[發明專利]一種基于YOLOv5的皮革缺陷檢測方法、系統及裝置

有效

• 申請號: 202110205526.3
• 申請日: 2021-02-24
• 公開（公告）號: CN113160123B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 徐志華;陳雅清;王美林;黃韻瑜
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T1/20;G06T9/00;G06F9/50;G01N21/88;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

本發明提出一種基于YOLOv5的皮革缺陷檢測方法、系統及裝置，解決了當前利用傳統深度學習網絡進行皮革缺陷檢測的方法檢測模式單一，而且對深度學習網絡依賴度高，難以適應實際皮革生產過程中皮革缺陷多變性及生產環境不定的問題，本發明首先構建基于YOLOv5的皮革缺陷檢測網絡模型，檢測速度快，準確度高，然后采用基于GRPC的GPU服務器部署方式和離線邊緣計算部署方式的雙模式部署設計，將皮革缺陷檢測網絡模型進行部署，適應皮革生產過程中的缺陷多變性，滿足不同皮革生產環境的需求。

技術領域

本發明涉及皮革缺陷檢測的技術領域，更具體地，涉及一種基于YOLOv5的皮革缺陷檢測方法、系統及裝置。

背景技術

皮革被廣泛應用于服飾、包箱、裝飾配件等日常物品，隨著皮革需求的與日俱增以及消費者對皮革制品品質要求的不斷提高，皮革制廠對皮革質量的把控也越加嚴格，但是皮革制品容易受到原始來源環境或制造過程的影響而造成各種各樣的瑕疵，如：針孔、氣泡、色線、臟污等。

目前，關于皮革缺陷檢測的手段多數停留在離線人工檢測的層面，一方面，繁重的檢測工作以及生產線上的高噪聲、光線昏暗、氣味渾濁等惡劣環境對檢測工人的身體傷害極大；另一方面，皮革瑕疵類型復雜多樣，即便對于同種瑕疵也沒有具體、統一的量化分類標準，依靠人眼主觀評判存在效率低、評判標準不唯一以及誤檢、漏檢等問題，難以滿足質檢需求。

為解決上述問題，一些皮革制廠采用機器學習、深度學習等方法來實現皮革缺陷的自動化檢測，如2021年1月1日，中國專利(CN112164053A)中公開了一種基于缺陷分類的皮革檢測方法和相關裝置，將獲取到的待檢測皮革圖片輸入至預置深度學習網絡模型，其中，預置深度網絡模型為皮革圖片和缺陷標記的映射關系模型，通過預置深度網絡模型得到皮革圖片對應的缺陷標記，根據缺陷標記、缺陷標記和缺陷分類結果的預置對應關系，獲取缺陷標記對應的缺陷分類結果，完成皮革缺陷的檢測，此專利中提出的技術方案不再借助于人工檢測，提高了皮革缺陷檢測效率，而且對缺陷的具體分類進行了檢測，檢測較為精細，但此方法中，首先預置深度網絡模型是已經設計好的皮革圖片和缺陷標記的映射關系模型，檢測模式單一，其次，檢測過程中對檢測網絡本身的依賴度較高，因此難以適應實際生產過程中缺陷的多變性以及不同皮革生產環境的需求，此外，傳統的諸如此類的深度學習網絡模型大多計算量龐大，也存在缺陷檢測無法高效進行的弊端。

發明內容

為解決當前利用傳統深度學習網絡進行皮革缺陷檢測的方法檢測模式單一，而且對深度學習網絡依賴度高，難以適應實際皮革生產過程中皮革缺陷多變性及生產環境不定的問題，本發明提出一種基于YOLOv5的皮革缺陷檢測方法、系統及裝置，實現皮革缺陷的增量式學習，提高檢測的效率，適應皮革生產過程中的缺陷多變性。

為了達到上述技術效果，本發明的技術方案如下：

一種基于YOLOv5的皮革缺陷檢測方法，至少包括：

獲取待檢測的皮革樣本，掃描皮革樣本得到皮革圖像；

將皮革圖像進行預處理；

構建基于YOLOv5的皮革缺陷檢測網絡模型，確定皮革缺陷檢測網絡模型的部署方式，所述部署方式包括：基于GRPC的GPU服務器部署方式及離線邊緣計算部署方式；

選定基于GRPC的GPU服務器部署方式：將預處理后的皮革圖像基于GPU服務器進行圖像編碼壓縮操作，依次通過GRPC圖像傳輸、圖像解碼后，輸入至基于YOLOv5的皮革缺陷檢測網絡模型進行皮革缺陷檢測；

選定離線邊緣計算部署方式：將預處理后的皮革圖像進行圖像縮放操作，輸入至基于YOLOv5的皮革缺陷檢測網絡模型進行皮革缺陷檢測；

輸出皮革缺陷檢測的結果。