[發(fā)明專利]一種織物瑕疵檢測(cè)模型及訓(xùn)練方法、織物瑕疵檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310276820.2
• 申請(qǐng)日: 2023-03-21
• 公開（公告）號(hào): CN116309457A
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 鄭雨婷;呂文濤;余凱;王成群;許金祥;許燕輝;徐偉強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 浙江理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00;G06T5/50;G06V10/762;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 浙江千克知識(shí)產(chǎn)權(quán)代理有限公司 33246
• 代理人: 黎雙華

1.一種織物瑕疵檢測(cè)模型，其特征在于，包括主干網(wǎng)絡(luò)、用于對(duì)特征圖進(jìn)行降噪處理的沖突過濾殘差收縮模塊、高效特征金字塔網(wǎng)絡(luò)和預(yù)測(cè)頭；

主干網(wǎng)絡(luò)包括依次連接的輸入層、集中層、第一卷積瓶頸層、第二卷積瓶頸層、第三卷積瓶頸層、第四卷積瓶頸層和空間金字塔快速池化模塊；

高效特征金字塔網(wǎng)絡(luò)包括依次連接的第一卷積塊、第一融合瓶頸層、第一融合卷積層、第二融合瓶頸層、第二卷積塊、第二融合卷積層、第三融合瓶頸層、第三卷積塊、第四融合瓶頸層、第四卷積塊和第五融合瓶頸層，第一融合卷積層和第四融合瓶頸層相連，第一卷積塊和第五融合瓶頸層相連；

第一卷積瓶頸層和第二融合卷積層相連，第二卷積瓶頸層分別和沖突過濾殘差收縮模塊、第二融合瓶頸層相連，第三卷積瓶頸層分別和沖突過濾殘差收縮模塊、第一融合瓶頸層連接，空間金字塔快速池化模塊和第一卷積塊相連，第一卷積塊經(jīng)上采樣后和第一融合卷積層相連；

沖突過濾殘差收縮模塊分別和第三融合瓶頸層、第四融合瓶頸層相連；

第三融合瓶頸層、第四融合瓶頸層、第五融合瓶頸層分別與三個(gè)預(yù)測(cè)頭連接。

2.根據(jù)權(quán)利要求1所述的一種織物瑕疵檢測(cè)模型，其特征在于，沖突過濾殘差收縮模塊包括輸入層、帶有激活函數(shù)的逐點(diǎn)卷積塊、不帶有激活函數(shù)的卷積塊、不帶有激活函數(shù)的深度卷積塊、第一圖片相加處理層、SE模塊、軟閾值化函數(shù)層、第二圖片相加處理層和第二整流線性單元激活函數(shù)；

SE模塊包括依次連接的全局平均池化層、第一全連接層、第一整流線性單元激活函數(shù)、第二全連接層、第一激活函數(shù)層、圖片相乘處理層，全局平均池化層和圖片相乘處理層相連；

輸入層分別和不帶有激活函數(shù)的卷積塊、帶有激活函數(shù)的逐點(diǎn)卷積塊相連，帶有激活函數(shù)的逐點(diǎn)卷積塊分別和不帶有激活函數(shù)的深度卷積塊、第二圖片相加處理層相連，不帶有激活函數(shù)的卷積塊、不帶有激活函數(shù)的深度卷積塊均和第一圖片相加處理層相連，第一圖片相加處理層分別和SE模塊的全局平均池化層、軟閾值化函數(shù)層相連，SE模塊的圖片相乘處理層、軟閾值化函數(shù)層、第二圖片相加處理層、第二整流線性單元激活函數(shù)依次連接。

3.一種織物瑕疵檢測(cè)模型訓(xùn)練方法，其特征在于，包括以下步驟：

S1、采集若干張帶有瑕疵的織物圖像，對(duì)每張圖像進(jìn)行織物瑕疵數(shù)據(jù)標(biāo)注及數(shù)據(jù)增強(qiáng)處理，以構(gòu)建織物圖像數(shù)據(jù)集；

S2、使用聚類算法對(duì)織物圖像數(shù)據(jù)集中所有圖像的目標(biāo)GT框進(jìn)行聚類，以得到K個(gè)先驗(yàn)框；

S3、按預(yù)設(shè)比例將織物圖像數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集；

S4、隨機(jī)選擇訓(xùn)練集中的X張圖像輸入到如權(quán)利要求1-2任一項(xiàng)所述的織物瑕疵檢測(cè)模型中進(jìn)行訓(xùn)練，每張織物圖像均得到N張訓(xùn)練預(yù)測(cè)特征圖；

S5、將K個(gè)先驗(yàn)框按照尺度順序均勻劃分為N組，根據(jù)N組先驗(yàn)框的尺度大小和N張訓(xùn)練預(yù)測(cè)特征圖的尺度大小，將N組先驗(yàn)框分別分配到N張訓(xùn)練預(yù)測(cè)特征圖上，并根據(jù)訓(xùn)練預(yù)測(cè)特征圖上的錨點(diǎn)信息對(duì)相應(yīng)的先驗(yàn)框進(jìn)行調(diào)整，以得到所有訓(xùn)練預(yù)測(cè)框；

S6、根據(jù)訓(xùn)練預(yù)測(cè)框、相應(yīng)GT框計(jì)算網(wǎng)絡(luò)整體損失，并使用梯度下降法來更模型的參數(shù)；

S7、重復(fù)步驟S4-S6直至訓(xùn)練集中所有圖片都輸入模型一次，根據(jù)參數(shù)更新后的模型來對(duì)驗(yàn)證集的每張圖像進(jìn)行預(yù)測(cè)，根據(jù)每張圖像的驗(yàn)證預(yù)測(cè)框和GT框計(jì)算驗(yàn)證集中各織物瑕疵類別的精確度值A(chǔ)P，并計(jì)算所有精確度值A(chǔ)P的平均精確度值mAP；

S8、重復(fù)步驟S7，直到多次計(jì)算的平均精確度值mAP等于一個(gè)固定值，得到訓(xùn)練完成的模型。

4.根據(jù)權(quán)利要求3所述的一種織物瑕疵檢測(cè)模型訓(xùn)練方法，其特征在于，步驟S4包括：

S4.1、隨機(jī)選取訓(xùn)練集中的X張圖像，經(jīng)切片處理后輸入至主干網(wǎng)絡(luò)中進(jìn)行逐級(jí)特征提取，從中取出四個(gè)含有不同尺度和通道數(shù)的有效特征圖，按尺度從小到大分別命名為M5特征圖、M4特征圖、M3特征圖、M2特征圖；

S4.2、將M4特征圖、M3特征圖輸入沖突過濾殘差收縮模塊進(jìn)行處理，以得到K4特征圖、K3特征圖，將M5特征圖、M4特征圖、M3特征圖、M2特征圖、K4特征圖、K3特征圖均輸入至高效特征金字塔網(wǎng)絡(luò)進(jìn)行進(jìn)一步的特征融合，以得到P5融合特征圖、P4融合特征圖、P3融合特征圖；

S4.3、將步驟S4.2得到的P5融合特征圖、P4融合特征圖、P3融合特征圖通過預(yù)測(cè)頭進(jìn)行通道調(diào)整，以獲取三個(gè)訓(xùn)練預(yù)測(cè)特征圖。