[发明专利]基于DR-RSBU-YOLOv5的织物瑕疵检测方法

权利要求书

1.一种基于DR-RSBU-YOLOv5的织物瑕疵检测方法，其特征在于：包括如下步骤：

S1)采集若干张带有织物瑕疵的织物图像，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，每张标注增强织物图像上均带有经织物瑕疵数据标注后获得的若干织物瑕疵的目标GT框，所有织物图像和增强织物图像共同建立扩展织物图像数据集，扩展织物图像数据集包括若干张扩展织物图像；

S2)使用Kmeans++聚类算法将扩展织物图像数据集中的所有目标GT框进行聚类，得到K个先验框；

S3)按照预设比例将扩展织物图像数据集进行划分，获得训练集和验证集；

S4)搭建DR-RSBU-YOLOv5网络；

S5)训练集中包括M张扩展织物图像，选取训练集中的X张扩展织物图像输入DR-RSBU-YOLOv5网络中进行训练，针对每张扩展织物图像，均输出N张训练预测特征图；

S6)针对每张扩展织物图像的N张训练预测特征图，将步骤S3)中的K个先验框均匀分布到N张训练预测特征图上，根据训练预测特征图对K个先验框进行调整，分别获得K个训练预测框，根据目标GT框选取其中的若干训练预测框作为训练候选框；

S7)根据训练候选框和目标GT框计算DR-RSBU-YOLOv5网络的整体损失值，将整体损失值反向传播至DR-RSBU-YOLOv5网络中，并使用梯度下降法更新DR-RSBU-YOLOv5网络的参数；

S8)针对训练集中的每张扩展织物图像重复步骤S5)-S7)进行处理，当次选取的训练集中的X张扩展织物图像输入上一次重复步骤S7)后参数更新的DR-RSBU-YOLOv5网络中处理，直至训练集中所有的扩展织物图像均经参数更新的DR-RSBU-YOLOv5网络处理过，获得此时的DR-RSBU-YOLOv5网络作为预训练DR-RSBU-YOLOv5网络；

S9)验证集中包括若干张扩展织物图像，将验证集中的每张扩展织物图像输入预训练DR-RSBU-YOLOv5网络中处理，均输出N张验证预测特征图；对验证集中的每张扩展织物图像的N张验证预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干验证预测框，根据目标GT框选取若干验证预测框作为验证候选框；

根据验证候选框和目标GT框计算验证集中各个织物瑕疵类别的精确度值AP，并计算所有精确度值AP的平均精确度值mAP；

S10)重复步骤S8)-S9)，直至多次获得的平均精确度值mAP等于一个固定值，获得此时的预训练DR-RSBU-YOLOv5网络作为训练完成的DR-RSBU-YOLOv5网络；

S11)获取若干张带有织物瑕疵的待检测织物图像，将每张待检测织物图像数据集输入训练完成的DR-RSBU-YOLOv5网络中处理，均输出N张检测预测特征图；对N张检测预测特征图进行步骤S6)中处理N张训练预测特征图的相同的处理，获得若干检测预测框；使用非极大值抑制NMS去除各个检测预测框中的冗余框，保留的检测预测框作为最终预测框；将最终预测框映射至待检测织物图像中进行织物瑕疵的检测定位。

2.根据权利要求1所述的一种基于DR-RSBU-YOLOv5的织物瑕疵检测方法，其特征在于：所述的步骤S1)中，将每张织物图像依次进行织物瑕疵数据标注和数据增强处理获得标注增强织物图像，首先对每张织物图像中的每个织物瑕疵进行类别和位置的数据标注，每个织物瑕疵均被一个矩形的目标GT框完全框住，每个目标GT框被标记为(class，xmin，ymin，xmax，ymax)，class表示目标GT框内所含织物瑕疵的类别，xmin和ymin分别表示目标GT框左上角顶点的x坐标和y坐标，xmax和ymax表示目标GT框右下角顶点的x坐标和y坐标；然后使用Mosaic数据增强处理，最终获得标注增强织物图像。

3.根据权利要求2所述的一种基于DR-RSBU-YOLOv5的织物瑕疵检测方法，其特征在于：所述的步骤S2)中，通过目标GT框的数据标记获取目标GT框的宽和高，使用Kmeans++算法根据目标GT框的宽和高对扩展织物图像数据集中的所有目标GT框进行聚类，得到K个聚类中心坐标，以K个聚类中心坐标分别作为宽和高构成K个先验框。