一种基于改进Yolov4的布料瑕疵视觉检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116029979A(43)申请公布日2023.04.28(21)申请号202211437714.X(22)申请日2022.11.17(71)申请人杭州脉尖智能科技有限公司地址311100浙江省杭州市余杭区余杭街道文一西路1818-2号5幢201室(72)发明人叶铱源梁筱吴栋刘兵陈海宁苏彬彬王苗苗(74)专利代理机构浙江修源律师事务所33445专利代理师陈红珊(51)Int.Cl.G06T7/00(2017.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06V10/80(2022.01)权利要求书2页说明书9页附图3页(54)发明名称一种基于改进Yolov4的布料瑕疵视觉检测方法(57)摘要本发明涉及视觉检测技术领域，具体涉及一种基于改进Yolov4的布料瑕疵视觉检测方法。该方法包括收集若干不同类型布料的带瑕疵图像样本的数据构建窗帘瑕疵数据集；对数据集根据类别进行标注，并对数据集中不平衡的类别扩展数据集处理；将处理后的数据集输入构建好的网络进行训练，训练完成后保存训练模型，并部署在硬件设备中。本发明基于yolov4框架，模型框架小，对部署硬件配置低，且具有较好的实时性。针对模型训练问题，采用带反馈机制的图像增强方法，能有效提高小目标检测准确率。CN116029979ACN116029979A权利要求书1/2页1.一种基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，所述基于改进Yolov4的布料瑕疵视觉检测方法包括以下步骤：收集若干不同类型布料的带瑕疵图像样本的数据构建窗帘瑕疵数据集；对数据集根据类别进行标注，并对数据集中不平衡的类别扩展数据集处理；将处理后的数据集输入构建好的网络进行训练，训练完成后保存训练模型，并部署在硬件设备中。2.如权利要求1所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，还包括：根据带瑕疵图像样本的瑕疵样本特征，将瑕疵图像分为并丝、线结、勾丝、档次在内的13类瑕疵类别，使用labelimg标注工具为图像数据制作txt格式的标签。3.如权利要求2所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，对数据集中不平衡的类别扩展数据集处理，包括：统计数据集中各个瑕疵类别个数，对于不平衡的瑕疵类别复制瑕疵目标框，进行反转、改变亮度操作后复制到其他位置，扩展数据集。4.如权利要求1所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，将处理后的数据集输入构建好的网络进行训练之前，还包括构建网络模型，并将扩展好的数据集输入网络模型进行训练。5.如权利要求4所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，将扩展好的数据集输入网络模型进行训练，包括：在训练时添加带反馈的数据增强模块；对Yolov4模型采用CSPdarknet53作为特征提取骨干网络，包含23个CSP模块，每个CSP模块包含一个残差组件加深网络。6.如权利要求5所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，在训练时添加带反馈的数据增强模块，采集带反馈的数据增强方法增强全局类别数据，包括以下步骤：采用原始数据集中的所有样本训练网络模型，经过第一次迭代后，统计小目标检测的损失函数loss值，当小目标loss与总体loss的比值小于t时，则在下一次迭代中对数据集采用Mosaic方法拼接后训练，否则继续采用原图像训练模型。7.如权利要求6所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，所述小目标检测的判断依据为：待检测目标的尺寸划分，以数据集中与该目标对应标注的真实框大小为判定依据，通过真实框面积来反映目标物尺寸的大小，当真实框面积a0＜As＝1024时，则将该目标物划分为小目标，否则归为非小目标类；t其中，小目标的loss值为总体lossL的正样本数据中面积小于As的loss之和，当满足小目标与总体loss的比值时，在下一次将数据集输入模型前采用Mosaic算法对标记为小目标的数据集进行数据增强，采用Mosaic算法进行数据增强数据集后直接输入网络训练模型，As代表将真实框内目标划分为小目标的真实框面积阈值。8.如权利要求5所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，对Yolov4模型采用CSPdarknet53作为特征提取骨干网络为：基于Yolov4目标检测模型的基础上，在每个CSP模块的残差组件进行加法操作前添加GCblock模块，轻量级融合全局上下文2CN116029979A权利要求书2/2页特征。9.如权利要求8所述的基于改进Yolov4的布料瑕疵视觉检测方法，其特征在于，对Yolov4模型采用CSPdarknet53