一种改进YOLOv5的布匹瑕疵检测方法与流程

yolov5模型的性能。
12.所述se-yolov5模型为：在yolov5网络中的backbone层的最后加入se模块，以及把yolov5网络中csp层中的leakyrelu函数替换为acon激活函数。
13.通过带有瑕疵的布匹的rgb图像对se-yolov5模型进行训练。
14.所述acon激活函数为：
15.f
acon-c
(x)＝(p
1-p2)x
·
σ[β(p
1-p2)x] p2x
[0016]
其中，x为输入值，p1和p2为可学习的参数，β为切换因子，σ为sigmoid函数。
[0017]
所述检测结果包括：瑕疵点锚框的中心位置的横坐标、纵坐标以及瑕疵点锚框的长度和宽度。
[0018]
一种改进yolov5的布匹瑕疵检测系统，包括：
[0019]
数据获取模块，用于从数据集中获取布匹的rgb图像；
[0020]
模型训练模块，用于训练se-yolov5模型；
[0021]
瑕疵点检测模块，用于将rgb图像导入训练好的se-yolov5模型进行瑕疵点检测，并输出检测结果。
[0022]
一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种改进yolov5的布匹瑕疵检测方法。
[0023]
一种改进yolov5的布匹瑕疵检测系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的一种改进yolov5的布匹瑕疵检测方法。
[0024]
本发明具有以下有益效果及优点：
[0025]
1.模型可用于复杂的布匹瑕疵检测，便于布匹瑕疵检测模型在实际环境的部署。
[0026]
2.提升了布匹瑕疵检测模型的泛化能力，精度比原有模型要高。
附图说明
[0027]
图1为本发明方法整体流程图；
[0028]
图2为本发明方法的网络结构图；
[0029]
图3为本发明方法的acon-csp模块图；
[0030]
图4为本发明方法所使用数据集的示例图；
[0031]
图5为本发明方法检测布匹瑕疵的效果图；
[0032]
图6为本发明方法训练时的边界框回归损失曲线图。
具体实施方式
[0033]
下面结合附图及实施例对本发明做进一步的详细说明。
[0034]
本发明采用的技术方案是：一种改进的yolov5的布匹瑕疵检测方法，包括以下步骤：
[0035]
s1：输入布匹的rgb图像；
[0036]
s2：训练se-yolov5模型；
[0037]
s3：检测瑕疵点；
[0038]
s4：输出瑕疵点的位置。
[0039]
所述训练se-yolov5模型，具体为：在yolov5网络中的backbone中加入se模块(hu j,shen l,albanie s,et al.squeeze-and-excitation networks[j].ieee transactions on pattern analysis and machine intelligence,2020,42(8):2011-2023.)，以及把yolov5 csp中的leakyrelu函数替换为acon激活函数。
[0040]
假设网络backbone中某一层的输出是其中，h为输出数据的高度，w为输出数据的宽度，c为输出数据的通道数。se模块就是一个计算单元，其可以通过一个卷积操作f来进行构建，f把输入映射到特征图其中，h
′
是特征图的高度，w
′
是特征图的宽度，c
′
是特征图的通道数。我们使用k＝[k1，k2，
…
，kc′
]来表示卷积核的集合，其中kc′
是第c
′
个卷积。输出可以写成m＝[m1，m2，
…
，mc′
]，其中
[0041][0042]
式(1)中的*是卷积操作，x＝[x1，x2，
…
，xc]，]，是空间核，其代表kc′
作用在x对应的通道上。为了简化，我们省略了偏置项。我们通过对所有通道进行加和来得到输出，通道依赖被隐式地嵌入到了kc′
，但被卷积核捕获的局部相关性所融合。
[0043]
如图3所示，其中，cbl表示由卷积、批量归一化和silu激活函数组合而成的操作，resunit表示残差单元，conv表示卷积操作，batchnorm表示批量归一化，我们替换yolov5 csp中的leaky relu函数为acon激活函数，这种新结构被称为acon-csp。acon-csp模块主要在特征图上进行特征提取，从图像中提取出丰富的信息。与大规模的卷积神经网络相比，acon-csp结构能够减少优化过程中的梯度信息重复。具体来说，我们使用acon-c来替代leakyrelu。acon-c仅使用超参数来缩放特征。acon-c的定义如下：
[0044]facon-c
(x)＝(p
1-p2)x
·
σ[β(p
1-p2)x] p2x
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0045]
其中x是输入值，p1和p2是可学习的参数，β是切换因子，σ是sigmoid函数，并且我们初始化β＝p1＝p2＝0。
[0046]
所述检测瑕疵点，具体为：我们将布匹的图像传送到已经训练好的se-yolov5。
[0047]
所述输出瑕疵点的位置，具体为：输出归一化的瑕疵点锚框的中心位置的横坐标、纵坐标以及长和宽。
[0048]
如图1所示，基于se-yolov5的布匹瑕疵检测方法包括以下步骤：
[0049]
1：输入布匹的rgb图像；
[0050]
2：训练如图2所示的目标检测网络se-yolov5模型；其中，input表示输入，output表示输出，focus表示切片操作，cbl表示由卷积、批量归一化和silu激活函数组合而成的操作，spp表示空间金字塔池化，upsample表示上采样，concat表示融合操作，conv表示卷积；
[0051]
3：检测瑕疵点；
[0052]
4：输出瑕疵点的位置。
[0053]
为了验证本发明方法的性能，我们在公开的布匹瑕疵数据集(天池布匹疵点智能识别比赛所提供的数据集)上进行了实验，我们称该数据集为天池布匹瑕疵数据集。该数据集的示例图片如图4所示。该数据集一共有3622张图片，2239张图片用于训练，1383张图片用于测试。
[0054]
本发明方法使用accuracy(精度)、precision(查准率)、recall(召回率)、f1值来衡量模型的性能。
[0055][0056][0057][0058][0059]
其中，n
correct
是指测试集中瑕疵被正确检测出的图片的数量，b
total
是测试集中图片的数量，真正例(truepositive，tp)是指正确检测出了图片中的一个目标。假正例(falsepositive，fp)是指错误地检测了一个目标，即网络预测的目标不在图片中。假负例(falsenegative，fp)是指图片中存在一个目标，但没有被网络检测出来。在目标检测中，iou测量了预测的锚框和真正的锚框之间的重叠区域。检测结果会跟给定阈值的iou相比较，然后检测会被分成正确检测或者错误检测。
[0060]
我们在天池布匹瑕疵数据集验证了本发明方法的性能。本发明方法的accuracy为95.52％，超过了yolov5。实验结果如表1所示，结果显示本发明方法能够有效地判断图片是否有瑕疵，并且我们模型的性能超过了现有的yolov5布匹瑕疵检测模型。se-yolov5瑕疵检测的效果如图5所示。
[0061]
表1天池瑕疵数据集上的模型性能比较
[0062][0063]
我们使用天池布匹瑕疵数据集来训练本发明方法改进的模型。训练时的边界框回归函数曲线如图6所示，本实验的epoch(回合)数量设置为300，随着迭代次数的增加，边界框回归损失在不断地减少，并且模型在280个epoch后开始收敛，趋于稳定。结果显示se-yolov5收敛地很快，并且训练损失会收敛到一个稳定的值。