[发明专利]基于改进YOLOv4-tiny的布匹缺陷检测方法

说明书

本发明提供一种基于改进YOLOv4‑tiny的布匹缺陷检测模型及方法。该检测模型在YOLOv4‑tiny主干网络中的残差块加入密集连接卷积块CSPDenseBlock，并在主干网络最后加入spp模块，形成新的特征提取网络；新的所述特征提取网络输出两种不同尺度的特征图；两种不同尺度的特征图分别通过各自对应的卷积块处理后进入各自的YOLO层对目标进行预测。本发明通过在其原来的残差块中加入密集连接卷积块对主干网络进行调整，扩充了检测模型的神经元感受野有助于浅层信息的提取；使用密集卷积块构造较深的主干网络框架，有助于识别多个难以区分的目标，增加模型检测的准确性；整个模型可用于对复杂场景下布匹缺陷检测任务的优化，并且检测精度较传统的模型更好。

技术领域

本发明涉及缺陷检测技术领域，尤其涉及一种基于改进YOLOv4-tiny的布匹缺陷检测模型及方法。

背景技术

实际工厂中的布匹缺陷检测通常是通过人工视觉的方法进行的，这种方式有助于及时的纠正缺陷，但由于人工会出现疲劳的情况，这会导致人为错误，并且人眼通常很难检测到细小的缺陷。对于工业上的长期应用而言，这种方法效率低下且精度较差。

传统的缺陷检测技术是相对于深度学习中的端到端训练检测方式而言的，传统的检测方式往往需要人为手动的定义特征以及特征的提取方式，这就意味着需要设计有效的特征来对织物中不同的缺陷进行表征。尽管具有挑战性，但许多研究人员已为解决这些问题做出了巨大努力。传统的布匹缺陷检测算法主要可以分为以下三大类：统计分析法(参考文献1：H.Y.T.Ngan,G.K.H.Pang,S.P.Yung,M.K.Ng.Defect detection on patternedjacquard fabric[C].32nd Applied Imagery Pattern Recognition Workshop,2003,163–168.)、频域分析法(参考文献2：A.S.Malek.Online fabric inspection by imageprocessing technology[J].In:Mechanical Engineering,University of HauteAlsace,2012.)和模型分析法(参考文献3：S.Ozdemir,A.Ercil.Markov random fieldsand Karhunen-Loeve transforms for defect inspection of textile products[J].IEEE Conference on Emerging Technologies and Factory Automation,Vol.692(1996)697–703.)。传统图像处理技术的缺陷检测算法能够较好地对某些特定的缺陷类型设计特征提取的方案，并且能够取得较好的检测精度，但是某一类缺陷特征提取方案并不能很好适用在多种类缺陷的布匹图像当中。

发明内容

针对传统布匹缺陷检测算法不能适用于存在多种布匹缺陷类型的问题，本发明提供一种基于改进YOLOv4-tiny的布匹缺陷检测模型及方法。

一方面，本发明提供一种基于改进YOLOv4-tiny的布匹缺陷检测模型，该检测模型在YOLOv4-tiny主干网络中的残差块加入密集连接卷积块CSPDenseBlock，并在主干网络最后加入spp模块，形成新的特征提取网络；新的所述特征提取网络输出两种不同尺度的特征图；两种不同尺度的特征图分别通过各自对应的卷积块处理后进入各自的YOLO层对目标进行预测；

进一步地，新的所述特征提取网络包括自上而下依次连接的两层第一卷积块、CSPblock模块、两层密集连接卷积块CSPDenseBlock、spp模块和第二卷积块；

所述第一卷积块包括依次连接的第一Conv2d层、bn层和LeakyReLU激活函数；所述第一Conv2d层为卷积核为3×3，步长为2，填充0的行数或列数为1的卷积层；所述第二卷积块包括依次连接的第二Conv2d层、bn层和LeakyReLU激活函数；所述第二Conv2d层为卷积核为3×3，步长为1，填充0的行数或列数为1的卷积层。