【技術實現步驟摘要】
本申請涉及布匹瑕疵檢測，尤其是一種基于高效多路徑特征融合網絡的瑕疵識別方法及系統。
技術介紹
1、紡織行業作為全球經濟的重要組成部分，近年來隨著技術的進步和市場需求的變化，正在經歷著快速的發展。又特別是在自動化和智能化生產方面，紡織行業對高效、精準的瑕疵檢測技術的需求日益增加。傳統的人工檢測方法效率低下，需要耗費大量的精力，甚至受到主觀人為因素的影響，導致檢測結果不穩定。因此，基于計算機視覺的自動缺陷檢測技術已成為紡織行業需要解決的緊迫問題。在計算機視覺領域，目標檢測技術一直是一個熱門的研究主題。隨著深度學習的快速發展，卷積神經網絡(cnn)在目標檢測任務中取得了顯著的成功。yolo(you?only?look?once)系列模型是這一進展的代表，通過端到端的方法提供實時對象檢測。然而，傳統的yolo模型在處理不同尺度和比例的對象時仍然面臨一些挑戰。
2、現有的yolov5s模型結合了特征金字塔網絡(fpn)和路徑聚合網絡(pan)，用來實現對初級特征的融合。fpn通過自上而下的路徑增強了特征圖的語義信息，而pan則通過自下而上的路徑加強了特征圖的定位能力。然而，這種結構僅考慮了相鄰層級之間的特征交互，導致通過fpn融合的特征圖缺乏淺層細節，而pan融合的特征圖則欠缺深層語義信息。在復雜紋理背景下的布匹瑕疵檢測中，淺層特征主要包含紋理與瑕疵邊緣等細節信息，而深層特征則蘊含分類與上下文關聯的高級語義信息。因此，如何有效地融合深層與淺層、大尺度與小尺度的特征信息，成為提升目標檢測性能的關鍵。
1、本申請的目的在于克服現有技術中無法有效的融合深層與淺層、大尺度與小尺度的特征信息，以及現有模型計算復雜度高、模型參數量大的問題，提供一種基于高效多路徑特征融合網絡的瑕疵識別方法及系統。
2、第一方面，提供了一種基于高效多路徑特征融合網絡的瑕疵識別方法，包括：
3、構建布匹瑕疵數據集；
4、構建改進的yolov5s模型，具體包括：將gfpn融入yolov5s的neck網絡，在主干網絡中引入間隔層級間的跨尺度連接層和同尺度間的跨層跳躍連接層，在neck網絡中，采用c3ghost輕量化特征融合節點，并采用dysample方法對深層特征圖進行上采樣；
5、利用布匹瑕疵數據集對改進的yolov5s模型進行訓練，以得到瑕疵識別模型；
6、獲取待檢測布匹圖像，并利用瑕疵識別模型對待檢測布匹圖像進行瑕疵識別。
7、在一些可能的實現方式中，所述c3ghost輕量化特征融合節點通過ghost卷積結合主卷積生成本征特征，并通過輔助深度可分離卷積生成ghost特征，最終拼接成輸出特征圖，ghost特征提取的計算公式為：
8、x′in＝dwconv(conv(xin))
9、xout＝cat[(xin,x′in),1]
10、其中，xin為融合輸入特征，xin∈rw×h×c；xout為輸出ghost特征；；cat[,1]為子特征張量以通道維度進行拼接操作。
11、在一些可能的實現方式中，所述dysample方法首先接收低分辨率特征圖作為輸入，利用線性層計算采樣點偏移量來確定上采樣時的位置，根據上采樣倍率進行通道調整和映射卷積生成整體偏移，并通過靜態范圍因子限制偏移量，然后，使用像素重組技術，將偏移矩陣維度調整為sw×sh×2g，最終生成的采樣集sa由偏移量of與原始采樣網格ga的組合而成，其數學表達式如下：
12、of＝pixsh(y·conv1.1(p))
13、sa＝of+ga
14、其中，p為輸入特征圖；g為分組卷積數；conv1.1為點卷積，輸出通道數為2gs2；y為像素偏移范圍因子；pixsh為像素重組操作。
15、在一些可能的實現方式中，在間隔層級間的跨尺度連接層中，第i層的中間尺度特征信息的表達式如下：
16、
17、其中，pite為第i跨尺度連接層的中間尺度特征信息；piba為i層中間尺度層的對應backbone層初級特征；為對應跨尺度層特征信息；為第i-1層的中間尺度特征信息；c3gconv為結合ghostconv的融合節點；gconv為第i層尺度統一ghost卷積；為各特征信息對應的學習權重；β為融合偏置。
18、在一些可能的實現方式中，在同尺度間的跨層跳躍連接層中，第j層的中間尺度特征信息表達如下：
19、
20、其中，為第j同尺度跳躍層的中間尺度特征信息；為對應跳躍層特征信息；為第j-1同尺度跳躍層的中間尺度特征信息；cat為各融合特征按通道進行合并。
21、第二方面，提供了一種基于高效多路徑特征融合網絡的瑕疵識別系統，包括：
22、數據集構建模塊，用于構建布匹瑕疵數據集；
23、模型構建模塊，用于構建改進的yolov5s模型，具體包括：將gfpn融入yolov5s的neck網絡，在主干網絡中引入間隔層級間的跨尺度連接層和同尺度間的跨層跳躍連接層，在neck網絡中，采用c3ghost輕量化特征融合節點，并采用dysample方法對深層特征圖進行上采樣；
24、模型訓練模塊，用于利用布匹瑕疵數據集對改進的yolov5s模型進行訓練，以得到瑕疵識別模型；
25、檢測模塊，用于獲取待檢測布匹圖像，并利用瑕疵識別模型對待檢測布匹圖像進行瑕疵識別。
26、在一些可能的實現方式中，所述c3ghost輕量化特征融合節點通過ghost卷積結合主卷積生成本征特征，并通過輔助深度可分離卷積生成ghost特征，最終拼接成輸出特征圖，ghost特征提取的計算公式為：
27、x′in＝dwconv(conv(xin))
28、xout＝cat[(xin,x′in),1]
29、其中，xin為融合輸入特征，xin∈rw×h×c；xout為輸出ghost特征；；cat[,1]為子特征張量以通道維度進行拼接操作。
30、在一些可能的實現方式中，所述dysample方法首先接收低分辨率特征圖作為輸入，利用線性層計算采樣點偏移量來確定上采樣時的位置，根據上采樣倍率進行通道調整和映射卷積生成整體偏移，并通過靜態范圍因子限制偏移量，然后，使用像素重組技術，將偏移矩陣維度調整為sw×sh×2g，最終生成的采樣集sa由偏移量of與原始采樣網格ga的組合而成，其數學表達式如下：
31、of＝pixsh(y·conv1.1(p))
32、sa＝of+ga
33、其中，p為輸入特征圖；g為分組卷積數；conv1.1為點卷積，輸出通道數為2gs2；y為像素偏移范圍因子；pixsh為像素重組操作。
34、第三方面，提供了一種計算機可讀存儲介質，所述計算機可讀介質存儲用于設備執行的程序代碼，該程序代碼包括用于執行如上述第一方面中的任意一種實現方式中方法的步驟。...
【技術保護點】
1.一種基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，包括：
2.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，所述C3Ghost輕量化特征融合節點通過Ghost卷積結合主卷積生成本征特征，并通過輔助深度可分離卷積生成Ghost特征，最終拼接成輸出特征圖，Ghost特征提取的計算公式為：
3.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，所述Dysample方法首先接收低分辨率特征圖作為輸入，利用線性層計算采樣點偏移量來確定上采樣時的位置，根據上采樣倍率進行通道調整和映射卷積生成整體偏移，并通過靜態范圍因子限制偏移量，然后，使用像素重組技術，將偏移矩陣維度調整為sW×sH×2g，最終生成的采樣集Sa由偏移量Of與原始采樣網格Ga的組合而成，其數學表達式如下：
4.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，在間隔層級間的跨尺度連接層中，第i層的中間尺度特征信息的表達式如下：
5.根據權利要求4所述的基于高效多路徑特征融合網絡的瑕疵識別方法，
6.一種基于高效多路徑特征融合網絡的瑕疵識別系統，其特征在于，包括：
7.根據權利要求6所述的基于高效多路徑特征融合網絡的瑕疵識別系統，其特征在于，所述C3Ghost輕量化特征融合節點通過Ghost卷積結合主卷積生成本征特征，并通過輔助深度可分離卷積生成Ghost特征，最終拼接成輸出特征圖，Ghost特征提取的計算公式為：
8.根據權利要求7所述的基于高效多路徑特征融合網絡的瑕疵識別系統，其特征在于，所述Dysample方法首先接收低分辨率特征圖作為輸入，利用線性層計算采樣點偏移量來確定上采樣時的位置，根據上采樣倍率進行通道調整和映射卷積生成整體偏移，并通過靜態范圍因子限制偏移量，然后，使用像素重組技術，將偏移矩陣維度調整為sW×sH×2g，最終生成的采樣集Sa由偏移量Of與原始采樣網格Ga的組合而成，其數學表達式如下：
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲用于設備執行的程序代碼，該程序代碼包括用于執行如權利要求1-5中任一項所述方法的步驟。
10.一種電子設備，其特征在于，所述電子設備包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令，所述程序或指令被所述處理器執行時實現如權利要求1-5中任一項所述方法。
...【技術特征摘要】
1.一種基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，包括：
2.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，所述c3ghost輕量化特征融合節點通過ghost卷積結合主卷積生成本征特征，并通過輔助深度可分離卷積生成ghost特征，最終拼接成輸出特征圖，ghost特征提取的計算公式為：
3.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，所述dysample方法首先接收低分辨率特征圖作為輸入，利用線性層計算采樣點偏移量來確定上采樣時的位置，根據上采樣倍率進行通道調整和映射卷積生成整體偏移，并通過靜態范圍因子限制偏移量，然后，使用像素重組技術，將偏移矩陣維度調整為sw×sh×2g，最終生成的采樣集sa由偏移量of與原始采樣網格ga的組合而成，其數學表達式如下：
4.根據權利要求1所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，在間隔層級間的跨尺度連接層中，第i層的中間尺度特征信息的表達式如下：
5.根據權利要求4所述的基于高效多路徑特征融合網絡的瑕疵識別方法，其特征在于，在同尺度間的跨層跳躍連接層中，第j層的中間尺度特征信息表達如下：
6.一種基于高效多路...
【專利技術屬性】
技術研發人員：戴寧，徐開心，甘棚元，胡旭東，
申請(專利權)人：浙江理工大學，
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。