一种布面疵点检测方法及系统技术方案

本发明专利技术公开了一种布面疵点检测方法及系统，属于织物质量控制技术领域，方法包括：获取包括多种疵点类型的布面疵点数据集；引入YOLOv5模型，其中，YOLOv5模型包括依次连接的输入端、骨干网络、颈部网络和检测头部；结合K

【技术实现步骤摘要】
一种布面疵点检测方法及系统


[0001]本专利技术属于织物质量控制
，具体涉及一种布面疵点检测方法及系统。

技术介绍

[0002]在全球经济一体化的时代，为使纺织企业更具竞争力，确保产品质量无疑是十分重要的因素。而疵点检测作为纺织品质量控制的重要环节，在纺织品生产过程中占有重要地位。由于机械故障、纱线断裂等导致的面料缺陷问题时有发生，给企业造成了巨大的经济损失，研究表明，有疵点的织物价格会降低45％～65％。现阶段验布车间内大多还在使用传统的人工检测法，存在效率低、误检率高等缺点。

技术实现思路

[0003]为了解决现有技术存在的现阶段验布车间内大多还在使用传统的人工检测法，存在效率低、误检率高的技术问题，本专利技术提供一种布面疵点检测方法及系统。
[0004]第一方面
[0005]本专利技术提供了一种布面疵点检测方法，包括：
[0006]S101：获取包括多种疵点类型的布面疵点数据集；
[0007]S102：引入YOLOv5模型，其中，YOLOv5模型包括依次连接的输入端、骨干网络、颈部网络和检测头部；
[0008]S103：结合K
‑
means++算法对输入端的聚类策略进行优化，引入CBAM注意力模块、Swim Transformer模块对骨干网络进行优化，其中，Swim Transformer模块为包括W
‑
MSA的第一模块和包括SW
‑
MSA的第二模块，引入包括聚焦机制的WIoU损失函数对检测头部进行优化，构建改进YOLOv5模型；
[0009]S104：在WIoU损失函数的控制下，利用布面疵点数据集对改进YOLOv5模型进行训练，直至WIoU损失函数值小于预设值；
[0010]S105：结合改进YOLOv5模型的自适应缩放技术，利用训练后的改进YOLOv5模型对待检测布面进行疵点检测。
[0011]第二方面
[0012]本专利技术提供了一种布面疵点检测系统，用于执行第一方面中的布面疵点检测方法。
[0013]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0014]在本专利技术中，首先引入YOLOv5模型，然后利用K
‑
means++算法对输入端的聚类策略进行优化，使模型更加适应于面向验布车间的布面疵点数据集，有效提升模型训练时标定框回归精度和模型收敛速度。引入CBAM注意力模块、Swim Transformer模块对骨干网络进行优化，提高模型对局部特征的提取能力和对全局信息的关联能力，利用SW
‑
MSA算法以较低的计算成本实现了不同区块的特征信息传递，并通过实验验证了上述模块放置于骨干网络的深层能够使网络的推理速度和检测性能提升。引入表示训练数据质量的带有聚焦机制
的WIoU损失函数对检测头部进行优化，强化模型对边界框的回归，提升模型对疵点的定位效果，充分调动了聚焦机制的潜能，显著提高了模型的鲁棒性。之后结合改进YOLOv5模型的自适应缩放技术，利用训练后的改进YOLOv5模型对待检测布面进行疵点检测，在最佳召回率小于给定阈值时，会自动计算新的锚框组合，匹配当前数据集的标定信息，显著的提升模型的推理速度，降低人工检测的参与度，提升疵点检测效率和疵点检测准确性。
附图说明
[0015]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0016]图1是本专利技术提供的一种布面疵点检测方法的流程示意图；
[0017]图2是本专利技术提供的一种YOLOv5的结构示意图；
[0018]图3是本专利技术提供的一种CBAM注意力模块的结构示意图；
[0019]图4是本专利技术提供的一种Swim Transformer模块的结构示意图；
[0020]图5是本专利技术提供的一种SW
‑
MSA算法流程的结构示意图；
[0021]图6是本专利技术提供的一种结合了注意力机制的改进后C3结构的结构示意图。
具体实施方式
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0023]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0024]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0025]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0026]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0027]实施例1
[0028]在一个实施例中，参考说明书附图1，示出了本专利技术提供的布面疵点检测方法的流程示意图。参考说明书附图2，示出了本专利技术提供的一种YOLOv5的结构示意图。参考说明书附图3，示出了本专利技术提供的一种CBAM注意力模块的结构示意图。参考说明书附图4，示出了本专利技术提供的一种Swim Transformer模块的结构示意图。参考说明书附图5，示出了本专利技术
提供的一种SW
‑
MSA算法流程的结构示意图。
[0029]图2示出了YOLOv5的网络结构示意图，YOLOv5是由Uitralytics LLC团队发布的一种单阶段目标检测算法，是You Only Look Once(YOLO)系列的第五代。其模型具有检测速度快、检测精度高、便携性和可移植性高的优点，可以很好的适用于工业检测环境。YOLOv5按模型横向深度总共分五个基准版本，模型体量从小到大分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l以及YOLOv5x。
[0030]YOLOv5的算法框架由输入端(Input)、骨干网络(Backbone)、颈部网络(Neck)以及检测头部(Head)组成，表示concat操作，C3_Bno.Bnums表示C3模块中使用的BottleNeck种类和数量。网络的输入端采用了Mosaic数据增强、自适应锚框(Auto Anchor)和自适应图像缩放(Le本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种布面疵点检测方法，其特征在于，包括：S101：获取包括多种疵点类型的布面疵点数据集；S102：引入YOLOv5模型，其中，YOLOv5模型包括依次连接的输入端、骨干网络、颈部网络和检测头部；S103：结合K
‑
means++算法对所述输入端的聚类策略进行优化，引入CBAM注意力模块、Swim Transformer模块对所述骨干网络进行优化，其中，Swim Transformer模块为包括W
‑
MSA的第一模块和包括SW
‑
MSA的第二模块，引入包括聚焦机制的WIoU损失函数对所述检测头部进行优化，构建改进YOLOv5模型；S104：在所述WIoU损失函数的控制下，利用所述布面疵点数据集对所述改进YOLOv5模型进行训练，直至WIoU损失函数值小于预设值；S105：结合所述改进YOLOv5模型的自适应缩放技术，利用训练后的改进YOLOv5模型对待检测布面进行疵点检测。2.根据权利要求1所述的布面疵点检测方法，其特征在于，所述布面疵点数据集为天池布匹瑕疵检测数据集。3.根据权利要求2所述的布面疵点检测方法，其特征在于，所述S101具体包括：S1011：根据不同疵点类型，对所述天池布匹瑕疵检测数据集进行人工筛选和标注，其中，所述疵点类型包括百脚、杂物织入、粗维、断经、缝头、花板跳、浆斑、结头、筘路、毛粒、三丝、松经和跳花；S1012：从所述天池布匹瑕疵检测数据集中选取相同数量的疵点类型样本作为所述布面疵点数据集。4.根据权利要求1所述的布面疵点检测方法，其特征在于，在所述S103之后还包括：S103A：利用所述改进YOLOv5模型的Mosaic数据增强模块对所述布面疵点数据集中的多个图像进行旋转和缩放，将旋转和缩放后的多个图像进行拼接，得到一幅新图像，以完成所述布面疵点数据集的数据增强。5.根据权利要求1所述的布面疵点检测方法，其特征在于，所述S104具体包括：S1041：将所述布面疵点数据集划分为预设比例的训练集和验证集；S1042：利用所述K
‑
means++算法筛选出预设数量的聚类中心，其中，所述聚类中心为所述改进YOLOv5模型的自适应锚框的筛选结果；S1043：在所述预设数量的聚类中心的范围内，利用所述CBAM注意力模块提取所述训练集的特征信息，其中，所述CBAM注意力模块包括通道注意力模块和空间注意力模块；S1044：通过所述Swim Transformer模块对所述特征信息进行多头注意力计算，以增强所述骨干网络对全局信息的捕捉能力；S1045：利用所述改进YOLOv5模型的颈部网络模块对经过多头注意力计算的特征信息进行融合；S1046：以所述WIoU损失函数作为回归损失函数，通过所述检测头部对融合后的特征信息进行目标疵点的检测，在所述WIoU损失函数的值小于预设损失值的情况下，将所述目标疵点输出。6.根据权利要求5所述的布面疵点检测方法，其特征在于，所述S1042具体包括：S1042A：从所述训练集中选取一个样本作为第一个聚类中心；
S1042B：计算所述训练集中的每个样本到所述聚类中心的最短距离；S1042C：基于所...

【专利技术属性】
技术研发人员：戴宁，胡潇寒，胡旭东，向忠，袁嫣红，史伟民，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：