[发明专利]基于YOLOv4-Tiny神经网络的布面缺陷检测方法、装置及系统

说明书

本发明涉及织物表面缺陷检测技术领域，尤其涉及一种基于YOLOv4‑Tiny神经网络的布面缺陷检测方法、装置及系统，该方法包括以下步骤：获取布面图像数据；将获取的布面图像数据输入至改进的YOLOv4‑Tiny网络模型中，改进的YOLOv4‑Tiny网络模型为使用多组数据集训练出来的，多组数据集中的每一组数据均包括布面缺陷照片、缺陷位置标注信息和分类名称；获取改进的YOLOv4‑Tiny网络模型的输出信息；其中，改进的YOLOv4‑Tiny网络模型包括主干特征提取网络，主干特征提取网络中包括残差网络结构，残差网络结构并行运行2^N次，并通过Concat拼接，以拓展网络宽度，N的取值为2至6。本发明通过将原先的单次运行的残差结构改进为多次并行运行，增加了网络输出的通道，增强了特征提取的能力，提高了检测的精度。

技术领域

本发明涉及织物表面缺陷检测技术领域，尤其涉及一种基于YOLOv4-Tiny神经网络的布面缺陷检测方法、装置及系统。

背景技术

近年来，我国在发展传统轻纺编织技术的基础上，正在大力发展纤维复合材料的编织技术，织物表面的缺陷数量是织物质量的判定标准之一，例如玻璃纤维布标准中指出，平均每100米玻纤织物的主要缺陷不得超过20个，否则将被认定为不合格品进行报废处理；然而人工检测缺陷仍为目前检测玻璃纤维织物生产质量的主要手段，然而人工检测存在诸多不确定因素，首先长时间的检验工作导致视觉疲劳，容易存在漏检问题，其次人工检测效率较低，成本也较高；

为了克服上述问题，相关技术中利用深度学习技术，实现深度学习目标检测，目前的目标检测算法主要分为One-Stage和Two-Stage型算法，相比较而言One-stage型算法更快一些，其直接通过主干网络同时给出类别判断信息和位置信息；YOLO深度学习检测算法是一种典型的One-Stage算法模型，其全称为You only Look Once，YOLO网络结构主要分为三部分：主干特征提取网络、加强特征提取网络和预测网络，其中主干特征提取网络用于初步特征的提取，获得三个初步的有效特征层，加强特征提取网络用于对三个初步的有效特征层进行特征融合，获得三个更有效的有效特征层，而预测网络则利用更有效的特征层获得预测结果并输出；

然而当将YOLO深度学习算法应用于高速多轴向经编机时，即使是YOLO系列第四代算法在COCO公共数据集上采用1080Ti显卡平台运行的推力速度仅为41FPS，无法满足高速经编机的生产检测需求，而采用YOLOv4的轻量化版本YOLOv4-Tiny虽然在运行速度上提升了将近10倍，可以应用于高速多轴向经编机的工业现场，但其准确性却大打折扣；

公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明所要解决的技术问题是：提供一种基于YOLOv4-Tiny神经网络的布面缺陷检测方法、装置及系统，提高布面缺陷检测的精度。

为了达到上述目的，本发明所采用的技术方案是：

第一方面，本公开提供了一种基于YOLOv4-Tiny神经网络的布面缺陷检测方法，包括以下步骤：

获取布面图像数据；

将获取的布面图像数据输入至改进的YOLOv4-Tiny网络模型中，所述改进的YOLOv4-Tiny网络模型为使用多组数据集训练出来的，所述多组数据集中的每一组数据均包括布面缺陷照片、缺陷位置标注信息和分类名称；

获取所述改进的YOLOv4-Tiny网络模型的输出信息，所述输出信息包括布面缺陷照片、缺陷位置标注和分类名称；其中，所述改进的YOLOv4-Tiny网络模型包括主干特征提取网络，所述主干特征提取网络中包括残差网络结构，所述残差网络结构并行运行2^N次，并通过Concat拼接，以拓展网络宽度，N的取值为2至6。