[發(fā)明專利]基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111281750.7
• 申請日: 2021-11-01
• 公開（公告）號: CN113962980A
• 公開（公告）日: 2022-01-21
• 發(fā)明（設(shè)計(jì)）人: 周鳴樂;張澤愷;李剛;李敏;李旺;劉一鳴;邵瑞
• 申請（專利權(quán)）人: 山東省計(jì)算中心（國家超級計(jì)算濟(jì)南中心）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)主要有以下步驟：

步驟1：利用玻璃容器瑕疵數(shù)據(jù)集進(jìn)行分析標(biāo)注，生成XML圖片標(biāo)簽數(shù)據(jù)集，將其轉(zhuǎn)化為TXT格式，并對其進(jìn)行數(shù)量劃分；

步驟2：搭建CSPDarknet53—MHSA主干特征提取網(wǎng)絡(luò)模塊，在主干特征提取模塊的高層卷積之后加入MHSA注意力機(jī)制模塊，在加載數(shù)據(jù)時(shí)進(jìn)行數(shù)據(jù)增強(qiáng)；

步驟3：搭建Bi-FPN加強(qiáng)特征提取網(wǎng)絡(luò)模塊；

步驟4：搭建檢測頭模塊，其中包含3*3卷積以及1*1卷積；

步驟5：通過反向傳播CIOU函數(shù)計(jì)算損失以及更新模型、對構(gòu)建好的模型進(jìn)行測試，并保留測試過程結(jié)果以及訓(xùn)練好的模型。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)，步驟1所述的圖像數(shù)據(jù)集其特性在于：

將玻璃容器瑕疵數(shù)據(jù)集劃分為訓(xùn)練集、測試集、驗(yàn)證集，比例為6:2:2，模型標(biāo)簽中包含物體的位置以及寬高。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)，步驟2所述的CSPDarknet53其特性在于：

將玻璃容器瑕疵目標(biāo)檢測模型的主干特征提取網(wǎng)絡(luò)CSPDarknet53高層特征加入MHSA模塊，特征提取網(wǎng)絡(luò)的輸入維度為640*640*3，輸出維度為32*32*1024；

為了獲取更好的訓(xùn)練效果，采用一些數(shù)據(jù)增強(qiáng)處理數(shù)據(jù)，采用基本的光度失真以及特殊的數(shù)據(jù)增強(qiáng)方法Mixup，光度失真是調(diào)節(jié)圖片的對比度，將泛白的圖片灰度增強(qiáng)，Mixup是將兩張樣本圖片對應(yīng)相加求和，對于樣本的標(biāo)簽值也相對應(yīng)加權(quán)求和。

4.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)，步驟3所述的Bi-FPN加強(qiáng)特征提取網(wǎng)絡(luò)的特性在于：

將原有的YOLOV5X的PANNet結(jié)構(gòu)改為Bi-FPN結(jié)構(gòu)，Bi-FPN的輸入維度為32*32*1024，一共有三個(gè)不同的輸出維度，分別對應(yīng)于大中小三種物體的檢測。

5.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)，步驟4所述的構(gòu)建檢測頭方法其特性在于：

從Bi-FPN結(jié)構(gòu)中的不同層取出不同尺寸的特征圖，尺寸分別為：[13*13][26*26][52*52]；

YOLOV5X三種檢測頭的輸入分別為[13*13][26*26][52*52]，由Bi-FPN主干的三個(gè)分支傳入，輸出為特征圖中瑕疵的位置和類別參數(shù)。

6.根據(jù)權(quán)利要求1所述的基于改進(jìn)YOLOV5X的玻璃容器瑕疵檢測方法及系統(tǒng)，步驟5所述的模型保存方法其特性在于：

采用了特定的對玻璃容器瑕疵識別的模型訓(xùn)練方法，首先加載預(yù)訓(xùn)練權(quán)重保存參數(shù)，隨后進(jìn)行訓(xùn)練，前3次作為熱身訓(xùn)練，不加載任何預(yù)訓(xùn)練權(quán)重，對整體的模型參數(shù)進(jìn)行建立；

在完成前3次迭代后，預(yù)訓(xùn)練權(quán)重參與模型更新，進(jìn)行完240輪次訓(xùn)練并保存模型參數(shù)為pt文件，并構(gòu)建模型訓(xùn)練過程曲線。