[发明专利]一种布匹瑕疵的检测模型的训练方法、装置、设备及介质

说明书

本发明提供一种布匹瑕疵的检测模型的训练方法，包括：获取含有块状瑕疵的布匹图像集数据，对所述布匹图像集数据进行处理，得到瑕疵图像集数据，根据所述瑕疵图像集数据，得到重要性程度数据集，根据所述瑕疵图像集数据，得到位置回归损失集，根据所述位置回归损失集与所述重要性程度数据集对检测模型的训练参数进行训练，得到训练好的检测模型。通过本发明公开的一种布匹瑕疵的检测模型的训练方法，能够使训练后的检测模型对布匹表面的小尺度块状瑕疵进行检测，且精确度较高。

技术领域

本发明涉及深度学习技术领域，特别是涉及一种布匹瑕疵的检测模型的训练方法、装置、设备及介质。

背景技术

在布匹的实际生产过程中，由于生产工艺存在一定的缺陷，可能会导致布匹的表面出现污渍、破洞、毛粒等各种瑕疵。为保证产品质量，需要对布匹进行瑕疵检测。布匹瑕疵检测是纺织行业生产和质量管理的重要环节，当采用人工进行检测时，容易受到人的主观因素影响，缺乏一致性，同时工作人员在强光下长时间工作对视力影响极大。

由于瑕疵存在瑕疵尺度大小不一、瑕疵与背景高度融合无法分辨、瑕疵本身形状各异等问题，导致利用神经网络模型对瑕疵进行检测时，精确度较低，其中小尺度瑕疵的漏检和误检是阻碍准确率的主要因素。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种布匹瑕疵的检测模型的训练方法、装置、设备及介质，本发明能够使训练后的检测模型对布匹表面的小尺度块状瑕疵进行检测，且精确度较高。

为实现上述目的及其他相关目的，本发明提供一种布匹瑕疵的检测模型的训练方法，包括：

获取含有块状瑕疵的布匹图像集数据；

对所述布匹图像集数据进行处理，得到瑕疵图像集数据；

根据所述瑕疵图像集数据，得到重要性程度数据集；

根据所述瑕疵图像集数据，得到位置回归损失集；

根据所述位置回归损失集与所述重要性程度数据集对检测模型的训练参数进行训练，得到训练好的检测模型。

在本发明一实施例中，所述获取含有块状瑕疵的布匹图像集数据的步骤包括：

获取初始图像集数据；

根据所述初始图像集数据，得到瑕疵信息集数据，其中，瑕疵信息集数据包括瑕疵位置坐标集数据和瑕疵类别；

根据所述瑕疵信息集数据，得到相应的瑕疵的面积，判断所述瑕疵的面积是否小于一个预设的面积阈值，若小于预设的面积阈值，则将该瑕疵进行保留，若不小于预设的面积阈值，则将该瑕疵剔除；

对保留的所述瑕疵进行集合，得到含有块状瑕疵的布匹图像集数据。

在本发明一实施例中，所述对所述布匹图像集数据进行处理，得到瑕疵图像集数据的步骤包括：

对所述布匹图像集数据进行分块处理，得到多个分块图数据；

判断所述分块图数据内是否包含瑕疵，若包含瑕疵，则将该所述分块图数据保留，若不包含瑕疵，则将该所述分块图数据剔除；

根据保留的所述分块图数据，得到瑕疵图像集数据。

在本发明一实施例中，所述根据所述瑕疵图像集数据，得到重要性程度数据集的步骤包括：

根据所述瑕疵图像集数据，得到相应的特征向量集数据；

根据所述特征向量集数据，得到相应的全局注意力集数据；

根据所述全局注意力集数据，得到相应的重要性程度数据集。

在本发明一实施例中，所述全局注意力集数据z_c，表示为：，

其中，H表示瑕疵图像集数据的高度，

W表示瑕疵图像集数据的宽度，

u_c为卷积后的结果，

c为卷积层的通道数，

所述重要性程度数据集s表示为：，