[发明专利]基于DR-RSBU-YOLOv5的织物瑕疵检测方法

说明书

本发明公开了一种基于DR‑RSBU‑YOLOv5的织物瑕疵检测方法。方法包括：建立扩展织物图像数据集；划分为训练集和验证集；搭建DR‑RSBU‑YOLOv5网络；将训练集输入训练，计算网络的整体损失值并更新参数；将验证集输入处理，计算织物瑕疵类别的平均精确度值；获得训练完成的DR‑RSBU‑YOLOv5网络；将待检测织物图像数据集输入处理，保留最终预测框并映射进行织物瑕疵的检测定位。本发明方法有效改善了织物图像中的小疵点和噪声给中大目标织物瑕疵的检测带来的干扰问题，并提高了网络的精度和速度，加强了对织物瑕疵的检测能力并加快了检测效率。

技术领域

本发明涉及了一种织物瑕疵检测方法，具体涉及一种基于DR-RSBU-YOLOv5模型的织物瑕疵检测方法。

背景技术

纺织行业在我国的国民经济发展中一直占据着重要地位。在纺织工业生产中织物不仅作为制作服装的基础材料，而且可作为其他装饰类和工业类的原材料进行再加工。随着经济发展和人民生活水平的提高，市场对产品质量的要求逐渐升高，需要专业的质检人员检查纺织品的瑕疵并剔除不合格布匹。人工检测的方法不仅效率低成本高，而且会受检测人员的主观因素影响导致误检或漏检。因此，设计一种高效的自动化织物瑕疵检测方法是非常有必要的。

近些年来，卷积神经网络(CNNs)在图像分类、检测和分割等任务上占据愈来愈重要的地位，大量的研究人员参与其领域并改进出各式各样的网络模型。在目标检测方向，同样涌现出大量优秀的研究工作，具有代表性的有如R-CNN和YOLO系列的检测模型，其中YOLO系列因其检测速度快和模型轻量的优点，在众多模型中脱颖而出并占据一席之地，但目前的织物瑕疵检测任务中存在噪声干扰和检测速度慢等问题，现有的先进检测模型在检测精度和效率指标上也有待提高。

发明内容

为了解决背景技术中存在的问题，本发明提供一种基于DR-RSBU-YOLOv5的织物瑕疵检测方法，该方法通过在网络的特定位置引入了降噪的改进深度残差收缩结构DR-RSBU-CW，减少了在织物瑕疵检测任务中存在的复杂背景干扰和噪声带来的错检漏检等问题。使用所提方法进行织物图像的瑕疵检测，相较于现有的先进检测模型在检测精度和效率指标上都具有较大的优势，同时也很好地满足了工业场景中的实时性要求。

本发明采用的技术方案是：

本发明织物瑕疵检测方法包括如下步骤：

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以及测试集，预设比例为8:1:1。

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。