CN115222705A - 基于改进yolov5的化纤丝饼外观缺陷检测方法 - Google Patents

基于改进yolov5的化纤丝饼外观缺陷检测方法 Download PDF

Info

Publication number
CN115222705A
CN115222705A CN202210867261.8A CN202210867261A CN115222705A CN 115222705 A CN115222705 A CN 115222705A CN 202210867261 A CN202210867261 A CN 202210867261A CN 115222705 A CN115222705 A CN 115222705A
Authority
CN
China
Prior art keywords
chemical fiber
fiber spinning
images
model
yolov5
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210867261.8A
Other languages
English (en)
Inventor
周柔刚
袁贤琪
孙思聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Huicui Intelligent Technology Co ltd
Hangzhou Dianzi University
Original Assignee
Hangzhou Huicui Intelligent Technology Co ltd
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Huicui Intelligent Technology Co ltd, Hangzhou Dianzi University filed Critical Hangzhou Huicui Intelligent Technology Co ltd
Priority to CN202210867261.8A priority Critical patent/CN115222705A/zh
Publication of CN115222705A publication Critical patent/CN115222705A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了基于改进YOLOV5的化纤丝饼外观缺陷检测方法，包括以下步骤：S1，搭建机器视觉检测平台，实时采集化纤丝饼的图像；S2，将采集到的化纤丝饼图像数据集进行划分和标注；S3，建立改进YOLOV5深度学习神经网络检测模型；S4，使用改进YOLOV5深度学习神经网络检测模型对数据集进行训练；S5，对待检测的化纤丝饼实时进行图像获取，进行化纤丝饼外观是否存在缺陷的识别，得到并输出识别结果，由计算机控制后续的机械机构进行自动分类。本发明能同时检测多个方位、多个缺陷，且选用了YOLOV5模型，并对其模型进行了一定的改进，大大提升了检测的效率与准确性。

Description

基于改进YOLOV5的化纤丝饼外观缺陷检测方法
技术领域
本发明属于机器视觉检测技术领域，涉及一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法。
背景技术
化纤长丝是日常生活中的纺织品的重要原材料，为了便于存放和运输，通常将其卷绕在纸筒上形成化纤丝饼。然而在化纤长丝生成以及丝饼卷绕的过程中，由于过程中速度过快、生产环境、机器存污渍、操作不当、张力不一致、组件状态不良、假捻不充分以及纸管跳动等原因，导致生产出来的化纤丝饼表面会存在污渍、绊丝、分层以及毛丝等缺陷。这些缺陷对于后续的丝织品加工以及织物的质量都有很大的影响，进而对于企业的生产效益也会产生影响。因此，化纤丝饼外观是否存在缺陷已经成为亟待解决的问题。
目前对于化纤丝饼外观是否存在缺陷的检测手段主要是通过传统的人工肉眼检测，通过人工对化纤丝饼的外观进行逐个查看，凭借肉眼检测化纤丝饼外观是否存在缺陷。由于该检测方法工作量大且效率较低，而且工人长时间工作后会产生视觉疲劳，进而对检测效果产生重要影响。其次，长时间处于嘈杂昏暗的环境下进行重复的检测工作对于人的身体健康也会造成很大危害。此外，化纤丝饼表面是否存在缺陷很大程度依赖于人的主观意识，不同的工人对于表面的缺陷判断标准很难统一。
因此，迫切需要一种高效、可靠、准确性高的自动化检测方法来代替传统的人工检测。
发明内容
为解决上述问题，本发明提供一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，包括以下步骤：
S1，搭建机器视觉检测平台，实时采集化纤丝饼的图像；
S2，将采集到的化纤丝饼图像数据集进行划分和标注；
S3，建立改进YOLOV5深度学习神经网络检测模型；
S4，使用改进YOLOV5深度学习神经网络检测模型对数据集进行训练；
S5，对待检测的化纤丝饼实时进行图像获取，进行化纤丝饼外观是否存在缺陷的识别，得到并输出识别结果，由计算机控制后续的机械机构进行自动分类。
优选地，所述S1中所述机器视觉检测平台包括输送带、丝饼托盘、机器框架、工业相机、定制光源以及计算机，待检测的化纤丝饼放置在丝饼托盘上，随输送带地运动而运动；计算机与工业相机和定制光源分别连接，输送带从机器框架中间穿过。
优选地，所述机器视觉检测平台包括工位一处和工位二处，工位一处为检测化纤丝饼侧面，定制光源为箱型光源，固定在机器框架的边处，设置四个工业相机互成90度固定在机器框架的四侧边中央位置；工位二处为检测化纤丝饼上端面以及下端面，上方设置的定制光源为环形光源，下方设置的定制光源为两个180度弧形光源，化纤丝饼上方设置的工业相机固定在环形光源上方的机器框架上，化纤丝饼下方设置的工业相机固定在输送带的上方两边，化纤丝饼的上端面和下端面各设置有两个工业相机用来拍摄两端面的侧视图片。
优选地，所述S2具体包括以下步骤：
S201，将采集到的图像进行筛选，采集若干种类存在化纤丝饼外观缺陷的图像，包括干扰检测的图像；
S202，将筛选出来的图像进行裁剪，将不感兴趣的区域尽量裁剪掉；
S203，将处理好的图像作通过数据增强的方法进行扩充得到数据集；
S204，将数据集随机划分为训练集、验证集以及测试集，比例为7：2：1；
S205，使用Labelimg对训练集以及验证集中的图像用矩形框进行标注，标注出化纤丝饼外观缺陷以及干扰所在的区域，并将其坐标存入对应的文件中。
优选地，所述S201中还保留若干没有缺陷及干扰的图片用来作为背景图片，比例不超过10％。
优选地，所述S3中包括将标准YOLOV5模型中的PANet层改为BiFPN。
优选地，所述S3中还包括将标准YOLOV5模型中的CIOU损失函数改为EIOU损失函数。
优选地，所述S3中还包括增加注意力机制，将注意力通道分解为两个并行的特征，然后将其整合到注意力图中。
优选地，所述S4具体包括以下步骤：
S401，对数据集中的图像进行归一化处理，对化纤丝饼外观图像使用双线性插值法，将图像等比缩放填入像素640*640的空白图像中，空白处使用(128，128，128)灰色图像填充；
S402，对训练集中的图像采用Mosaic方法进行数据增强，该方法随机对一张图片进行缩放、剪切、变形以及旋转，或者对多张图像进行随机排布、融合，得到一张新图片；
S403，在改进YOLOV5深度学习神经网络检测模型中设置相应参数，设置数据集中训练集以及验证集的路径，设置对应的配置文件以及预训练模型，将epochs设置为300，batch_size根据选用的预训练模型以及训练平台对应的GPU设置对应大小的值，该值需为2的整数次方；
S404，在搭建好的训练环境下，启用S3中改进YOLOV5深度学习神经网络，在GPU加速条件下进行训练，得到训练好的模型；
S405，重复10次S403和S404，得到的10个训练好的模型，分别用这10个模型对S204中划分出来测试集进行测试，对比测试结果，选用测试结果最好的模型作为最终模型。
优选地，所述S5中，计算机根据识别结果输出一个信号，控制后方输送带上的一个挡板，通过这个挡板将化纤丝饼划分为残次品以及优品，然后进入不同的输送带。
本发明有益效果至少包括：本发明采取了多工位、多工业相机同时工作的方法，能同时检测多个方位、多个缺陷，且选用了YOLOV5模型，并对其模型进行了一定的改进，大大提升了检测的效率与准确性；本发明具有非接触、鲁棒性强、效率高、适应性强、易调整等优点，并且可以相当于多个工人一起工作，如果与其他自动化产线相结合，就能节省更多人力，将工人从繁重、有害健康的工作中解放出来。
附图说明
图1为本发明基于改进YOLOV5的化纤丝饼外观缺陷检测方法的步骤流程图；
图2为本发明基于改进YOLOV5的化纤丝饼外观缺陷检测方法的机器视觉检测平台工位一处结构示意图；
图3为本发明基于改进YOLOV5的化纤丝饼外观缺陷检测方法的机器视觉检测平台工位二处结构示意图；
图4为本发明基于改进YOLOV5的化纤丝饼外观缺陷检测方法的S2具体流程图；
图5为本发明基于改进YOLOV5的化纤丝饼外观缺陷检测方法的S4具体流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1，为本发明实施例的本发明的技术方案为基于改进YOLOV5的化纤丝饼外观缺陷检测方法的示意图，包括以下步骤：
S1，搭建机器视觉检测平台，实时采集化纤丝饼的图像，并将其传输入计算机；
S2，将采集到的化纤丝饼图像数据集进行划分和标注；
S3，建立改进YOLOV5深度学习神经网络检测模型；
S4，使用改进YOLOV5深度学习神经网络检测模型对数据集进行训练；
S5，对待检测化纤丝饼实时进行图像获取，进行化纤丝饼外观是否存在缺陷的识别，得到并输出识别结果，由计算机控制后续的机械机构进行自动分类。
参见图2、图3，S1中所述机器视觉检测平台包括输送带1、丝饼托盘2、机器框架、工业相机5、定制光源4以及计算机，化纤丝饼3将会被逐一放置在丝饼托盘2之上，随着输送带1的运动而运动，当其经过工位一处以及工位二处时，工业相机5将会在计算机的控制下采集图像，工位一处为检测化纤丝饼侧面外观缺陷，工位二处为检测丝饼上端面以及下端面外观缺陷。
其中，工位一处的具体位置关系参照图2所示，650mm*650mm定制箱型光源4于输送带1上方固定在机器框架上，两个侧面会开对应的足够化纤丝饼3与丝饼托盘2通过的缺口，四个角落也会开对应的缺口让工业相机5能够拍摄到内部图像；工业相机5的工作距离为260mm，镜头选用6mm焦距，四个工业相机5互成90度，对准化纤丝饼3侧面中心，并固定在对应的工业相机5支架上，再固定在机器框架上。
其中，工位二处的具体位置关系参照图3所示，距离化纤丝饼3上端面110mm处固定直径为350mm的环形光源41(定制光源4的具体实施例)，距离上端面260mm处固定工业相机5，镜头选用6mm焦距，环形光源41与工业相机5镜头应对准化纤丝饼3中心点。距离化纤丝饼3的下端面110mm处两边固定半径为175mm的180度弧形定制光源42(定制光源4的具体实施例)，两光源之间的距离应确保化纤丝饼3与丝饼托盘2能够正常通过，距离下端面240mm处两边固定工业相机5，镜头选用6mm焦距，两工业相机5的镜头需对准弧形光源的对称线，并保证两者所获取的图像加在一起能覆盖化纤丝饼3下端面的所有区域。距上下端面的侧面500mm处各有两个工业相机5用来拍摄端面侧面图片，确保化纤丝饼3与丝饼托盘2能够正常通过，且工业相机5能排到完整的各自所在的端面的对应侧边的图片。
其中，工位一与工位二所有工业相机都与计算机相连，并由计算机控制。
参见图4，S2包括以下步骤：
S201，将采集到的图像进行筛选，尽可能多的采集存在化纤丝饼外观缺陷的图像，尽量涵盖每种缺陷的不同样式，且有部分会干扰检测的图像也需要采集，此外还需保留一部分没有缺陷以及干扰的图片用来作为背景图片，比例不超过10％，使最后训练得到的模型的准确性尽可能高；
S202，将筛选出来的图像进行裁剪，将不感兴趣的区域尽量裁剪掉，保证主体化纤丝饼尽可能的占据图片的大部分区域；
S203，将处理好的图像作通过数据增强的方法进行扩充得到数据集；
S204，将数据集随机划分为训练集、验证集以及测试集，比例为7：2：1；
S205，使用开源标注软件Labelimg对训练集以及验证集中的图像用矩形框进行标注出化纤丝饼外观缺陷以及干扰所在的区域，并将其坐标存入对应的文件中。
具体实施例中，S201，所述化纤丝饼待检测的缺陷，工位一处为污渍缺陷，工位二处端面图为分层、绊丝、污渍，工位二侧面图为毛丝，此外干扰为多出来的化纤长丝以及蚊虫等。背景图片的比例取5％。
S202，所述不感兴趣的区域即为与被检测物体无关的区域，在本实例中为初丝饼以外的机械机构、丝饼托盘等。
S203，所述数据增强，选用改变图像亮度，改变图像对比度、图像翻转以及将图片旋转180度的方法，将数据集扩展到原先的5倍。
S204，所述随机划分，先按照缺陷类型以及同一缺陷的具体类别进行分类，对分类后的图像以及标签文件使用算法进行随机划分为训练集、验证集以及测试集，确保训练集、验证集以及测试集中各种缺陷以及具体类别的比例都大致相同，再将同一位置的图片归在一起作为训练集、验证集以及测试集。
S205，所述标注出来的坐标格式为(x,y,w,h)，其中x,y为标注矩形框的左上角坐标，w,h为矩形框的长和宽，存入对应txt文件中后会有五个数字，按顺序分别为，矩形框所对应的标注类别，x,y,w,h。
S3中，为了提升模型的检测准确度，对原有YOLOV5模型的改进如下：将原YOLOV5模型中的PANet层修改为BiFPN；将原YOLOV5模型中的CIOU损失函数修改为EIOU损失函数；增加注意力机制CA。
具体地，为了提升模型的检测准确度，所述S3对原有YOLOV5模型的改进如下：
(1)将原YOLOV5模型中的PANet层修改为BiFPN。对于多尺度融合，在融合不同的输入特征时，由于这些不同的输入特征具有不同的分辨率，它们对融合输出特征的贡献往往是不平等的，因此引入加权双向特征金字塔网络BiFPN，它引入可学习的权值来学习不同输入特征的重要性，同时反复应用多尺度特征融合。特征融合的公式如下：
Figure BDA0003759108040000071
其中，resize操作通常是upsampling，P3-P7是输入图像的下采样。
再加上一个可学习的权重，公式如下：
Figure BDA0003759108040000072
为了保证wight的值大于0，其前面的函数需为ReLu函数。
(2)将原YOLOV5模型中的CIOU损失函数修改为EIOU损失函数。CIOU损失函数能反映纵横比的差异，但却无法反映高宽与其置信度的真实差异，而EIOU损失函数就是在此基础上将纵横比拆开得到的。其中EIOU损失函数的惩罚项公式如下：
Figure BDA0003759108040000081
其中LIOU为重叠损失，Ldis为中心距损失，Lasp为宽高损失，IOU为预测框与真实框的交集和预测框与真实框的并集的比值，ρ代表其中两个元素之间的欧式距离，b、bgt分别代表预测中心坐标和真实目标边界框中心的参数，c代表预测框与真实框的最小外接矩形对角线长度，w、h分别为预测框的两边边长，wgt、hgt分别为真实框的两边边长，Cw、C5分别是两个矩形框的闭包的宽和高。
(3)增加注意力机制CA(Coordinate Attention)。其目的是为了缓解2D全局化造成的位置信息丢失，将注意力通道分解为两个并行的1D特征，然后将其整合到注意力图中。具体来说就是将输入的X，先使用(h，1)和(1，w)的池化核沿坐标对每个通道进行编码，然后沿着各自的空间方向实现特征聚合，然后就会返回各自的方向感知注意力图。然后通过对这两个特征图进行处理，即可生成注意力权重。
参见图5，S4包括以下步骤：
S401，对数据集中的图像进行归一化处理，对化纤丝饼外观图像使用双线性插值法，将图像等比缩放填入像素640*640的空白图像中，空白处使用(128，128，128)灰色图像填充；
S402，对训练集中的图像采用Mosaic方法进行数据增强，该方法会随机对一张图片进行缩放、剪切、变形以及旋转等方法，或者对多张图像进行随机排布、融合等方法，得到一张新图片；
S403，在改进YOLOV5模型中设置相应参数，设置数据集中训练集以及验证集的路径，设置对应的配置文件以及预训练模型，将epochs设置为300，batch_size根据选用的预训练模型以及训练平台对应的GPU设置对应大小的值，该值需为2的整数次方，且越大越好；
S404，在搭建好的训练环境下，启用改进YOLOV5深度学习神经网络，在GPU加速条件下进行训练，然后就能得到训练好的模型；
S405，重复10次S403和S404步骤，得到的10个训练好的模型，分别用这10个模型对S204中划分出来测试集进行测试，对比测试结果，选用测试效果最好的模型作为最终模型。
具体实施中，将Mosaic中的缩放、剪切、变形、旋转、随机排布以及图像融合功能开启；配置文件以及预训练模型都选用YOLOV5m，batch_size选用16；在每次训练完成之后，根据本次训练的P、R和MAP@0.5值以及confusion_matrix图像，可以大概判断这10个模型的效果好坏，再分别用这10个模型对S204中划分出来测试集进行测试，对比测试结果，选用测试效果最好的模型作为最终模型。
S5中，计算机会根据识别结果输出一个信号，控制后方输送带上的一个挡板，通过这个挡板将化纤丝饼划分为残次品以及优品，然后进入不同的输送带。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，包括以下步骤：
S1，搭建机器视觉检测平台，实时采集化纤丝饼的图像；
S2，将采集到的化纤丝饼图像数据集进行划分和标注；
S3，建立改进YOLOV5深度学习神经网络检测模型；
S4，使用改进YOLOV5深度学习神经网络检测模型对数据集进行训练；
S5，对待检测的化纤丝饼实时进行图像获取，进行化纤丝饼外观是否存在缺陷的识别，得到并输出识别结果，由计算机控制后续的机械机构进行自动分类。
2.根据权利要求1所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S1中所述机器视觉检测平台包括输送带、丝饼托盘、机器框架、工业相机、定制光源以及计算机，待检测的化纤丝饼放置在丝饼托盘上，随输送带地运动而运动；计算机与工业相机和定制光源分别连接，输送带从机器框架中间穿过。
3.根据权利要求2所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述机器视觉检测平台包括工位一处和工位二处，工位一处为检测化纤丝饼侧面，定制光源为箱型光源，固定在机器框架的边处，设置四个工业相机互成90度固定在机器框架的四侧边中央位置；工位二处为检测化纤丝饼上端面以及下端面，上方设置的定制光源为环形光源，下方设置的定制光源为两个180度弧形光源，化纤丝饼上方设置的工业相机固定在环形光源上方的机器框架上，化纤丝饼下方设置的工业相机固定在输送带的上方两边，化纤丝饼的上端面和下端面各设置有两个工业相机用来拍摄两端面的侧视图片。
4.根据权利要求1所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S2具体包括以下步骤：
S201，将采集到的图像进行筛选，采集若干种类存在化纤丝饼外观缺陷的图像，包括干扰检测的图像；
S202，将筛选出来的图像进行裁剪，将不感兴趣的区域尽量裁剪掉；
S203，将处理好的图像作通过数据增强的方法进行扩充得到数据集；
S204，将数据集随机划分为训练集、验证集以及测试集，比例为7：2：1；
S205，使用Labelimg对训练集以及验证集中的图像用矩形框进行标注，标注出化纤丝饼外观缺陷以及干扰所在的区域，并将其坐标存入对应的文件中。
5.根据权利要求4所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S201中还保留若干没有缺陷及干扰的图片用来作为背景图片，比例不超过10％。
6.根据权利要求1所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S3中包括将标准YOLOV5模型中的PANet层改为BiFPN。
7.根据权利要求6所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S3中还包括将标准YOLOV5模型中的CIOU损失函数改为EIOU损失函数。
8.根据权利要求7所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S3中还包括增加注意力机制，将注意力通道分解为两个并行的特征，然后将其整合到注意力图中。
9.根据权利要求8所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S4具体包括以下步骤：
S401，对数据集中的图像进行归一化处理，对化纤丝饼外观图像使用双线性插值法，将图像等比缩放填入像素640*640的空白图像中，空白处使用(128，128，128)灰色图像填充；
S402，对训练集中的图像采用Mosaic方法进行数据增强，该方法随机对一张图片进行缩放、剪切、变形以及旋转，或者对多张图像进行随机排布、融合，得到一张新图片；
S403，在改进YOLOV5深度学习神经网络检测模型中设置相应参数，设置数据集中训练集以及验证集的路径，设置对应的配置文件以及预训练模型，将epochs设置为300，batch_size根据选用的预训练模型以及训练平台对应的GPU设置对应大小的值，该值需为2的整数次方；
S404，在搭建好的训练环境下，启用S3中改进YOLOV5深度学习神经网络，在GPU加速条件下进行训练，得到训练好的模型；
S405，重复10次S403和S404，得到的10个训练好的模型，分别用这10个模型对S204中划分出来测试集进行测试，对比测试结果，选用测试结果最好的模型作为最终模型。
10.根据权利要求1所述的一种基于改进YOLOV5的化纤丝饼外观缺陷检测方法，其特征在于，所述S5中，计算机根据识别结果输出一个信号，控制后方输送带上的一个挡板，通过这个挡板将化纤丝饼划分为残次品以及优品，然后进入不同的输送带。
CN202210867261.8A 2022-07-22 2022-07-22 基于改进yolov5的化纤丝饼外观缺陷检测方法 Pending CN115222705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210867261.8A CN115222705A (zh) 2022-07-22 2022-07-22 基于改进yolov5的化纤丝饼外观缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210867261.8A CN115222705A (zh) 2022-07-22 2022-07-22 基于改进yolov5的化纤丝饼外观缺陷检测方法

Publications (1)

Publication Number Publication Date
CN115222705A true CN115222705A (zh) 2022-10-21

Family

ID=83613915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210867261.8A Pending CN115222705A (zh) 2022-07-22 2022-07-22 基于改进yolov5的化纤丝饼外观缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115222705A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563276A (zh) * 2023-07-05 2023-08-08 菲特（天津）检测技术有限公司 一种化纤长丝在线缺陷检测方法及检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563276A (zh) * 2023-07-05 2023-08-08 菲特（天津）检测技术有限公司 一种化纤长丝在线缺陷检测方法及检测系统
CN116563276B (zh) * 2023-07-05 2023-09-01 菲特（天津）检测技术有限公司 一种化纤长丝在线缺陷检测方法及检测系统

Similar Documents

Publication Publication Date Title
CN109342456B (zh) 一种焊点缺陷检测方法、装置、设备及可读存储介质
JP7004145B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN108355981B (zh) 一种基于机器视觉的电池连接器质量检测方法
CN111709948B (zh) 容器瑕疵检测方法和装置
CN109671058B (zh) 一种大分辨率图像的缺陷检测方法及系统
CN113505865B (zh) 一种基于卷积神经网络的片材表面缺陷图像识别处理方法
CN105740910A (zh) 一种车辆物件检测方法及装置
US10726535B2 (en) Automatically generating image datasets for use in image recognition and detection
CN112053317A (zh) 一种基于级联神经网络的工件表面缺陷检测方法
CN114359245A (zh) 一种工业场景下产品表面缺陷检测方法
CN112200790B (zh) 布料缺陷检测方法、设备和介质
CN115049619B (zh) 一种针对复杂场景的高效瑕疵检测方法
CN115829995A (zh) 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统
CN115222705A (zh) 基于改进yolov5的化纤丝饼外观缺陷检测方法
CN114549507A (zh) 改进Scaled-YOLOv4的织物瑕疵检测方法
CN115187544A (zh) 基于DR-RSBU-YOLOv5的织物瑕疵检测方法
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN114494250A (zh) 基于神经网络模型的地板缺陷检测方法
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN110458231B (zh) 一种陶瓷产品检测方法、装置和设备
CN116824273A (zh) 一种航空制造件任意视角二维投影图像面片属性判断方法
CN116106319A (zh) 一种合成革瑕疵自动化检测方法及系统
CN113592859B (zh) 一种基于深度学习的用于显示面板缺陷的分类方法
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统
Niskanen et al. Experiments with SOM based inspection of wood

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination