申请/专利权人：浙江理工大学

申请日：2022-07-21

公开（公告）日：2024-04-26

公开（公告）号：CN115049639B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/762;G06V10/764;G06V10/766;G06V10/774;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明属于纺织布匹瑕疵检测技术领域，具体涉及一种基于分类重加权YOLOv5模型的织物瑕疵检测方法。对YOLOv5模型中的分类损失函数进行改进，引入EqualizationLossv2函数梯度引导平衡重加权，独立、平等地重新平衡每个类别的训练过程，并在EqualizationLossv2函数的基础上，针对召回率Recall过小导致总体mAP不高的问题，在loss值函数关于类别权重的梯度计算中，使模型忽略低召回率类别作为其他类别的负样本的情况，减少低召回率类别对应的样本权重对负向梯度的累积，只累积正向梯度。进一步提升整体召回率，巧妙地提升总体mAP精度。使用本发明所述方法进行织物图像的瑕疵检测，相较于现有的先进检测模型在检测精度和效率指标上都具有较大的优势，同时也很好地满足了工业场景中的实时性要求。

主权项：1.一种基于分类重加权YOLOv5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；S3、使用聚类算法根据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、随机选择训练集中的X张图像作为分类重加权YOLOv5模型的输入，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，特征融合模块对有效特征图进行融合，以得到N个不同尺度的融合特征图，最后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、根据预测特征图、预测框、相应GT框来计算网络整体损失，并使用梯度下降法来更新分类重加权YOLOv5模型的参数，网络整体损失基于分类损失计算得到，所述分类损失的计算采用梯度引导平衡重加权的均衡损失函数，且在采用均衡损失函数计算正负梯度过程中，忽略低召回率类别作为其他类别的负样本的情况；S7、重复步骤S4-S6直到训练集中所有图片都输入模型一次，根据参数更新后的分类重加权YOLOv5模型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，直至步骤S7中所统计的各个类别的AP值的平均值mAP稳定在某个值，得到训练完成的分类重加权YOLOv5模型；S9、使用训练完成的分类重加权YOLOv5模型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；所述梯度引导平衡重加权的均衡损失函数，具体为：根据每个分类器累积的正负梯度比，计算得到正、负样本在损失计算中的样本权重，计算公式如下： 其中，表示第t次迭代第j个类别的正样本的权重，表示第t次迭代第j个类别的负样本的权重，表示第t次迭代第j个类别的正负梯度比，α、γ、μ均为预设的超参数；进而，根据正、负样本的权重与交叉熵损失BCEloss计算得到分类损失clsloss，计算公式如下： 其中，为第i个实例在第j类上的实际标签。

全文数据：

权利要求：

百度查询： 浙江理工大学 一种基于分类重加权YOLOv5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。

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