【技術實現步驟摘要】
本專利技術屬于圖像處理，尤其涉及一種識別布匹細小復雜瑕疵的方法、計算機設備以及介質，特別適用于對布匹細小復雜瑕疵的識別。
技術介紹
1、對于布匹瑕疵檢測，主要依靠基于機器視覺的深度學習網絡進行檢測。由于布匹織物的瑕疵類型眾多、形狀各異且大小不均勻，使用基于深度學習的方法去檢測顯得尤為重要。通過大量的樣本數據去訓練網絡，使其對于各類型布匹織物的檢測具有泛化性和魯棒性。故在檢測中，對于所設計的網絡，需要有能力去處理不同顏色，不同尺寸，不同規格樣本，因此網絡的泛化性、精準性、高效性和穩定性顯得格外重要。目前，由于卷積神經網絡具有較大的非線性擬合功能，使其在瑕疵檢測時大幅提高了檢測效率。例如：
2、zhao等提出一種基于vgg16網絡的檢測方法用于亞麻織物和圖像織物的疵點檢測，可檢測出破洞、污漬等6種疵點，但在訓練時所用到的參數數量較多，訓練時間較長，不滿足檢測瑕疵點時效性的要求。pandia等將織物顏色作為重要特征設計了一種深度卷積神經網絡，從各種缺陷數據集的訓練階段進行學習，在測試階段利用了一種學習特性進行疵點分類，但僅對于具有明顯特征的瑕疵點進行分類，而未能滿足細小復雜瑕疵的檢測，具有局限性。朱俊嶺等人采用ar模型譜估計對布匹紋理圖像建模，得到方差序列，通過計算疵點圖像和正常紋理圖像譜估計之間得相關系數得到疵點類型和位置，但是在建模過程中容易出現如虛假譜峰，譜線分裂的情況，并且噪聲又會使得使譜估計惡化，使得檢測精度下降，檢測結果產生較大偏差。安萌等基于faster?rcnn網絡模型，對卷積神經網絡進行優化，將不同尺度的
3、基于yolo(you?only?look?once)的目標識別成為主流，檢測器通常由兩部分組成，一個是提取特征的主干網絡(backbone)，即基礎網絡，一般在imagenet數據集上進行預訓練。另一個是預測對象類別和邊界框的頭部(head)，而頸部(neck)被構建在主干與頭部之間，用于匯集不同的特征圖。但是網絡層數的深淺會直接影響到目標檢測的準確度與效率，網絡結構越深，非線性表達能力，可以學習更加復雜的變換，可以擬合更加復雜的特征輸入；網絡層數越淺，則相反。研究者們一直在優化網絡的模型，不斷調整參數，使其在準確度高的基礎上減少運算量，提高效率。目前，對于其他版本的yolo存在當輸入數據經過逐層特征提取和空間變換時，大量信息將會丟失的問題，信息的損失可能導致有偏差的梯度流，這些流隨后被用來更新模型，便很可能導致深層網絡建立不正確的關聯連接。
4、而基于yolov9的檢測方法在使用中具有較大的發展潛力，其提出可編程梯度信息(programable?gradient?infomation，pgi)的概念來應對深度網絡實現多個目標所需的各種變化，同時yolov9中還設計了一種基于梯度路徑規劃的新型輕量級網絡架構-通用高效層聚合網絡(generalized?efficient?layer?aggregation?network，gelan)。
5、但是，在將yolov9應用于布匹細小復雜瑕疵識別時，存在如下問題：
6、1.資源消耗量較大：雖然yolov9在準確度、效率方面有所提升，但它仍然是一個復雜的深度學習模型，需要較大的資源和較長的時間來進行訓練和推理。
7、2.模型過擬合和欠擬合影響識別效果：與其他深度學習模型相同，yolov9也面臨著過擬合和欠擬合的問題，過擬合意味著模型在訓練集上表現良好，但在測試集上表現較差，而欠擬合則意味著模型在訓練集和測試集上都表現較差，很有可能造成因擬合問題而影響對于細小瑕疵的檢測效果和效率的情況出現。
8、3.泛化能力不足影響瑕疵識別精度：盡管yolov9通過多個數據集進行測試獲得了相對較好的結果，但其泛化能力可能還存在欠缺。即遇到所使用的數據量，如果過少、質量過于差、規格不標準，標簽特征不夠明顯，則會對訓練的結果產生嚴重誤差。如果數據集不平衡，即某些類別的樣本數量遠遠多于其他類別，那么模型可能會偏向于識別數量較多的類別，而忽略數量較少的類別，進而對細小復雜的瑕疵識別精度造成影響，可能會導致漏檢、錯檢的情況出現。
9、4.對長寬比例較大的目標檢測效果較差：由于在布匹生產過程中，流水線機器是持續作業的，這就有可能造成出現的疵點是細小狹長，或者密集分布的，而yolov9在預測時將整個圖像分成了較大的網格，因此在檢測中可能出現對于密集目標的處理不夠理想，容易出現漏檢或檢測框重疊的情況。
技術實現思路
1、本專利技術的目的在于提出一種識別布匹細小復雜瑕疵的方法，該方法基于改進的yolov9搭建用于布匹細小復雜瑕疵識別的模型，以提升針對細小復雜瑕疵的識別準確率和效率。
2、本專利技術為了實現上述目的，采用如下技術方案：
3、一種識別布匹細小復雜瑕疵的方法，包括如下步驟：
4、步驟1.首先對收集的布匹瑕疵圖像進行預處理，并形成用于模型訓練的數據集；
5、步驟2.搭建基于改進的yolov9模型的布匹細小復雜瑕疵識別模型；其中改進的yolov9模型，其主支路結構是在原有yolov9模型的基礎上進行如下改進得到的：
6、在主支路結構的主干網絡中引入改進蛇形動態卷積模塊c-dsc，對瑕疵點自適應動態提取，用于以提高對復雜瑕疵形狀和邊界的敏感性，增強對細長復雜樣式的瑕疵檢測能力；使用rt-detr模型中的aifi模塊來替換yolov9模型中的sppelan模塊，用于增強模型對局部和全局信息的處理能力，增強同一尺度內特征之間的交互，以減少處理延遲，提高速度；在head層前加入多尺度前饋網絡msfn，用于聚合多尺度特征并增強非線性信息轉換；
7、步驟3.利用步驟1的數據集訓練基于改進的yolov9模型的布匹細小復雜瑕疵識別模型，在布匹細小復雜瑕疵識別模型訓練過程中，引入輔助分支幫助訓練；
8、步驟4.將待識別的布匹瑕疵圖像經過步驟1的預處理后，輸入步驟3訓練好的布匹細小復雜瑕疵識別模型中，最終輸出得到目標識別結果，包括邊界框的位置和類別，從而識別出布匹瑕疵圖像中存在的布匹細小復雜瑕疵。
9、此外，在識別布匹細小復雜瑕疵的方法的基礎上，本專利技術還提出了一種計算機設備，該計算機設備包括存儲器和一個或多個處理器。在存儲器中存儲有可執行代碼。
10、當處理器執行可執行代碼時，用于實現上述識別布匹細小復雜瑕疵的方法。
11、此外，在識別布匹細小復雜瑕疵的方法的基礎上，本專利技術還提出了一種計算機可讀存儲介質，其上存儲有程序，該程序被處理器執行時，用于實現識別布匹細小復雜瑕疵的方法。
1本文檔來自技高網...
【技術保護點】
1.一種識別布匹細小復雜瑕疵的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
3.根據權利要求2所述的識別布匹細小復雜瑕疵的方法，其特征在于，
4.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
5.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
6.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
7.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
8.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
9.一種計算機設備，該計算機設備包括存儲器和一個或多個處理器；在存儲器中存儲有可執行代碼；其特征在于，當處理器執行可執行代碼時，用于實現上述權利要求1至8中任一項所述的識別布匹細小復雜瑕疵的方法。
10.一種計算機可讀存儲介質，其上存儲有程序；其特征在于，該程序被處理器執行時，用于實現上述權利要求1至8中任一項所述的識別布匹細小復雜瑕疵的方法。
【技術特征摘要】
1.一種識別布匹細小復雜瑕疵的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
3.根據權利要求2所述的識別布匹細小復雜瑕疵的方法，其特征在于，
4.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
5.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
6.根據權利要求1所述的識別布匹細小復雜瑕疵的方法，其特征在于，
7.根據權利要求1所述的...
【專利技術屬性】
技術研發人員：欒文輝，白培瑞，梁浩，錢耀盟，宋作杰，趙亮，劉剛中，胡炎帥，呂錢烈，劉慶一，韓超，
申請(專利權)人：山東南山智尚科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。