[發明專利]基于改進YOLOv5模型的色織物疵點檢測方法

在審

• 申請號: 202211364812.5
• 申請日: 2022-11-02
• 公開（公告）號: CN115713494A
• 公開（公告）日: 2023-02-24
• 發明（設計）人: 曹新旺;高敏;吳雨陽;符多情;蔡光明;陳益人;鄧中民;楊雨航;張陽
• 申請（專利權）人: 武漢紡織大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464;G06N3/08
• 代理公司: 武漢泰山北斗專利代理事務所(特殊普通合伙) 42250
• 代理人: 程千慧

本發明涉及一種基于改進YOLOv5模型的色織物疵點檢測方法，包括以下步驟：1、建立基于改進YOLOv5的色織物檢測深度學習模型，在模型的PANet特征融合網絡中增加了一個4倍上采樣層，更容易捕獲到小目標疵點；2、建立色織物疵點檢測數據集，對數據集進行數據增強，并按比例劃分為訓練集和測試集；3、利用訓練集對基于改進YOLOv5的色織物檢測深度學習模型進行訓練；4、將測試集輸入訓練好的模型，得到檢測結果。本發明可以更好地檢測織物疵點小目標，提高檢測效率，使得疵點目標在復雜的背景中也可以快速回歸出預測框，解決了疵點在色織物檢測中存在的錯檢漏檢現象。

技術領域

本發明涉及織物疵點檢測技術領域，具體的講是一種基于改進YOLOv5模型的色織物疵點檢測方法。

背景技術

在紡織布品生產過程中，由于技術工藝水平有限和操作不當等因素可能會造成紡織品表面出現各種缺陷，如破洞、毛球和污漬等。紡織品質量檢驗在制造產業中一直是不可或缺的環節，在實際生產過程中，傳統的方式是通過人工肉眼的方式檢測表面的缺陷，但這種方式效率不高，也不利于長時間高效率的檢測。因此，開發準確高效的紡織品質量自動檢測方法很有必要。綜合現有研究成果，發現深度學習網絡模型在目標檢測方面有獨到之處，但是仍然存在色織物疵點檢測目標小、特征難以提取等問題。

發明內容

本發明要解決的技術問題是針對以上不足，提供一種基于改進YOLOv5模型的色織物疵點檢測方法。

為解決以上技術問題，本發明采用以下技術方案：

基于改進YOLOv5模型的色織物疵點檢測方法，包括以下步驟：

步驟S1、建立基于改進YOLOv5的色織物檢測深度學習模型，在模型的PANet特征融合網絡中增加了一個4倍上采樣層，更容易捕獲到小目標疵點；建立色織物疵點檢測數據集，對數據集中的數據進行數據增強，并按比例劃分為訓練集和測試集；

步驟S2、利用訓練集對基于改進YOLOv5的色織物檢測深度學習模型進行訓練，通過損失函數，得到訓練好的基于改進YOLOv5的色織物檢測深度學習模型；

步驟S3、將測試集輸入訓練好的基于改進YOLOv5的色織物檢測深度學習模型，得到檢測結果。

進一步的，所述基于改進YOLOv5的色織物檢測深度學習模型中，增加的4倍上采樣層與骨干網絡特征提取過程中得到的相同尺寸的特征圖通過增Concatenate進行特征融合并，實現Neck部分的多尺度特征融合。

進一步的，基于改進YOLOv5的色織物檢測深度學習模型中采用K-means自適應算法獲取符合織物圖像疵點小目標尺度特點的錨點框。

進一步的，所述步驟S2中的損失函數為DIOU_Loss函數。

進一步的，步驟1中，采用Mosaic算法將4張圖片，通過隨機縮放、隨機裁減和隨機排布的方式進行拼接,進行數據增強。

本發明采用以上技術方案后，與現有技術相比，具有以下優點：

(1)在原YOLOv5模型中的3個檢測層上增加第4個小目標檢測層，更好地檢測織物疵點小目標，提高檢測效率，解決了當前織物疵點檢測中存在錯檢漏檢現象；

(2)針對疵點檢測易受織物組織結構和織物印花等影響，將原YOLOv5模型中用于計算目標框損失函數的GIOU_Loss改成DIOU_Loss，使得疵點目標在復雜的背景中也可以快速回歸出預測框。

下面結合附圖和實施例對本發明進行詳細說明。

附圖說明

圖1為本發明的方法流程圖；

圖2是YOLOv5網絡結構示意圖；

圖3是Focus結構示意圖；