[发明专利]一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备

说明书

本发明涉及一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备，包括步骤：采集多种织物疵点图像形成数据集并分为训练集和测试集，对训练集的织物疵点图像进行织物疵点类别标注和数据增强，再对织物疵点图像进行预处理，使用预处理后的织物疵点图像对改进的YOLOv5模型进行训练，使用测试集的织物疵点图像进行验证，得到织物疵点类别检测及分析处理模型；基于得到的织物疵点类别检测及分析处理模型实时对织物图像进行检测，并输出分析结果。本发明还公开使用该方法的可读存介质及终端设备。本发明方法减少了织物疵点的漏检，提高了织物疵点检测准确率。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备。

背景技术

随着机器视觉技术与工业制造的深入融合，制造行业发生了巨大变化，逐渐从追求数量转为追求质量。特别是在纺织领域，用户和企业对外观质量的要求也在逐年提高。用户更关注的是纺织品的外观质量，而不是其使用功能。对于织物来说，表面是否存在污渍、擦花、破洞等缺陷将会直接影响产品的美观度，也会直接影响产品的销售价值。

实际上就表面缺陷检测来说，在20世纪，就已经出现了人眼检测法。由于可投入的资金不足，中小企业仍然选择依靠人眼完成检测工作，其大致流程为：织物产品在企业车间流水线上匀速运动，工人站在观察台上对经过眼前的织物进行缺陷排查，一旦发现缺陷，工人控制流水线停止运动，在缺陷部位进行标记并且将相关信息记录下来。显而易见的是这种检测方法存在着许多问题

图像处理的织物疵点智能化检测研究的研究大约有30多年的历史,主要是针对图像分割、特征提取、疵点分类等方面。一些方法如：基于统计分析的共生矩阵、基于频谱分析的傅里叶变换和小波分析以及基于人工神经网络的分类算法等。国际上一些学者在此领域发表的研究成果，也都促进了该领域研究的发展与创新。目前，虽然国内外在此领域的研究取得不少研究成果，但真正面向市场的织物的疵点检测方法还比较少。

现有织物瑕疵检测方法，普遍针对与所有可能出现的瑕疵，均衡考量对所有瑕疵的检测效果。但实际上，某部分尤其是大尺寸的瑕疵出现频率较低，中等尺寸的瑕疵出现频率较高。所以应该在保证对所有瑕疵的一定的检出率之上，提高对中等尺寸瑕疵的检测效果。本发明针对此问题，修改ResNet结构，在FPN输出前增加前文信息，在保证所有尺度检测效果的前提下，提高了中等尺寸瑕疵的检测效果。

发明内容

本发明所要解决的技术问题在于，提供一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法、可读存介质及终端设备，提高织物疵点检测的准确率，减少疵点漏检。

本发明是这样实现的，提供一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法，该方法包括如下步骤：

步骤一、采集多种织物疵点图像，形成数据集；

步骤二、将数据集分为训练集和测试集，对训练集的织物疵点图像进行类别标注，并将标注后的织物疵点图像进行数据增强处理及直方图均衡化处理；

步骤三、构建改进的YOLOv5模型，对输入的图像经过特征提取网络backbone和特征金字塔FPN提取特征，构建任务检测头Head检测提取到的特征，其中，特征提取网络backbone由Focus卷积块、CBM卷积块和CSP卷积块组成，其中所述CBM卷积块包含卷积层、批量归一化层和Mish激活层，所述CSP卷积块包含ResNet_SPP卷积块；所述特征提取网络backbone由五个阶段组成，第1阶段包含Focus卷积块和CBM卷积块，第2阶段到第5阶段均包含CBM卷积块和CSP卷积块，其中第2阶段和第5阶段的CSP卷积块包含1个ResNet_SPP卷积块，第3阶段和第4阶段的CSP卷积块包含3个ResNet_SPP卷积块；其中，特征金字塔FPN由CBM卷积块、上采样卷积块和下采样卷积块组成；所述Head检测头，由CBM卷积块和基础卷积层组成；