申请/专利权人：浙江理工大学

申请日：2022-03-01

公开（公告）日：2022-05-27

公开（公告）号：CN114549507A

主分类号：G06T7/00

分类号：G06T7/00;G06N3/08;G06N3/04;G06K9/62;G06V10/774;G06V10/762;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.06.14#实质审查的生效;2022.05.27#公开

摘要：本发明公开了一种基于Scaled‑YOLOv4改进算法的织物瑕疵检测方法。方法包括：建立扩展织物图像数据集；搭建改进Scaled‑YOLOv4网络；选取训练集输入改进网络中训练，并得到训练候选预测框；计算改进网络的整体损失值，并更新参数；获得调整后的改进Scaled‑YOLOv4网络；将验证集输入处理，并获得验证候选框；计算织物类别的平均精确度值；获得训练完成的改进Scaled‑YOLOv4网络；将待检测织物图像数据集输入处理，保留最终预测框；映射进行织物瑕疵的检测定位。本发明实现了网络精度和速度的双双提升，大大加强对织物瑕疵的检测能力并加快检测效率，更适合在实际工业场景下对织物瑕疵进行实时检测。

主权项：1.一种改进Scaled-YOLOv4的织物瑕疵检测方法，其特征在于：方法步骤如下：S1采集织物图像，建立织物图像数据集，将织物图像数据集依次进行织物瑕疵数据标注和数据增强处理，每张织物图像上均数据标注获得若干织物瑕疵的目标GT框，并获得增强织物图像数据集，将增强织物图像数据集加入织物图像数据集中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；S3根据目标GT框的数据标注，使用Kmeans++聚类算法对训练集中的所有目标GT框进行聚类，得到K个先验框；S4搭建改进Scaled-YOLOv4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改进Scaled-YOLOv4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，并根据训练预测特征图的图像信息对K个先验框进行调整，并分别获得K个训练预测框，根据目标GT框选取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框计算改进Scaled-YOLOv4网络的整体损失值，并使用梯度下降法更新改进Scaled-YOLOv4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，当次重复选取的训练集中的X张扩展织物图像输入上一次重复步骤S7后参数更新的改进Scaled-YOLOv4网络中处理，直至训练集中所有的扩展织物图像均输入参数更新的改进Scaled-YOLOv4网络处理过，获得此时的改进Scaled-YOLOv4网络作为预训练改进Scaled-YOLOv4网络；S9将验证集输入预训练改进Scaled-YOLOv4网络中处理，针对验证集中的每张扩展织物图像，均输出N张验证预测特征图；对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，获得此时的预训练改进Scaled-YOLOv4网络作为训练完成的改进Scaled-YOLOv4网络；S11获取待检测织物图像，建立待检测织物图像数据集，将待检测织物图像数据集输入训练完成的改进Scaled-YOLOv4网络中处理，针对每张待检测织物图像，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去除若干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；根据检测预测特征图和待检测织物图像的比例关系，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。

全文数据：

权利要求：

百度查询： 浙江理工大学 改进Scaled-YOLOv4的织物瑕疵检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD