(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211241240.1 (22)申请日 2022.10.11 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市下城区潮王路 18号 (72)发明人 梁利华　丁浩禹　苏彬彬　闭淦程　 祝雷　陈海宁　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 刘静 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06T 5/40(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于改进的YOLOv5模型对织物疵点进 行在线检测的方法、 可读存介质及终端设备 (57)摘要 本发明涉及一种基于改进的YOLOv5模型对 织物疵点进行在线检测的方法、 可读存介质及终 端设备， 包括步骤： 采集多种织物疵点图像形成 数据集并分为训练集和测试集， 对训练集的织物 疵点图像进行织物疵点类别标注和数据增强， 再 对织物疵 点图像进行预处理， 使用预处理后的织 物疵点图像对改进的YOL Ov5模型进行训练， 使用 测试集的织物疵点图像进行验证， 得到织物疵点 类别检测及分析处理模型； 基于得到的织物疵点 类别检测及分析处理模型实时对织物 图像进行 检测， 并输出分析结果。 本发明还公开使用该方 法的可读存介质及终端设备。 本发 明方法减少了 织物疵点的漏检， 提高了织物 疵点检测准确率。 权利要求书1页 说明书7页 附图4页 CN 115439468 A 2022.12.06 CN 115439468 A 1.一种基于改进的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 该方法 包括如下步骤： 步骤一、 采集多种织物 疵点图像， 形成数据集； 步骤二、 将数据集分为训练集和测试集， 对训练集的织物疵点图像进行类别标注， 并将 标注后的织物 疵点图像进行 数据增强处 理及直方图均衡化处 理； 步骤三、 构建改进的YOLOv5模型， 对输入的图像经过特征提取网络backbone和特征金 字塔FPN提取特征， 构建任务检测头Head检测提取到的特征， 其中， 特征提取网络backbone 由Focus卷积块、 CBM卷积块和CSP卷积块组成， 其中所述CBM卷积块包含 卷积层、 批量归一化 层和Mish激活层， 所述CSP卷积块包含ResNet _SPP卷积块； 所述特征提取网络backbone由五 个阶段组成， 第1阶段包含Focus卷积块和CBM卷积块， 第2阶段到第5阶段均包含CBM卷积块 和CSP卷积块， 其中第2阶段和第5阶段的CSP卷积块包含1个ResNet_SPP卷积块， 第3阶段和 第4阶段的CSP卷积块包含3个ResNet_SPP卷积块； 其中， 特征金字塔FPN由CBM卷积块、 上采 样卷积块和下采样卷积块组成； 所述Head检测头， 由CBM卷积块和基础卷积层组成； 步骤五、 使用步骤二标注及处理后的训练集的织物疵点图像对改进的YOLOv5模型进行 训练， 使用测试集的织物疵点图像进行验证， 将训练完成的改进的YOLOv5模型作为织物疵 点类别检测及分析处 理模型； 步骤六、 将织物图像实时输入到织物疵点类别检测及分析处理模型， 织物图像进行在 线检测和分析， 并输出分析 结果。 2.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤一中， 所述多种织物疵点图像是指通过设置相应相机高度、 相机焦距和 不同环境 光度对多种织物进行拍摄得到的织物 疵点图像。 3.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤二中， 对训练集的织物疵点图像进 行类别标注的步骤包括： 根据经线纬 线走向， 前 景背景差异以及疵点特 征对所有织物 疵点进行细分类标注。 4.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤二中， 所述数据增强处理包括采用平移、 旋转、 添加噪声或裁剪疵点融 合到无缺陷图处 理方式对标注好的图片进行处 理。 5.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤二中， 对经 过直方图均衡化处 理后的图像需要再进行归一 化处理。 6.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤六中， 所述分析 结果包括： 织物 疵点的类别以及疵点数量。 7.如权利要求1所述的一种基于改进 的YOLOv5模型对织物疵点进行在线检测的方法， 其特征在于， 在步骤六中， 所述输出分析 结果包括将分析 结果传送至云平台并显示。 8.一种可读存储介质， 所述可读存储介质存储有多条指令， 其特征在于， 所述指令适于 处理器进行加载， 以执行权利要求 1至7任一种基于改进的Y OLOv5模型对织物疵 点进行在 线 检测的方法。 9.一种终端设备， 包括处理器和存储器， 其特征在于， 所述存储器存储有多条指令， 所 述处理器加载所述指令以执行权利要求1至7任一种基于 改进的YOLOv5模型对织物疵点进 行在线检测的方法。权　利　要　求　书 1/1 页 2 CN 115439468 A 2一种基于改进的Y OLOv5模型对织物疵 点进行在线检测的方 法、 可读存介质及终端设 备 技术领域 [0001]本发明属于图像处理技术领域， 具体涉及一种基于改进的YOLOv5模型对织物疵点 进行在线检测的方法、 可读存介质及终端设备。 背景技术 [0002]随着机器视觉技术与工业制造 的深入融合， 制造行业发生了巨大变化， 逐渐从追 求数量转为追求质量。 特别是在纺织领域， 用户和企业对外观质量的要求也在逐年提高。 用 户更关注的是纺织品的外观质量， 而不是其使用功能。 对于织物来说， 表面是否存在污渍、 擦花、 破洞等 缺陷将会直接影响产品的美观度， 也会直接影响产品的销售价 值。 [0003]实际上就表面缺陷检测来说， 在20世纪， 就已经出现了人眼检测法。 由于可投入的 资金不足， 中小企业仍然选择依靠人眼完成检测工作， 其大致流程为： 织物产品在企业车间 流水线上匀速运动， 工人站在观察台上对经过眼前的织物进 行缺陷排查， 一旦 发现缺陷， 工 人控制流水线停止运动， 在缺陷部位进行标记并且将相关信息记录下来。 显而易见 的是这 种检测方法存在着许多问题 [0004]图像处理的织物疵点智能化检测研究的研究大约有30多年的历史,主要是针对图 像分割、 特征提取、 疵 点分类等方面。 一些方法如： 基于统计分析的共生矩阵、 基于频谱分析 的傅里叶变换和小波分析以及基于人工神经网络的分类算法等。 国际上一些学者在此领域 发表的研究成果， 也都促进了该领域研究 的发展与创新。 目前， 虽然国内外在此领域的研究 取得不少研究成果， 但真正 面向市场的织物的疵点检测方法还比较少。 [0005]现有织物瑕疵检测方法， 普遍针对与所有可能出现的瑕疵， 均衡考量对所有瑕疵 的检测效果。 但实际上， 某部分尤其是大尺寸的瑕疵出现频率较低， 中等尺寸的瑕疵出现频 率较高。 所以应该在保证对所有瑕疵的一定的检出率之上， 提高对中等尺寸瑕疵的检测效 果。 本发明针对此问题， 修改ResNet结构， 在FPN输出前增加前文信息， 在保证所有尺度检测 效果的前提下， 提高了中等尺寸瑕疵的检测效果。 发明内容 [0006]本发明所要解决的技术问题在于， 提供一种基于改进的YOLOv5模型对织物疵点进 行在线检测的方法、 可读存介质及终端设备， 提高织物 疵点检测的准确率， 减少疵点漏检。 [0007]本发明是这样实现的， 提供一种基于改进的YOLOv5模型对织物疵点进行在线检测 的方法， 该 方法包括如下步骤： [0008]步骤一、 采集多种织物 疵点图像， 形成数据集； [0009]步骤二、 将数据集分为训练集和测试集， 对训练集的织物疵点图像进行类别标注， 并将标注后的织物 疵点图像进行 数据增强处 理及直方图均衡化处 理； [0010]步骤三、 构建改进的YOLOv5模型， 对输入的图像经过特征提取网络backbone和特 征金字塔FPN提取特征， 构建任务检测头Head检测提取到的特征， 其中， 特征提取网络说　明　书 1/7 页 3 CN 115439468 A 3