CN116740050B 一种基于改进的YOLOv5的织物瑕疵检测方法及装置 （淮阴工学院）

一种基于改进的YOLOv5的织物瑕疵检测方本发明公开一种基于改进的YOLOv5的织物建好的YOLOv5+DCN+BiFormer+Decoupled织物瑕处理后的待检测织物瑕疵图片输入最优权重模2(4)构建改进的YOLOv5模型：将YOLOv5模型中的在线增强mosic_4替换成mo(5)将步骤(3)获取的织物瑕疵训练集通过改进的YOLOv5模型训练并通过验证集验证，获得用于织物瑕疵检测的改进的YOLOv5的步骤(4)所述在特征融合的颈部网络Neck中加入卷积注意力模块Biformer实现过程如在检测网络head的第十层下添加注意力Biformer模块，该模块在开始时使用3x3深度在head层的特征融合中引入Efficient解耦头，替换检测网络head的Detcect模块为根据数据集中的图片数据defect_Images和标注信息json文件，转换成对应的GT框信从数据集中随机选择一个点作为第一个聚类中心，根据瑕疵的GT框的宽和高，使用于标注信息json文件提取GT框的信息，每个目标GT框被标记为(class，x_center，y_3处理器，用于在运行所述计算机程序时，执行如权利要求1_5任一项所述基于改进的至少一个处理器执行时实现如权利要求1_5任一项所述基于改进的YOLOv5的织物瑕疵检测4[0002]纺织业是中国历史悠久的传统支柱产业，作为全球最大的纺织品生产国和出口疵将会导致其售价下降约50％左右,严重时会导致产品滞销，这将会给纺织企业带来巨大[0009](4)构建改进的YOLOv5模型：将YOLOv5模型中的在线增强mosic_4替换成mosic_9[0010](5)将步骤(3)获取的织物瑕疵训练集通过改进的YOLOv5模型训练并通过验证集[0013]根据数据集中的图片数据defect_Images和标注信息json文件，转换成对应的GT5[0020]进一步地，步骤(4)所述在特征融合的颈部网络Neck中加入卷积注意力模块比为e的MLP模块进行跨位置关系建模和[0023]进一步地，对于标注信息json文件提取GT框的信息，每个目标GT框被标记为6[0043]步骤1：收集织物瑕疵数据集，采用阿里天池数据集,根据数据集中的图片数据defect_Images和标注信息json文件,并根据模型要求转换成对应的GT框信息,得到image[0044]对于标注信息json文件提取GT框的信息，每个目标GT框被标记为(class，x_7[0049]首先从数据集中随机选择一个点作为第一个聚类中心，根据瑕疵的GT框的宽和过Kmeans++算法聚类对瑕疵GT框得到7个先验框尺寸(52,2393),(977,591),(62,576),[0051]步骤4：构建改进的YOLOv5模型，将YOLOv5模型中的在线增强mosic_4替换成征融合的颈部网络Neck中加入卷积注意力模块(Biformer)；在检测网络head中引入[0053]在特征提取的主干网络backbone层中引入可变形卷积(DCNV3)，是对将backbone8[0059]BRA是Biformer的关键模块，它的核心思想是在粗粒度的区域级别过滤掉最不相decoupledhead是一个采用混合通道策略来构建更高效的解耦Head，Efficient[0063]为了证明所提方法的性能，使用YOLOv5+DCN+BiFormer+Decoupled织物瑕疵检测网络对处理好的织物瑕疵数据集进行训练，得到实验结果表2所示，数据结果包含准确率用基础YOLOv5网络对织物瑕疵数据集的运行结果图，图8中(b)是使用了YOLOv5+DCN+9序被至少一个处理器执行时实现上述基于改进的YOLOv5的织物