0017]S2、使用聚类算法对织物图像数据集中所有图像的目标GT框进行聚类，以得到K个先验框；
[0018]S3、按预设比例将织物图像数据集划分为训练集、验证集；
[0019]S4、随机选择训练集中的X张图像输入到如本专利技术实施例第一方面任一项所述的织物瑕疵检测模型中进行训练，每张织物图像均得到N张训练预测特征图；
[0020]S5、将K个先验框按照尺度顺序均匀划分为N组，根据N组先验框的尺度大小和N张训练预测特征图的尺度大小，将N组先验框分别分配到N张训练预测特征图上，并根据训练预测特征图上的锚点信息对相应的先验框进行调整，以得到所有训练预测框；
[0021]S6、根据训练预测框、相应GT框计算网络整体损失，并使用梯度下降法来更模型的参数；
[0022]S7、重复步骤S4
‑
S6直至训练集中所有图片都输入模型一次，根据参数更新后的模型来对验证集的每张图像进行预测，根据每张图像的验证预测框和GT框计算验证集中各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；
[0023]S8、重复步骤S7，直到多次计算的平均精确度值mAP等于一个固定值，得到训练完成的模型。
[0024]作为优选方案，步骤S4包括：
[0025]S4.1、随机选取训练集中的X张图像，经切片处理后输入至主干网络中进行逐级特征提取，从中取出四个含有不同尺度和通道数的有效特征图，按尺度从小到大分别命名为M5特征图、M4特征图、M3特征图、M2特征图；
[0026]S4.2、将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，以得到K4特征图、K3特征图，将M5特征图、M4特征图、M3特征图、M2特征图、K4特征图、K3特征图均输入至高效特征金字塔网络进行进一步的特征融合，以得到P5融合特征图、P4融合特征图、P3融合特
征图；
[0027]S4.3、将步骤S4.2得到的P5融合特征图、P4融合特征图、P3融合特征图通过预测头进行通道调整，以获取三个训练预测特征图。
[0028]作为优选方案，步骤S4.2中将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，包括步骤：
[0029]S4.2.1、将M4特征图分别输入到带有激活函数的逐点卷积块和不带有激活函数的卷积块中处理；
[0030]S4.2.2、将带有激活函数的逐点卷积块的输出经过不带有激活函数的深度卷积块处理后，与不带有激活函数的卷积块的输出相加，以获得相加特征图；
[0031]S4.2.3、相加特征图上的所有值经过绝对值化处理后，将处理后的相加特征图输入至SE模块中处理，以得到处理后特征图以及特征图的阈值；
[0032]S4.2.4、对SE模块输出的处理后特征图和步骤S4.2.2得到的相加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种织物瑕疵检测模型，其特征在于，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头；主干网络包括依次连接的输入层、集中层、第一卷积瓶颈层、第二卷积瓶颈层、第三卷积瓶颈层、第四卷积瓶颈层和空间金字塔快速池化模块；高效特征金字塔网络包括依次连接的第一卷积块、第一融合瓶颈层、第一融合卷积层、第二融合瓶颈层、第二卷积块、第二融合卷积层、第三融合瓶颈层、第三卷积块、第四融合瓶颈层、第四卷积块和第五融合瓶颈层，第一融合卷积层和第四融合瓶颈层相连，第一卷积块和第五融合瓶颈层相连；第一卷积瓶颈层和第二融合卷积层相连，第二卷积瓶颈层分别和冲突过滤残差收缩模块、第二融合瓶颈层相连，第三卷积瓶颈层分别和冲突过滤残差收缩模块、第一融合瓶颈层连接，空间金字塔快速池化模块和第一卷积块相连，第一卷积块经上采样后和第一融合卷积层相连；冲突过滤残差收缩模块分别和第三融合瓶颈层、第四融合瓶颈层相连；第三融合瓶颈层、第四融合瓶颈层、第五融合瓶颈层分别与三个预测头连接。2.根据权利要求1所述的一种织物瑕疵检测模型，其特征在于，冲突过滤残差收缩模块包括输入层、带有激活函数的逐点卷积块、不带有激活函数的卷积块、不带有激活函数的深度卷积块、第一图片相加处理层、SE模块、软阈值化函数层、第二图片相加处理层和第二整流线性单元激活函数；SE模块包括依次连接的全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层、第一激活函数层、图片相乘处理层，全局平均池化层和图片相乘处理层相连；输入层分别和不带有激活函数的卷积块、带有激活函数的逐点卷积块相连，带有激活函数的逐点卷积块分别和不带有激活函数的深度卷积块、第二图片相加处理层相连，不带有激活函数的卷积块、不带有激活函数的深度卷积块均和第一图片相加处理层相连，第一图片相加处理层分别和SE模块的全局平均池化层、软阈值化函数层相连，SE模块的图片相乘处理层、软阈值化函数层、第二图片相加处理层、第二整流线性单元激活函数依次连接。3.一种织物瑕疵检测模型训练方法，其特征在于，包括以下步骤：S1、采集若干张带有瑕疵的织物图像，对每张图像进行织物瑕疵数据标注及数据增强处理，以构建织物图像数据集；S2、使用聚类算法对织物图像数据集中所有图像的目标GT框进行聚类，以得到K个先验框；S3、按预设比例将织物图像数据集划分为训练集、验证集；S4、随机选择训练集中的X张图像输入到如权利要求1
‑
2任一项所述的织物瑕疵检测模型中进行训练，每张织物图像均得到N张训练预测特征图；S5、将K个先验框按照尺度顺序均匀划分为N组，根据N组先验框的尺度大小和N张训练预测特征图的尺度大小，将N组先验框分别分配到N张训练预测特征图上，并根据训练预测特征图上的锚点信息对相应的先验框进行调整，以得到所有训练预测框；S6、根据训练预测框、相应GT框计算网络整体损失，并使用梯度下降法来更模型的参数；
S7、重复步骤S4
‑
S6直至训练集中所有图片都输入模型一次，根据参数更新后的模型来对验证集的每张图像进行预测，根据每张图像的验证预测框和GT框计算验证集中各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；S8、重复步骤S7，直到多次计算的平均精确度值mAP等于一个固定值，得到训练完成的模型。4.根据权利要求3所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4包括：S4.1、随机选取训练集中的X张图像，经切片处理后输入至主干网络中进行逐级特征提取，从中取出四个含有不同尺度和通道数的有效特征图，按尺度从小到大分别命名为M5特征图、M4特征图、M3特征图、M2特征图；S4.2、将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，以得到K4特征图、K3特征图，将M5特征图、M4特征图、M3特征图、M2特征图、K4特征图、K3特征图均输入至高效特征金字塔网络进行进一步的特征融合，以得到P5融合特征图、P4融合特征图、P3融合特征图；S4.3、将步骤S4.2得到的P5融合特征图、P4融合特征图、P3融合特征图通过预测头进行通道调整，...

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