[发明专利]一种织物瑕疵检测模型及训练方法、织物瑕疵检测方法

权利要求书

1.一种织物瑕疵检测模型，其特征在于，包括主干网络、用于对特征图进行降噪处理的冲突过滤残差收缩模块、高效特征金字塔网络和预测头；

主干网络包括依次连接的输入层、集中层、第一卷积瓶颈层、第二卷积瓶颈层、第三卷积瓶颈层、第四卷积瓶颈层和空间金字塔快速池化模块；

高效特征金字塔网络包括依次连接的第一卷积块、第一融合瓶颈层、第一融合卷积层、第二融合瓶颈层、第二卷积块、第二融合卷积层、第三融合瓶颈层、第三卷积块、第四融合瓶颈层、第四卷积块和第五融合瓶颈层，第一融合卷积层和第四融合瓶颈层相连，第一卷积块和第五融合瓶颈层相连；

第一卷积瓶颈层和第二融合卷积层相连，第二卷积瓶颈层分别和冲突过滤残差收缩模块、第二融合瓶颈层相连，第三卷积瓶颈层分别和冲突过滤残差收缩模块、第一融合瓶颈层连接，空间金字塔快速池化模块和第一卷积块相连，第一卷积块经上采样后和第一融合卷积层相连；

冲突过滤残差收缩模块分别和第三融合瓶颈层、第四融合瓶颈层相连；

第三融合瓶颈层、第四融合瓶颈层、第五融合瓶颈层分别与三个预测头连接。

2.根据权利要求1所述的一种织物瑕疵检测模型，其特征在于，冲突过滤残差收缩模块包括输入层、带有激活函数的逐点卷积块、不带有激活函数的卷积块、不带有激活函数的深度卷积块、第一图片相加处理层、SE模块、软阈值化函数层、第二图片相加处理层和第二整流线性单元激活函数；

SE模块包括依次连接的全局平均池化层、第一全连接层、第一整流线性单元激活函数、第二全连接层、第一激活函数层、图片相乘处理层，全局平均池化层和图片相乘处理层相连；

输入层分别和不带有激活函数的卷积块、带有激活函数的逐点卷积块相连，带有激活函数的逐点卷积块分别和不带有激活函数的深度卷积块、第二图片相加处理层相连，不带有激活函数的卷积块、不带有激活函数的深度卷积块均和第一图片相加处理层相连，第一图片相加处理层分别和SE模块的全局平均池化层、软阈值化函数层相连，SE模块的图片相乘处理层、软阈值化函数层、第二图片相加处理层、第二整流线性单元激活函数依次连接。

3.一种织物瑕疵检测模型训练方法，其特征在于，包括以下步骤：

S1、采集若干张带有瑕疵的织物图像，对每张图像进行织物瑕疵数据标注及数据增强处理，以构建织物图像数据集；

S2、使用聚类算法对织物图像数据集中所有图像的目标GT框进行聚类，以得到K个先验框；

S3、按预设比例将织物图像数据集划分为训练集、验证集；

S4、随机选择训练集中的X张图像输入到如权利要求1-2任一项所述的织物瑕疵检测模型中进行训练，每张织物图像均得到N张训练预测特征图；

S5、将K个先验框按照尺度顺序均匀划分为N组，根据N组先验框的尺度大小和N张训练预测特征图的尺度大小，将N组先验框分别分配到N张训练预测特征图上，并根据训练预测特征图上的锚点信息对相应的先验框进行调整，以得到所有训练预测框；

S6、根据训练预测框、相应GT框计算网络整体损失，并使用梯度下降法来更模型的参数；

S7、重复步骤S4-S6直至训练集中所有图片都输入模型一次，根据参数更新后的模型来对验证集的每张图像进行预测，根据每张图像的验证预测框和GT框计算验证集中各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；

S8、重复步骤S7，直到多次计算的平均精确度值mAP等于一个固定值，得到训练完成的模型。

4.根据权利要求3所述的一种织物瑕疵检测模型训练方法，其特征在于，步骤S4包括：

S4.1、随机选取训练集中的X张图像，经切片处理后输入至主干网络中进行逐级特征提取，从中取出四个含有不同尺度和通道数的有效特征图，按尺度从小到大分别命名为M5特征图、M4特征图、M3特征图、M2特征图；

S4.2、将M4特征图、M3特征图输入冲突过滤残差收缩模块进行处理，以得到K4特征图、K3特征图，将M5特征图、M4特征图、M3特征图、M2特征图、K4特征图、K3特征图均输入至高效特征金字塔网络进行进一步的特征融合，以得到P5融合特征图、P4融合特征图、P3融合特征图；

S4.3、将步骤S4.2得到的P5融合特征图、P4融合特征图、P3融合特征图通过预测头进行通道调整，以获取三个训练预测特征图。