本發(fā)明屬于圖像處理，涉及一種織物疵點(diǎn)檢測(cè)方法、計(jì)算機(jī)設(shè)備以及介質(zhì)。

背景技術(shù)：

1、織物疵點(diǎn)檢測(cè)是紡織生產(chǎn)中質(zhì)量控制的一道重要的工序。當(dāng)前人工視覺檢測(cè)仍是主要的質(zhì)量檢驗(yàn)方式，通過坯檢、中檢、終檢3個(gè)流程實(shí)現(xiàn)疵點(diǎn)檢出，人工檢測(cè)效率易受情緒、身體、疲勞和環(huán)境等因素的影響，容易產(chǎn)生主觀誤判和漏檢，影響生產(chǎn)效率和產(chǎn)品質(zhì)量。隨著深度學(xué)習(xí)在圖像特征提取和目標(biāo)定位上取得優(yōu)異效果，逐步應(yīng)用于織物疵點(diǎn)檢測(cè)領(lǐng)域中。

2、基于深度學(xué)習(xí)的檢測(cè)算法以基于單階段檢測(cè)算法(one-tage)和基于兩階段檢測(cè)算法(two-stage)為代表。two-stage算法首先生成目標(biāo)候選框，然后再對(duì)候選框進(jìn)行分類和位置回歸，以faster?rcnn系列和mask?rcnn系列算法為代表，對(duì)目標(biāo)的檢測(cè)精度高，但檢測(cè)速度較慢，計(jì)算量和時(shí)間復(fù)雜度高，難以適應(yīng)工業(yè)檢測(cè)實(shí)時(shí)性要求。one-stage算法直接使用卷積神經(jīng)網(wǎng)絡(luò)(cnn)預(yù)測(cè)目標(biāo)的類別和位置，不需要生成候選區(qū)域，以ssd、yolo系列等算法為代表，計(jì)算速度快，實(shí)時(shí)性好，因此易滿足工業(yè)實(shí)時(shí)檢測(cè)的需求。

3、專利文獻(xiàn)1公開了一種基于改進(jìn)yolov7模型的織物瑕疵檢測(cè)方法，該方法采集織物瑕疵圖片并對(duì)原始圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，從rgb色彩空間轉(zhuǎn)換到y(tǒng)crcb色彩空間；將bottleneck?transformer、efficient?channel?attention和yolov7模型相結(jié)合，對(duì)yolov7模型進(jìn)行改進(jìn)。該方法能有效解決織物瑕疵圖像中噪聲和小瑕疵帶來的影響，在保證處理速度的同時(shí)提升檢測(cè)精度，且模型部署難度小，具有較強(qiáng)的工業(yè)生產(chǎn)實(shí)用性，但是該模型在檢測(cè)精度和檢測(cè)時(shí)間上還可以提高，并且對(duì)于復(fù)雜背景的織物材料，檢測(cè)結(jié)果不理想。

4、專利文獻(xiàn)2公開了一種織物疵點(diǎn)檢測(cè)方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。該織物疵點(diǎn)檢測(cè)方法包括：獲取植物樣本的多張疵點(diǎn)圖像，建立第一疵點(diǎn)數(shù)據(jù)集?；谟?xùn)練好的dcgan網(wǎng)絡(luò)，將第一疵點(diǎn)數(shù)據(jù)集中的疵點(diǎn)圖像進(jìn)行增強(qiáng)，得到增強(qiáng)后的疵點(diǎn)圖像，選擇增強(qiáng)后的疵點(diǎn)圖像中指定疵點(diǎn)類別的疵點(diǎn)圖像，建立第二疵點(diǎn)數(shù)據(jù)集，并將第二疵點(diǎn)數(shù)據(jù)集劃分為訓(xùn)練樣本集和測(cè)試樣本集，基于訓(xùn)練樣本集和測(cè)試樣本集，訓(xùn)練改進(jìn)后的yolov5模型，得到織物疵點(diǎn)檢測(cè)模型；其中改進(jìn)后的yolov5模型的backbone層和neck層引入注意力機(jī)制模塊。該專利文獻(xiàn)2中的織物疵點(diǎn)檢測(cè)模型可使植物疵點(diǎn)檢測(cè)精度提高、速度加快、漏檢率降低，但是模型的訓(xùn)練時(shí)間比較久，對(duì)于復(fù)雜圖案的織物沒有取得令人滿意的結(jié)果。

5、綜上，現(xiàn)有方法在疵點(diǎn)檢測(cè)上雖取得了一定成果，但在實(shí)際應(yīng)用中，針對(duì)多尺度、微小目標(biāo)的疵點(diǎn)檢測(cè)精度和速度依然是行業(yè)應(yīng)用的瓶頸問題，隨著yolov8的出現(xiàn)，目標(biāo)檢測(cè)算法的精度和速度有了進(jìn)一步提升，yolov8相同體量下比在先的yolo算法精度更高，速度更快。

6、參考文獻(xiàn)

7、專利文獻(xiàn)1中國(guó)發(fā)明專利申請(qǐng)公開號(hào)：cn117372332a，公開日期：2024.01.09；

8、專利文獻(xiàn)2中國(guó)發(fā)明專利申請(qǐng)公開號(hào)：cn117830247a，公開日期：2024.04.05。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)織物疵點(diǎn)尺度不一、目標(biāo)微小、形狀多變的特點(diǎn)，本發(fā)明提出了一種織物疵點(diǎn)檢測(cè)方法，該方法基于改進(jìn)的yolov8模型進(jìn)行疵點(diǎn)檢測(cè)，以提升疵點(diǎn)檢測(cè)精度和速度。

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

3、一種織物疵點(diǎn)檢測(cè)方法，包括如下步驟：

4、步驟1.獲取帶有疵點(diǎn)的織物圖像，并對(duì)圖像進(jìn)行預(yù)處理和標(biāo)注操作，制作訓(xùn)練數(shù)據(jù)集；

5、步驟2.搭建基于改進(jìn)的yolov8模型架構(gòu)的織物疵點(diǎn)檢測(cè)模型；

6、改進(jìn)的yolov8模型是在原有yolov8模型的基礎(chǔ)上進(jìn)行如下改進(jìn)得到的：

7、首先在yolov8模型骨干網(wǎng)絡(luò)中，使用ghostnet?v2?bottleneck替換c2f模塊中的bottleneck，得到c2f-ghostnetv2模塊；使用優(yōu)化的sppcspc模塊替換原有yolov8模型的sppf模塊，重構(gòu)的sppcspc模塊在原sppcspc模塊的池化層之前的兩個(gè)卷積層被裁剪掉，同時(shí)引入simam注意力機(jī)制；其次將yolov8模型的頸部網(wǎng)絡(luò)panet結(jié)構(gòu)改為改進(jìn)的bifpn結(jié)構(gòu)；最后在檢測(cè)頭部分引入小目標(biāo)檢測(cè)層，檢測(cè)頭從yolov8模型中的三個(gè)增加到四個(gè)，同時(shí)引入pconv卷積對(duì)檢測(cè)頭進(jìn)行輕量化改進(jìn)，以減輕增加小目標(biāo)檢測(cè)頭造成的計(jì)算負(fù)擔(dān)；

8、步驟3.基于步驟1得到的訓(xùn)練數(shù)據(jù)集訓(xùn)練步驟2中改進(jìn)的yolov8模型，得到訓(xùn)練好的織物疵點(diǎn)檢測(cè)模型，并利用訓(xùn)練好的織物疵點(diǎn)檢測(cè)模型進(jìn)行織物疵點(diǎn)檢測(cè)。

9、此外，在織物疵點(diǎn)檢測(cè)方法的基礎(chǔ)上，本發(fā)明還提出了一種計(jì)算機(jī)設(shè)備，該計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和一個(gè)或多個(gè)處理器。在存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼。

10、當(dāng)處理器執(zhí)行可執(zhí)行代碼時(shí)，用于實(shí)現(xiàn)上述織物疵點(diǎn)檢測(cè)方法。

11、此外，在織物疵點(diǎn)檢測(cè)方法的基礎(chǔ)上，本發(fā)明還提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)，用于實(shí)現(xiàn)織物疵點(diǎn)檢測(cè)方法。

12、本發(fā)明具有如下優(yōu)點(diǎn)：

13、如上所述，本發(fā)明述及了一種織物疵點(diǎn)檢測(cè)方法，該方法基于yolov8模型進(jìn)行織物疵點(diǎn)檢測(cè)，其中yolov8模型是單階段目標(biāo)檢測(cè)算法，同時(shí)兼顧了速度與精度，本發(fā)明在原有yolov8模型的基礎(chǔ)上分別進(jìn)行了如下改進(jìn)，在骨干網(wǎng)絡(luò)中，使用ghostnet?v2bottleneck替換c2f模塊中的bottleneck，增強(qiáng)了模型捕獲復(fù)雜特征信息的能力；使用優(yōu)化的sppcspc模塊替換sppf模塊，重構(gòu)sppcspc模塊在池化層之前的兩個(gè)卷積層被裁剪掉，以減少卷積層對(duì)小目標(biāo)邊緣信息的過濾。這也降低了神經(jīng)網(wǎng)絡(luò)的計(jì)算量，同時(shí)引入simam注意力機(jī)制來解決小目標(biāo)提取不足的問題，有效剔除了干擾因素；將頸部網(wǎng)絡(luò)panet結(jié)構(gòu)改為改進(jìn)的bifpn結(jié)構(gòu)，實(shí)現(xiàn)了特征層間雙向信息流動(dòng)與多層次特征等多尺度特征的有效融合；在檢測(cè)頭部分，引入小目標(biāo)檢測(cè)層，檢測(cè)頭從yolov8模型中的三個(gè)增加到四個(gè)，為減輕增加小目標(biāo)檢測(cè)頭造成的計(jì)算負(fù)擔(dān)，引入pconv卷積對(duì)檢測(cè)頭進(jìn)行輕量化改進(jìn)，并通過參數(shù)共享機(jī)制簡(jiǎn)化檢測(cè)分支，設(shè)計(jì)了四個(gè)輕量化檢測(cè)頭；使用損失函數(shù)giou替換原模型的損失函數(shù)。通過本發(fā)明所提基于改進(jìn)的yolov8模型架構(gòu)的織物疵點(diǎn)檢測(cè)模型，利于提高織物疵點(diǎn)的檢測(cè)精度和速度。

技術(shù)特征：

1.一種織物疵點(diǎn)檢測(cè)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

3.根據(jù)權(quán)利要求2所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

5.根據(jù)權(quán)利要求1所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

6.根據(jù)權(quán)利要求2所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

7.根據(jù)權(quán)利要求1所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

8.根據(jù)權(quán)利要求1所述的織物疵點(diǎn)檢測(cè)方法，其特征在于，

9.一種計(jì)算機(jī)設(shè)備，該計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和一個(gè)或多個(gè)處理器；在存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼；其特征在于，當(dāng)處理器執(zhí)行可執(zhí)行代碼時(shí)，用于實(shí)現(xiàn)上述權(quán)利要求1至8中任一項(xiàng)所述的織物疵點(diǎn)檢測(cè)方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序；其特征在于，該程序被處理器執(zhí)行時(shí)，用于實(shí)現(xiàn)上述權(quán)利要求1至8中任一項(xiàng)所述的織物疵點(diǎn)檢測(cè)方法。

技術(shù)總結(jié)
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體公開了一種織物疵點(diǎn)檢測(cè)方法、計(jì)算機(jī)設(shè)備以及介質(zhì)。本發(fā)明基于改進(jìn)的YOLOv8模型搭建織物疵點(diǎn)檢測(cè)模型，使用GhostNet?V2Bottleneck替換C2f模塊中的Bottleneck得到C2f?GhostNetV2模塊；使用優(yōu)化的SPPCSPC模塊替換原有SPPF模塊，重構(gòu)的SPPCSPC模塊在原SPPCSPC模塊的池化層之前的兩個(gè)卷積層被裁剪掉，同時(shí)引入SimAM注意力機(jī)制；其次將頸部網(wǎng)絡(luò)PANet結(jié)構(gòu)改為改進(jìn)的BiFPN結(jié)構(gòu)；最后在檢測(cè)頭部分引入小目標(biāo)檢測(cè)層，檢測(cè)頭從三個(gè)增加到四個(gè)，同時(shí)引入PConv卷積對(duì)檢測(cè)頭進(jìn)行輕量化改進(jìn)，以減輕增加小目標(biāo)檢測(cè)頭造成的計(jì)算負(fù)擔(dān)。通過本發(fā)明所提模型，利于提高織物疵點(diǎn)的檢測(cè)精度和速度。

技術(shù)研發(fā)人員：欒文輝,白培瑞,梁浩,錢耀盟,宋作杰,趙亮,劉剛中,呂錢烈,胡炎帥,劉慶一,韓超
受保護(hù)的技術(shù)使用者：山東南山智尚科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26