一种兼顾大小目标的高精度纺织品瑕疵智能检测方法

本发明属于纺织品瑕疵检测，具体涉及一种兼顾大小目标的高精度纺织品瑕疵智能检测方法。

背景技术：

1、中国是大的纺织品服装生产和出口国，纺织业对我国的经济和发展至关重要。在纺织品生产过程中常会出现多种瑕疵，包括断经、断纬、粗节等等，而这些瑕疵会严重影响纺织品的质量，降低纺织品生产合格率。因此在纺织品出厂前需要经过一道检测工序，检测是否有瑕疵，对出厂产品的质量进行把关。

2、传统纺织品瑕疵检测主要依靠人工结合放大镜进行质检，但是人工检查布匹的速度较慢一般为10～20m/min,效率较低，同时存在人工成本高，对瑕疵的判断主要依靠主观判断和判断标准不统一的问题且易出现大量漏检和误检。

3、现有采用深度学习网络技术用于目标检测的主要分为两大类，一类是以r-cnn为代表的两阶段目标检测方法，检测精度高但速度较慢；另一类是以yolo为代表的单阶段目标检测算法，精度虽较第一类算法低但检测速度快。单阶段目标检测技术能更好地平衡检测精度和检测速度，更加适合本发明的应用场景。yolov7是目前最新提出的网络，结合了多种现有技术，但是仍然难以直接利用到纺织品检测任务上，具体表现在以下问题问：第一，部分瑕疵具有极端长宽比，检测难度大；第二，部分瑕疵非常小，检出率低，模型难以学习小目标的特征；第三，纺织品检测尺寸过大，采集图片无法直接进行检测。因此需要改进现有技术使之能够兼顾大小目标地用于纺织品的瑕疵检测场景。

技术实现思路

1、本发明要解决的技术问题是提供一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，用以对纺织品上的大小目标均能快速、准确地检测。

2、为了解决上述技术问题，本发明提供一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，包括：采集纺织品的图像并发送至上位机，然后将采集的图像进行裁剪并输入改进yolov7网络获得带有纺织品瑕疵标记框和置信度的检测结果；

3、所述改进yolov7网络包括在yolov7网络的头部网络中三个尺度特征图输出路径上的repconv卷积前各增加一个simam注意力机制，并将头部网络中大尺度特征图输出路径上的elan-h结构替换为conv-tr模块。

4、作为本发明的一种兼顾大小目标的的高精度纺织品瑕疵智能检测方法的改进：

5、所述改进yolov7网络的锚框大小分别为(22,27)、(71,38)、(46,94)、(220,63)、(98,248)、(74,399)、(386,101)、(114,401)、(162,397)。

6、作为本发明的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法的改进：

7、所述conv-tr模块包括依次连接的三个cbs模块和一个transformer模块；

8、所述transformer模块包括卷积核为1×1的cbs模块、线性变换模块和transformer层，仅当输入特征图的通道数与输出特征图的通道数不同时使用卷积核为1×1的cbs模块，再将输入特征图压缩变换为2维后经过线性变换再与原来的输入特征图相加，然后经过transformer层和维度变换得到三维特征图输出；

9、所述transformer层为一个。

10、作为本发明的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法的改进：

11、所述改进yolov7网络的训练和测试过程为：利用相机采集待检测纺织品的图像构建训练集，对训练集中的图像进行瑕疵标注和数据增强处理，设定训练网络参数，采用adam优化器进行训练；每轮训练以训练集的32张图片为一批进行正向推理，通过损失函数计算损失值；在每轮训练结束后，将验证集图片输入当前的改进yolov7网络进行测试，获得测试集中的图片的预测类别与置信度，统计模型性能。

12、作为本发明的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法的改进：

13、所述数据增强处理具体为：先对于所述训练集中的图像先进行copy-pasting数据增强处理，再采用水平和垂直翻转、随机旋转和椒盐噪声方法进行处理。

14、作为本发明的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法的改进：

15、所述copy-pasting数据增强处理为将小于30×30像素的标注裁剪下来再通过泊松融合随机粘贴到图像上无标注的位置。

16、作为本发明的一种兼顾大小目标的的高精度纺织品瑕疵智能检测方法的改进：

17、所述损失函数为：

18、loss＝wbboxlbbox+wclslcls+wobjlobj     (7)

19、lcls的值为0，wbbox，wobj的值分别为0.7和0.3，lbbox为采用αciou损失函数作为定位损失函数，lobj指置信度误差。

20、本发明的有益效果主要体现在：

21、1、本发明通过k-means聚类得到的合适的锚框，使得本发明改进yolov7网络能够同时适应小目标和极端长宽比的目标，与现有技术相比，提高了检测精度。

22、2、本发明通过加权损失函数，提高了边界框损失函数对损失函数的贡献，优化了网络的性能。

23、3、本发明通过添加simam注意力机制和运用transformer模块，提升网络对特征提取能力，从而提升网络检测精度。

24、4、本发明通过数据增强方法扩充数据集，同时对数据集中的小目标运用copy-pasting方法进行数据增强，提高了其对损失函数的贡献，从而提升网络的检测性能。

技术特征：

1.一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：采集纺织品的图像并发送至上位机，然后将采集的图像进行裁剪并输入改进yolov7网络获得带有纺织品瑕疵标记框和置信度的检测结果；

2.根据权利要求1所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

3.根据权利要求2所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

4.根据权利要求3所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

5.根据权利要求4所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

6.根据权利要求5所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

7.根据权利要求6所述的一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，其特征在于：

技术总结
本发明属于纺织品瑕疵检测技术领域，具体公开了一种兼顾大小目标的高精度纺织品瑕疵智能检测方法，包括使用图像采集设备采集纺织品的图像，然后将图像进行裁剪并输入改进后的YOLOv7网络获得带有纺织品瑕疵标记框和置信度的检测结果，改进YOLOv7网络为在YOLOv7网络的头部网络中三个尺度特征图输出路径上的RepConv卷积前各增加一个SimAM注意力机制，并将头部网络中大尺度特征图输出路径上的ELAN‑H结构替换为Conv‑TR模块。本发明的改进YOLOv7网络能够同时适应小目标和极端长宽比的目标，与现有技术相比，提高了检测精度和检测性能。

技术研发人员：李俊峰,何彦弘,李永强
受保护的技术使用者：浙江理工大学桐乡研究院有限公司
技术研发日：
技术公布日：2024/1/13