本發(fā)明屬于圖像處理，尤其涉及一種識別布匹細(xì)小復(fù)雜瑕疵的方法、計算機設(shè)備以及介質(zhì)，特別適用于對布匹細(xì)小復(fù)雜瑕疵的識別。

背景技術(shù)：

1、對于布匹瑕疵檢測，主要依靠基于機器視覺的深度學(xué)習(xí)網(wǎng)絡(luò)進行檢測。由于布匹織物的瑕疵類型眾多、形狀各異且大小不均勻，使用基于深度學(xué)習(xí)的方法去檢測顯得尤為重要。通過大量的樣本數(shù)據(jù)去訓(xùn)練網(wǎng)絡(luò)，使其對于各類型布匹織物的檢測具有泛化性和魯棒性。故在檢測中，對于所設(shè)計的網(wǎng)絡(luò)，需要有能力去處理不同顏色，不同尺寸，不同規(guī)格樣本，因此網(wǎng)絡(luò)的泛化性、精準(zhǔn)性、高效性和穩(wěn)定性顯得格外重要。目前，由于卷積神經(jīng)網(wǎng)絡(luò)具有較大的非線性擬合功能，使其在瑕疵檢測時大幅提高了檢測效率。例如：

2、zhao等提出一種基于vgg16網(wǎng)絡(luò)的檢測方法用于亞麻織物和圖像織物的疵點檢測，可檢測出破洞、污漬等6種疵點，但在訓(xùn)練時所用到的參數(shù)數(shù)量較多，訓(xùn)練時間較長，不滿足檢測瑕疵點時效性的要求。pandia等將織物顏色作為重要特征設(shè)計了一種深度卷積神經(jīng)網(wǎng)絡(luò)，從各種缺陷數(shù)據(jù)集的訓(xùn)練階段進行學(xué)習(xí)，在測試階段利用了一種學(xué)習(xí)特性進行疵點分類，但僅對于具有明顯特征的瑕疵點進行分類，而未能滿足細(xì)小復(fù)雜瑕疵的檢測，具有局限性。朱俊嶺等人采用ar模型譜估計對布匹紋理圖像建模，得到方差序列，通過計算疵點圖像和正常紋理圖像譜估計之間得相關(guān)系數(shù)得到疵點類型和位置，但是在建模過程中容易出現(xiàn)如虛假譜峰，譜線分裂的情況，并且噪聲又會使得使譜估計惡化，使得檢測精度下降，檢測結(jié)果產(chǎn)生較大偏差。安萌等基于faster?rcnn網(wǎng)絡(luò)模型，對卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，將不同尺度的特征金字塔網(wǎng)絡(luò)模型引入?yún)^(qū)域生成網(wǎng)絡(luò)(rpn)以增加細(xì)節(jié)化的淺層特征，通過對softmax分類器進行正則化來減小類內(nèi)間距、增大類間間距，不斷更新網(wǎng)絡(luò)參數(shù)來提高網(wǎng)絡(luò)收斂能力，雖然能夠生成高質(zhì)量的候選區(qū)域，但在一些情況下，對于長寬比例較大的區(qū)域識別效果不佳，易出現(xiàn)梯度爆炸的情況，且其性能在某些條件下還可能會受到限制。

3、基于yolo(you?only?look?once)的目標(biāo)識別成為主流，檢測器通常由兩部分組成，一個是提取特征的主干網(wǎng)絡(luò)(backbone)，即基礎(chǔ)網(wǎng)絡(luò)，一般在imagenet數(shù)據(jù)集上進行預(yù)訓(xùn)練。另一個是預(yù)測對象類別和邊界框的頭部(head)，而頸部(neck)被構(gòu)建在主干與頭部之間，用于匯集不同的特征圖。但是網(wǎng)絡(luò)層數(shù)的深淺會直接影響到目標(biāo)檢測的準(zhǔn)確度與效率，網(wǎng)絡(luò)結(jié)構(gòu)越深，非線性表達(dá)能力，可以學(xué)習(xí)更加復(fù)雜的變換，可以擬合更加復(fù)雜的特征輸入；網(wǎng)絡(luò)層數(shù)越淺，則相反。研究者們一直在優(yōu)化網(wǎng)絡(luò)的模型，不斷調(diào)整參數(shù)，使其在準(zhǔn)確度高的基礎(chǔ)上減少運算量，提高效率。目前，對于其他版本的yolo存在當(dāng)輸入數(shù)據(jù)經(jīng)過逐層特征提取和空間變換時，大量信息將會丟失的問題，信息的損失可能導(dǎo)致有偏差的梯度流，這些流隨后被用來更新模型，便很可能導(dǎo)致深層網(wǎng)絡(luò)建立不正確的關(guān)聯(lián)連接。

4、而基于yolov9的檢測方法在使用中具有較大的發(fā)展?jié)摿?，其提出可編程梯度信?programable?gradient?infomation，pgi)的概念來應(yīng)對深度網(wǎng)絡(luò)實現(xiàn)多個目標(biāo)所需的各種變化，同時yolov9中還設(shè)計了一種基于梯度路徑規(guī)劃的新型輕量級網(wǎng)絡(luò)架構(gòu)-通用高效層聚合網(wǎng)絡(luò)(generalized?efficient?layer?aggregation?network，gelan)。

5、但是，在將yolov9應(yīng)用于布匹細(xì)小復(fù)雜瑕疵識別時，存在如下問題：

6、1.資源消耗量較大：雖然yolov9在準(zhǔn)確度、效率方面有所提升，但它仍然是一個復(fù)雜的深度學(xué)習(xí)模型，需要較大的資源和較長的時間來進行訓(xùn)練和推理。

7、2.模型過擬合和欠擬合影響識別效果：與其他深度學(xué)習(xí)模型相同，yolov9也面臨著過擬合和欠擬合的問題，過擬合意味著模型在訓(xùn)練集上表現(xiàn)良好，但在測試集上表現(xiàn)較差，而欠擬合則意味著模型在訓(xùn)練集和測試集上都表現(xiàn)較差，很有可能造成因擬合問題而影響對于細(xì)小瑕疵的檢測效果和效率的情況出現(xiàn)。

8、3.泛化能力不足影響瑕疵識別精度：盡管yolov9通過多個數(shù)據(jù)集進行測試獲得了相對較好的結(jié)果，但其泛化能力可能還存在欠缺。即遇到所使用的數(shù)據(jù)量，如果過少、質(zhì)量過于差、規(guī)格不標(biāo)準(zhǔn)，標(biāo)簽特征不夠明顯，則會對訓(xùn)練的結(jié)果產(chǎn)生嚴(yán)重誤差。如果數(shù)據(jù)集不平衡，即某些類別的樣本數(shù)量遠(yuǎn)遠(yuǎn)多于其他類別，那么模型可能會偏向于識別數(shù)量較多的類別，而忽略數(shù)量較少的類別，進而對細(xì)小復(fù)雜的瑕疵識別精度造成影響，可能會導(dǎo)致漏檢、錯檢的情況出現(xiàn)。

9、4.對長寬比例較大的目標(biāo)檢測效果較差：由于在布匹生產(chǎn)過程中，流水線機器是持續(xù)作業(yè)的，這就有可能造成出現(xiàn)的疵點是細(xì)小狹長，或者密集分布的，而yolov9在預(yù)測時將整個圖像分成了較大的網(wǎng)格，因此在檢測中可能出現(xiàn)對于密集目標(biāo)的處理不夠理想，容易出現(xiàn)漏檢或檢測框重疊的情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提出一種識別布匹細(xì)小復(fù)雜瑕疵的方法，該方法基于改進的yolov9搭建用于布匹細(xì)小復(fù)雜瑕疵識別的模型，以提升針對細(xì)小復(fù)雜瑕疵的識別準(zhǔn)確率和效率。

2、本發(fā)明為了實現(xiàn)上述目的，采用如下技術(shù)方案：

3、一種識別布匹細(xì)小復(fù)雜瑕疵的方法，包括如下步驟：

4、步驟1.首先對收集的布匹瑕疵圖像進行預(yù)處理，并形成用于模型訓(xùn)練的數(shù)據(jù)集；

5、步驟2.搭建基于改進的yolov9模型的布匹細(xì)小復(fù)雜瑕疵識別模型；其中改進的yolov9模型，其主支路結(jié)構(gòu)是在原有yolov9模型的基礎(chǔ)上進行如下改進得到的：

6、在主支路結(jié)構(gòu)的主干網(wǎng)絡(luò)中引入改進蛇形動態(tài)卷積模塊c-dsc，對瑕疵點自適應(yīng)動態(tài)提取，用于以提高對復(fù)雜瑕疵形狀和邊界的敏感性，增強對細(xì)長復(fù)雜樣式的瑕疵檢測能力；使用rt-detr模型中的aifi模塊來替換yolov9模型中的sppelan模塊，用于增強模型對局部和全局信息的處理能力，增強同一尺度內(nèi)特征之間的交互，以減少處理延遲，提高速度；在head層前加入多尺度前饋網(wǎng)絡(luò)msfn，用于聚合多尺度特征并增強非線性信息轉(zhuǎn)換；

7、步驟3.利用步驟1的數(shù)據(jù)集訓(xùn)練基于改進的yolov9模型的布匹細(xì)小復(fù)雜瑕疵識別模型，在布匹細(xì)小復(fù)雜瑕疵識別模型訓(xùn)練過程中，引入輔助分支幫助訓(xùn)練；

8、步驟4.將待識別的布匹瑕疵圖像經(jīng)過步驟1的預(yù)處理后，輸入步驟3訓(xùn)練好的布匹細(xì)小復(fù)雜瑕疵識別模型中，最終輸出得到目標(biāo)識別結(jié)果，包括邊界框的位置和類別，從而識別出布匹瑕疵圖像中存在的布匹細(xì)小復(fù)雜瑕疵。

9、此外，在識別布匹細(xì)小復(fù)雜瑕疵的方法的基礎(chǔ)上，本發(fā)明還提出了一種計算機設(shè)備，該計算機設(shè)備包括存儲器和一個或多個處理器。在存儲器中存儲有可執(zhí)行代碼。

10、當(dāng)處理器執(zhí)行可執(zhí)行代碼時，用于實現(xiàn)上述識別布匹細(xì)小復(fù)雜瑕疵的方法。

11、此外，在識別布匹細(xì)小復(fù)雜瑕疵的方法的基礎(chǔ)上，本發(fā)明還提出了一種計算機可讀存儲介質(zhì)，其上存儲有程序，該程序被處理器執(zhí)行時，用于實現(xiàn)識別布匹細(xì)小復(fù)雜瑕疵的方法。

12、本發(fā)明具有如下優(yōu)點：

13、如上所述，本發(fā)明述及了一種基于改進yolov9模型的識別布匹細(xì)小復(fù)雜瑕疵的方法，該方法針對布匹細(xì)小復(fù)雜瑕疵檢測問題，首先在yolov9的主干網(wǎng)絡(luò)(backbone)引入的動態(tài)蛇形卷積(dynamic?snake?convolution，dsc)和卷積注意力機制模塊(convolutionalblock?attention?module，cbam)相結(jié)合的模塊c-dsc，用于改善對目標(biāo)形狀和邊界的敏感性，使其提升對于復(fù)雜瑕疵的檢測能力。其中動態(tài)蛇形卷積模仿了蛇的形狀和特性，主要用于處理具有細(xì)長、迂回和不規(guī)則形態(tài)的數(shù)據(jù)結(jié)構(gòu)，不僅可以自適應(yīng)地聚焦于管狀結(jié)構(gòu)的細(xì)長曲線局部特征，還增強了對幾何結(jié)構(gòu)的感知能力，并且可以防止在迭代過程中陷入環(huán)形循環(huán)的情況產(chǎn)生，而cbam注意力模塊的添加，通過結(jié)合了通道注意力和空間注意力，能夠自適應(yīng)地學(xué)習(xí)到不同特征之間的關(guān)聯(lián)性，又可以使模型的特征提取能力和泛化能力得到提高，且不會增加網(wǎng)絡(luò)的運算量。而后使用基于transformer的實時檢測轉(zhuǎn)換器(real-timedetection?transformer，rt-detr)模型中的尺度內(nèi)特征交互(attentionbased?intra-scale?feature?interaction，aifi)模塊來替換yolov9中的sppelan(spatial?pyramidpooling?with?enhanced?local?attention?network)，由于其與transformer的encoder類似，可增強模型對局部和全局信息的處理能力、以及減少處理延遲，通過優(yōu)化多尺度特征間的注意力運算，降低了計算資源的消耗，使模型在應(yīng)對復(fù)雜場景時展現(xiàn)出更高的靈活性和運行效率。最后在head層前引入多尺度前饋網(wǎng)絡(luò)(multi-scale?feedforward?network，msfn)，msfn的設(shè)計能夠改善非線性特征變換，強化非線性的信息轉(zhuǎn)換，使得模型能夠更好地處理復(fù)雜的非線性問題，并且還可以通過提取不同尺度的特征使其增強對于特征提取的能力，尤其可以應(yīng)用于增強細(xì)小復(fù)雜瑕疵的提取。通過以上改進，使得本發(fā)明搭建的基于改進的yolov9模型的布匹細(xì)小復(fù)雜瑕疵識別模型，很好的提升了本發(fā)明針對布匹瑕疵圖像中細(xì)小復(fù)雜瑕疵的識別準(zhǔn)確率和效率。