一种布匹瑕疵检测方法、装置及可读介质

本发明涉及计算机视觉，具体涉及一种布匹瑕疵检测方法、装置及可读介质。

背景技术：

1、随着智能制造的发展，服装生产行业通过布匹瑕疵检测设备检测面料瑕疵，提高面料的生产质量。生产线的速度较快，传统布匹瑕疵检测检测方法的人工检测速度太慢、效率低，误检率和错检率高，并会对质检工人眼部造成不可逆的损伤，因此提出了基于机器学习的布匹瑕疵检测方法和基于深度学习的布匹瑕疵检测方法。

2、基于机器学习的布匹瑕疵检测方法中最重要的因素为手工特征的设计与选择。由于机器学习方法在提取特征时需要手工设计，往往手工设计的特征语义层次低，导致在一些差异小、复杂纹理的布匹图像上检测精度低。

3、基于深度学习的布匹瑕疵检测方法不再采用人工设计的浅层特征，而是利用卷积神经网络自动提取深层特征。基于深度学习的检测方法均衡了检测精度和检测效率。其中基于yolov5s的深度学习网络模型在大尺度、简单纹理、背景干扰小、类别分布均匀的瑕疵布匹数据集中能够获得较为满意的效果。但是，现有的基于yolov5s网络的布匹瑕疵检测方法在背景干扰大、瑕疵种类分布不均的瑕疵布匹数据集中的表现较差，导致模型的检测精确度和泛化能力受到限制。

技术实现思路

1、针对上述提到的技术问题。本技术的实施例的目的在于提出了一种布匹瑕疵检测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

2、第一方面，本发明提供了一种布匹瑕疵检测方法，包括以下步骤：

3、获取待检测的布匹图像和模板图像；

4、构建改进的yolov5s网络并训练，得到布匹瑕疵检测模型，改进的yolov5s网络包括主干特征提取网络、颈部特征融合网络和头部预测网络，主干特征提取网络采用cspdarknet，颈部特征融合网络包括特征过滤金字塔网络和融合卷积块注意力模块的路径聚合网络，在训练过程中采用多类聚焦置信度损失函数代替交叉熵置信度损失函数；

5、将待检测的布匹图像和模板图像输入布匹瑕疵检测模型，得到布匹检测结果。

6、作为优选，cspdarknet包括依次连接的第一单元、第二单元、第三单元、第四单元和第五单元，第一单元包括依次串联的focus模块和第一cbs模块，第二单元包括依次串联的第二cbs模块和第一csp1_x模块，第三单元包括依次串联的第三cbs模块和第二csp1_x模块，第四单元包括依次串联的第四cbs模块和第三csp1_x模块，第五单元包括依次串联的第五cbs模块、第四csp1_x模块和sppf模块，将布匹图像输入cspdarknet，在第三单元、第四单元和第五单元分别输出得到第一有效特征图、第二有效特征图和第三有效特征图。

7、作为优选，特征过滤金字塔网络包括fpn特征融合网络、冗余特征过滤网络和模板特征提取网络，第一有效特征图、第二有效特征图、第三有效特征图和模板图像分别输入fpn特征融合网络中，其中，第三有效特征图输入第六cbs模块，得到第三中间特征图，将第三中间特征图经由第一upsample模块得到特征图与第二有效特征图进行concat操作，再经由第一csp2_3模块与第七cbs模块进行融合，得到第二中间特征图，将第二中间特征图经由第二upsample模块得到的特征图与第一有效特征图进行concat操作，再经由第二csp2_3模块与第八cbs模块进行融合，得到第一中间特征图。

8、作为优选，模板图像输入模板特征提取网络中，模板图像输入第九cbs模块，得到第一模板特征图，将第一模板特征图输入downsample1模块，得到第二模板特征图，第二模板特征图输入downsample2模块，得到第三模板特征图。

9、作为优选，第一中间特征图、第二中间特征图、第三中间特征图、第一模板特征图、第二模板特征图和第三模板特征图输入冗余特征过滤网络中，将第一中间特征图和第一模板特征图进行concat操作，再经过大小为1×1的卷积核，得到第一过滤特征图；将第二中间特征图和第二模板特征图进行concat操作，再经过大小为1×1的卷积核，得到第二过滤特征图，将第三中间特征图和第三模板特征图进行concat操作，再经过大小为1×1的卷积核，得到第三过滤特征图。

10、作为优选，第一过滤特征图、第二过滤特征图和第三过滤特征图输入融合卷积块注意力模块的路径聚合网络中，第一过滤特征图输入第一dwconv模块，得到第一融合特征图，将第一融合特征图经由第一cbam模块得到的特征图与第二过滤特征图进行concat操作，再经由5个第二dwconv模块进行特征融合，得到第二融合特征图，将第二融合特征图经由第三dwconv模块与第二cbam模块得到的特征图与第三过滤特征图进行concat操作，再经由通过5个第四dwconv模块进行特征融合，得到第三融合特征图，将第一融合特征图、第二融合特征图和第三融合特征图输入头部预测网络，得到布匹检测结果。

11、作为优选，多类聚焦置信度损失函数为：

12、

13、其中，y表示标签，p表示为置信度，(1-p)γ表示为难易度平衡因子，i表示第i种布匹瑕疵类别，n表示布匹瑕疵类别总数，βc表示为类别平衡因子：

14、βc＝ω/nc；

15、其中，ω表示平衡系数，nc表示类别为c的样本数量。

16、第二方面，本发明提供了一种布匹瑕疵检测装置，包括：

17、图像获取模块，被配置为获取待检测的布匹图像和模板图像；

18、模型构建模块，被配置为构建改进的yolov5s网络并训练，得到布匹瑕疵检测模型，改进的yolov5s网络包括主干特征提取网络、颈部特征融合网络和头部预测网络，主干特征提取网络采用cspdarknet，颈部特征融合网络包括特征过滤金字塔网络和融合卷积块注意力模块的路径聚合网络，在训练过程中采用多类聚焦置信度损失函数代替交叉熵置信度损失函数；

19、预测模块，被配置为将待检测的布匹图像和模板图像输入布匹瑕疵检测模型，得到布匹检测结果。

20、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

21、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

22、相比于现有技术，本发明具有以下有益效果：

23、(1)本发明提出的布匹瑕疵检测方法通过特征过滤金字塔网络与融合卷积块注意力模块的路径聚合网络构成的颈部特征融合网络滤除由fpn和pan网络在特征融合过程中产生的冗余特征信息，并且结合通道注意力和空间注意力机制，使得融合特征图的信息含量提升、关键特征得到凸显，提高了模型的检测精度。

24、(2)本发明提出的布匹瑕疵检测方法在融合卷积块注意力模块的路径聚合网络采用第一dwconv模块和第二dwconv模块，通过第一dwconv模块和第二dwconv模块降低网络计算量，提高计算效率，实现网络轻量化。

25、(3)本发明提出的布匹瑕疵检测方法中模型的训练过程中采用多类聚焦置信度损失函数代替交叉熵置信度损失函数，该多类聚焦置信度损失函数综合考虑了类别不均衡和难易度不均衡问题，通过添加2个权重调节因子改善了瑕疵类型不同的布匹分布极不均衡以及不同种类瑕疵的检测难易程度不同的问题，提高了模型的泛化能力。