申请/专利权人:浙江理工大学
申请日:2022-06-13
公开(公告)日:2022-08-09
公开(公告)号:CN114882011A
主分类号:G06T7/00
分类号:G06T7/00;G06V10/762;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.08.26#实质审查的生效;2022.08.09#公开
摘要:本发明涉及一种基于改进Scaled‑YOLOv4模型的织物瑕疵检测方法,包括S1采集织物图像数据集;S2划分得到训练集、验证集、测试集;S3进行聚类,得到K个先验框;S4将N个不同尺度的有效特征图输入集成特征指导模块进行多尺度特征预处理,然后使用高效阶梯金字塔网络进行融合,得到N个不同尺度的融合特征图,最后通过动态尺度感知头进行通道调整以获得N个预测特征图;S5得到所有预测框;S6更新Scaled‑YOLOv4网络的参数;S7根据参数更新后的Scaled‑YOLOv4网络来对验证集的每张图像进行预测,统计后输出验证集中各个类别的AP值;S8重复步骤S7,直至多次步骤S7中所统计的各个类别的AP值的平均值等于某一固定值,得到训练完成的Scaled‑YOLOv4网络;S9定位瑕疵。本发明可对织物瑕疵进行高准确的检测。
主权项:1.一种基于改进Scaled-YOLOv4模型的织物瑕疵检测方法,其特征在于,包括步骤:S1、采集织物图像数据集,并对每张图像中的各瑕疵进行类别、位置的标注;S2、按预设比例对数据集进行划分,分别得到训练集、验证集、测试集,并对训练集进行数据增强,得到增强后训练集;S3、使用聚类算法根据增强后训练集中所有图像的目标GT框进行聚类,得到K个先验框;S4、随机选择增强后训练集中的X张图像作为Scaled-YOLOv4网络的输入,经过主干网络特征提取后得到N个不同尺度的有效特征图,并输入集成特征指导模块进行多尺度特征预处理,然后使用高效阶梯金字塔网络对预处理后的有效特征图进行融合,得到N个不同尺度的融合特征图,最后通过动态尺度感知头对融合特征图的通道进行调整以获得N个预测特征图;S5、将K个先验框按照尺度顺序预先均匀分布到N个预测特征图上,然后根据预测特征图上锚点信息对相应的先验框进行调整,得到所有预测框;S6、根据步骤S5中得到的预测框与对应图片的GT框来计算网络整体损失值,并使用梯度下降法来更新Scaled-YOLOv4网络的参数;S7、重复步骤S4-S6直到增强后训练集中所有图片都输入网络一次,根据参数更新后的Scaled-YOLOv4网络来对验证集的每张图像进行预测,统计后输出验证集中各个类别的AP值;S8、重复步骤S7,直至多次步骤S7中所统计的各个类别的AP值的平均值等于某一固定值,得到训练完成的Scaled-YOLOv4网络;S9、使用训练完成的Scaled-YOLOv4网络对测试集中所有图像进行预测,得到特征图上的预测框,根据特征图和原图的比例关系,将预测框映射至对应的原图上来定位瑕疵。
全文数据:
权利要求:
百度查询: 浙江理工大学 一种基于改进Scaled-YOLOv4模型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。