织物疵点检测方法、装置、电子设备及存储介质

本申请属于织物疵点检测，尤其涉及织物疵点检测方法、装置、电子设备及存储介质。

背景技术：

1、纺织业是我国至关重要的生产工业，国民经济的发展离不开纺织业。而织物疵点检测是保障纺织行业质量的必要手段之一。以前大多数织物疵点检测还在通过人工视察，这种方式具有局限性，受到工人状态的影响，检测效率慢、漏检率高，成为人工检测的主要问题，检测成功率仅为60％-70％。近期，结合深度学习的检测方法有了进展，不仅可以最大限度降低人力成本，准确率和效率也得到大幅提升，这对于提高纺织品质量管控具有深刻的意义。

2、目前基于深度学习的检测方法已逐步替代传统方法，其特有的神经网络模型，通过不断的对原始图片数据进行特征提取，能够更有效的应对多变的复杂场景。例如以快著称的单阶段算法：ssd、yolo系列等等，这些更适用于工业上的实时检测；双阶段算法虽然耗时较长，但准确率较高，比如：r-cnn以及它的一些改进版本。

3、yolov5作为目前最优秀的单阶段算法之一，其独特的图像预处理技术和全新优化的特征融合模式，大大提高了小目标检测的精度，但是，目前的yolov5算法主要适用于简单背景的光学图像，对于织物疵点的检测较为挑战，需要更高效、更精确的算法来进行补充。

技术实现思路

1、为克服目前织物疵点检测精度低、速度慢、漏检率高的问题，本申请实施例提供了织物疵点检测方法、装置、电子设备及存储介质。

2、本申请是通过如下技术方案实现的：

3、第一方面，本申请实施例提供了一种织物疵点检测方法，包括：

4、获取织物样本的多张疵点图像，建立第一疵点数据集；

5、基于训练好的dcgan网络，将所述第一疵点数据集中的疵点图像进行增强，得到增强后的疵点图像；

6、选择所述增强后的疵点图像中指定疵点类别的疵点图像，建立第二疵点数据集，并将所述第二疵点数据集划分为训练样本集和测试样本集；

7、基于所述训练样本集和所述测试样本集，训练改进后的yolov5模型，得到织物疵点检测模型；其中，所述改进后的yolov5模型的backbone层和neck层引入注意力机制模块；所述织物疵点检测模型用于基于待检测织物的目标图像，检测所述目标图像中的疵点位置。

8、在一些实施例中，所述获取织物样本的多张疵点图像，建立第一疵点数据集，包括：

9、获取所述织物样本的多张疵点图像；

10、对于所述织物样本的每张疵点图像，将所述织物样本的疵点图像进行垂直切分和水平切分，得到四张切分后的疵点图像；

11、在切分后的疵点图像中选择包含疵点的疵点图像，建立所述第一疵点数据集。

12、在一些实施例中，所述指定疵点类别包括破洞、色差、缝头、褶皱、漏印和织疵。

13、在一些实施例中，所述注意力机制模块为基于卷积块的注意机制cbam模块。

14、在一些实施例中，在所述基于所述训练样本集和所述测试样本集，训练改进后的yolov5模型，得到织物疵点检测模型之后，包括：

15、将所述目标图像输入所述织物疵点检测模型，检测所述目标图像中的疵点位置，得到所述目标图像的检测结果。

16、在一些实施例中，所述检测结果为含有疵点预测框、置信度和坐标位置的疵点图像。

17、在一些实施例中，所述改进后的yolov5模型的激活函数为mish函数；

18、其中，所述mish函数为f(x)＝x*tanh(ln(1+ex))。

19、第二方面，本申请实施例提供了一种织物疵点检测装置，包括：

20、获取模块，用于获取织物样本的多张疵点图像，建立第一疵点数据集；

21、增强模块，用于基于训练好的dcgan网络，将所述第一疵点数据集中的疵点图像进行增强，得到增强后的疵点图像；

22、选择模块，用于选择所述增强后的疵点图像中指定疵点类别的疵点图像，建立第二疵点数据集，并将所述第二疵点数据集划分为训练样本集和测试样本集；

23、训练模块，用于基于所述训练样本集和所述测试样本集，训练改进后的yolov5模型，得到织物疵点检测模型；其中，所述改进后的yolov5模型的backbone层和neck层引入注意力机制模块；所述织物疵点检测模型用于基于待检测织物的目标图像，检测所述目标图像中的疵点位置。

24、第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的织物疵点检测方法。

25、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的织物疵点检测方法。

26、第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的织物疵点检测方法。

27、可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

28、本申请实施例与相关技术相比存在的有益效果是：本申请实施例首先采用dcgan网络对第一疵点数据集中的图像进行增强，再在yolov5原始模型中引入注意力机制模块，让模型更关注细微疵点，经过模型训练，得到织物疵点检测模型，本申请实施例中的织物疵点检测模型可使织物疵点检测精度提高、速度加快、漏检率降低。

29、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

技术特征：

1.一种织物疵点检测方法，其特征在于，包括：

2.如权利要求1所述的织物疵点检测方法，其特征在于，所述获取织物样本的多张疵点图像，建立第一疵点数据集，包括：

3.如权利要求1所述的织物疵点检测方法，其特征在于，所述指定疵点类别包括破洞、色差、缝头、褶皱、漏印和织疵。

4.如权利要求1所述的织物疵点检测方法，其特征在于，所述注意力机制模块为基于卷积块的注意机制cbam模块。

5.如权利要求1所述的织物疵点检测方法，其特征在于，在所述基于所述训练样本集和所述测试样本集，训练改进后的yolov5模型，得到织物疵点检测模型之后，包括：

6.如权利要求5所述的织物疵点检测方法，其特征在于，所述检测结果为含有疵点预测框、置信度和坐标位置的疵点图像。

7.如权利要求1所述的织物疵点检测方法，其特征在于，所述改进后的yolov5模型的激活函数为mish函数；

8.一种织物疵点检测装置，其特征在于，包括：

9.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结
本申请适用于织物疵点检测技术领域，提供了织物疵点检测方法、装置、电子设备及存储介质，该织物疵点检测方法包括：获取织物样本的多张疵点图像，建立第一疵点数据集；基于训练好的DCGAN网络，将第一疵点数据集中的疵点图像进行增强，得到增强后的疵点图像；选择增强后的疵点图像中指定疵点类别的疵点图像，建立第二疵点数据集，并将第二疵点数据集划分为训练样本集和测试样本集；基于训练样本集和测试样本集，训练改进后的YOLOv5模型，得到织物疵点检测模型；其中，改进后的YOLOv5模型的Backbone层和Neck层引入注意力机制模块。本申请中的织物疵点检测模型可使织物疵点检测精度提高、速度加快、漏检率降低。

技术研发人员：李鸿强,武小云,张天宇,李子熠,张栋,张超
受保护的技术使用者：河北建筑工程学院
技术研发日：
技术公布日：2024/4/17