【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fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法及裝置。
技術介紹
1、在紡織工業中，布匹的質量檢測是必不可少的步驟，也是是確保產品質量至關重要的環節。傳統的布匹瑕疵檢測方法主要依賴于人工檢測，這不僅需要耗費大量的時間和精力，而且非常容易受到人為主觀因素的影響，從而導致檢測結果不一致。于當代，隨著全球科學技術的迅速發展，計算機視覺技術的發展也達到了一個全新的高度，且自動化的布匹瑕疵檢測系統逐漸成為研究的熱點?，F有的自動化檢測方法通?；趫D像處理和機器學習技術。然而，這些方法在處理復雜背景、多樣化瑕疵以及小目標檢測時，往往面臨諸多挑戰。在復雜的背景紋理下容易導致誤檢，而多樣化的瑕疵形態和小目標的存在則增加了漏檢的風險。此外，傳統的特征提取網絡通常采用固定的卷積和池化操作，這可能導致細微瑕疵信息的丟失。
2、為了提高檢測的準確性和精度，研究者們提出了多種改進策略。例如，多尺度特征提取方法通過結合不同尺度的特征來增強對目標的檢測能力。然而，這些方法在處理極端長寬比的瑕疵時仍存在不足。此外，傳統的mosaic數據增強方法在樣本整合過程中未能充分考慮正負樣本的比例，這種固定裁剪方式通常導致裁剪后的圖像主要包含負樣本的紋理背景區域，而正樣本的瑕疵前景信息丟失，進而未能有效提升數據的多樣性。傳統的特征提取網絡通常采用步長卷積進行特征提取和池化操作以獲取全局信息，這種方法容易導致特征圖中微小瑕疵信息的丟失，從而在檢測小目標瑕疵時增加漏檢的風險。
技術實現
1、本申請的目的在于克服現有技術中采用固定裁剪方式所導致的瑕疵目標不完整以及小目標瑕疵易漏檢的問題，提供一種基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法及裝置。
2、第一方面，提供了一種基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，包括：
3、s100、獲取布匹圖像并建立樣本數據集；
4、s200、采用基于目標前景與布匹紋理背景特征的動態fabricmosaic數據增強策略進行樣本擴充，以得到擴充數據集，在樣本擴充過程的裁剪中，根據瑕疵目標的形態特征和布匹紋理背景特征的先驗信息，動態調整裁剪中心偏移點以確保瑕疵目標的完整性；
5、s300、將所述擴充數據集劃分為訓練集、驗證集和測試集；
6、s400、將訓練集中的圖像作為yolov5s網絡模型的輸入，經過基于發散路徑的特征細粒度增強提取模塊進行特征提取后得到全局細粒度特征圖，其中，基于發散路徑的特征細粒度增強提取模塊包括用于將輸入特征按照特征通道進行分流處理的信息發送路徑，以及用于從分流處理后的特征中提取細粒度特征的特征提取單元；
7、s500、對于全局細粒度特征圖，預測圖像中各像素屬于待檢測物體的概率及物體的邊界框信息，生成邊界框；
8、s600、根據所述邊界框與對應圖片的gt框計算網絡損失值，并使用梯度下降法來更新yolov5s網絡模型的參數；
9、s700、重復步驟s400-s600，直到訓練集中所有圖片都至少輸入yolov5s網絡模型一次；根據參數更新后的yolov5s網絡模型對驗證集的每張圖像進行預測，統計后輸出驗證集中各個類別的ap值；循環迭代，直至所統計的map值穩定在某個值，以得到訓練好的yolov5s網絡模型；
10、s800、利用測試集對訓練好的yolov5s網絡模型進行測試，并根據測試結果調節yolov5s網絡模型的參數，以得到最終的yolov5s網絡模型；
11、s900、利用最終的yolov5s網絡模型進行布匹瑕疵的檢測。
12、在一些可能的實現方式中，在樣本擴充過程的裁剪方法，包括：
13、計算瑕疵目標像素面積；
14、按照像素量最大瑕疵類的背景占比，動態調整偏移中心點的可移動范圍；
15、根據目標偏移量調整裁剪區域的中心點，再計算每個瑕疵目標相對裁剪中心點的距離向量，依據瑕疵目標在裁剪區域四個象限中的分布，動態調整裁剪區域的邊界，以確保所有瑕疵目標都包含在裁剪區域內；
16、根據約束公式確保裁剪區域不超出圖像邊界；
17、通過比例縮放裁剪區域的寬度和高度，以使裁剪后的面積與原始面積一致。
18、在一些可能的實現方式中，在計算瑕疵目標像素面積之后并通過kmeans聚類算法，將瑕疵目標按像素面積分為四類，聚類的目標是最小化類內差異平方和，計算公式為：
19、a＝w·w·h·h；
20、
21、其中，a為瑕疵目標的像素面積，w為給定圖像的寬度，h為給定圖像的高度，邊界框的相對坐標bbox＝(x,y,w,h)，νk是簇ck的像素面積均值，ai為該簇中的個體面積值。
22、在一些可能的實現方式中，偏移中心點的可移動范圍計算公式為：
23、
24、式中：cw為偏移中心點可移動范圍的寬，ch為偏移中心點可移動范圍的高，為聚類后的瑕疵最大像素量，為調整偏移量，st為檢測圖像尺寸，t為類總數。
25、在一些可能的實現方式中，根據目標偏移量調整裁剪區域的中心點，裁剪區域中心根據瑕疵目標的分布情況靈活偏移的偏移量為：
26、δx＝xc-xo；
27、δy＝yc-yo；
28、其中，動態裁剪區域的中心點為(xc,yc)，原裁剪區域的中心點為(xo,yo)，裁剪區域中心根據瑕疵目標的分布情況靈活偏移的偏移量為(δx,δy)；
29、計算每個瑕疵目標相對裁剪中心點的距離向量，對于每個瑕疵目標，其約束邊界參考點為(xns,yns)，各象限約束邊界參考點為(xnl,ynl)，其中n為對應象限序號，則目標約束點相對于各象限約束邊界參考點的距離向量(dx,dy)為：
30、dx＝xns-xnl；
31、dy＝yns-ynl；
32、依據瑕疵目標在裁剪區域四個象限中的分布，動態調整裁剪區域的邊界，以確保所有瑕疵目標都包含在裁剪區域內，各象限的邊界調整按照瑕疵目標分布情況進行擴展，(xb1new:xb2new,yb1new:yb2new)為各象限調整后坐標偏置集合，則：
33、左上象限(dx＞0anddy＞0)：
34、x1bnew＝min(xns,xnl)；
35、y1bnew＝min(yns,ynl)；
36、右上象限(dx＜0anddy＞0)：
37、x2bnew＝max(xns,xnl)；
38、y1bnew＝min(yns,ynl)；
39、左下象限(dx＞0anddy＜0)：
40、x1bnew＝min(xns,xnl)；
41、y2bnew＝max(yns,ynl)；
42、右下象限(dx＜0anddy＜0)：
43本文檔來自技高網...
【技術保護點】
1.一種基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，在樣本擴充過程的裁剪方法，包括：
3.根據權利要求2所述的基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，在計算瑕疵目標像素面積之后并通過KMeans聚類算法，將瑕疵目標按像素面積分為四類，聚類的目標是最小化類內差異平方和，計算公式為：
4.根據權利要求3所述的基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，偏移中心點的可移動范圍計算公式為：
5.根據權利要求4所述的基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，根據目標偏移量調整裁剪區域的中心點，裁剪區域中心根據瑕疵目標的分布情況靈活偏移的偏移量為：
6.根據權利要求5所述的基于FabricMosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，所述約束公式為：
...【技術特征摘要】
1.一種基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，在樣本擴充過程的裁剪方法，包括：
3.根據權利要求2所述的基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，在計算瑕疵目標像素面積之后并通過kmeans聚類算法，將瑕疵目標按像素面積分為四類，聚類的目標是最小化類內差異平方和，計算公式為：
4.根據權利要求3所述的基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，偏移中心點的可移動范圍計算公式為：
5.根據權利要求4所述的基于fabricmosaic與改進細粒度特征提取網絡的瑕疵檢測方法，其特征在于，根據目標偏移量調整裁剪區域的中心點，裁剪區域中心根據瑕疵目標的分布情況靈...
【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。