CN117974673A - 一种花色布匹瑕疵检测方法、系统及存储介质 - Google Patents
一种花色布匹瑕疵检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117974673A CN117974673A CN202410392152.4A CN202410392152A CN117974673A CN 117974673 A CN117974673 A CN 117974673A CN 202410392152 A CN202410392152 A CN 202410392152A CN 117974673 A CN117974673 A CN 117974673A
- Authority
- CN
- China
- Prior art keywords
- network
- yolov
- model
- layer
- cloth
- 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
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007547 defect Effects 0.000 title claims description 12
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 6
- 230000008447 perception Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/20—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及布匹瑕疵检测领域,具体涉及一种花色布匹瑕疵检测方法、系统及存储介质,包括如下步骤:S1:获取瑕疵布匹图像作为数据集,将所述数据集按比例划分为训练集、验证集和测试集;S2:YOLOv8s模型包括依次连接的输入端、骨干网络SPPF层、颈部网络和检测头部,在所述骨干网络SPPF层后添加BRA注意力模块;S3:在所述颈部网络中增加160X160的特征输出层,用于检测小目标瑕疵;S4:将所述检测头部更换为DyHead检测头;S5:在所述颈部网络采用BIFPN结构作为特征融合网络,得到改进后的YOLOv8s模型;S6:将所述训练集输入到改进后的YOLOv8s模型中,对改进后的YOLOv8s模型进行训练,并采用所述验证集验证检测效果。通过对YOLOv8s模型的改进,有效提高验布效率和检测精度。
Description
技术领域
本发明涉及布匹瑕疵检测领域,具体涉及一种花色布匹瑕疵检测方法、系统及存储介质。
背景技术
布匹质量的优劣能够决定纺织企业在市场上的竞争力,目前大多数纺织企业都采用人工验布的方法检测布匹瑕疵,然而这种方法耗费人力以及时间,很难保证检测的稳定性与准确性。
布匹瑕疵点的尺寸主要呈小型多样化,瑕疵种类繁多,形状各异。其中,某些瑕疵点具有极端的长宽比,而在一些背景复杂的布匹上,其复杂的背景花色会对瑕疵检测造成显著干扰。
发明内容
本发明的目的在于提供一种提高验布效率和提高检测精度的花色布匹瑕疵检测方法、系统及存储介质。
为了达到上述目的,本发明采用这样的技术方案:
一种花色布匹瑕疵检测方法,包括如下步骤:
S1:获取瑕疵布匹图像作为数据集,将所述数据集按比例划分为训练集、验证集和测试集;
S2:YOLOv8s模型包括依次连接的输入端、骨干网络SPPF层、颈部网络和检测头部,在所述骨干网络SPPF层后添加BRA注意力模块;
S3:在所述颈部网络中增加160X160的特征输出层,用于检测小目标瑕疵;
S4:将所述检测头部更换为DyHead检测头;
S5:在所述颈部网络采用BIFPN结构作为特征融合网络,得到改进后的YOLOv8s模型;
S6:将所述训练集输入到改进后的YOLOv8s模型中,对改进后的YOLOv8s模型进行训练,并采用所述测试集验证检测效果。
优选的,步骤S1中所述数据集按7:1:2划分为训练集、验证集和测试集。
优选的,所述数据集中瑕疵种类包括:沾污0、虫粘1、破洞2和网折3。
优选的,在步骤S2中在所述骨干网络SPPF层后添加BRA注意力模块的具体步骤如下:
S2-1:进行区域划分,将输入的特征图划分为S×S 个非重叠区域;
S2-2:通过线性映射生成查询、键和值;
S2-3:通过邻接矩阵构建有向图,找到各个键对应的值;
S2-4:采用平均池化处理查询与键,为每个区域生成对应的查询与键;
S2-5:对区域级的查询与键进行矩阵乘法,推导出关系矩阵;
S2-6:对所述关系矩阵进行稀疏化处理,保留每个关系矩阵中最相关的k个连接,形成索引矩阵;
S2-7:合并每个区域级索引矩阵中的键和值对应的向量,应用细粒度的Token-to-Token 注意力。
优选的,S3中在所述颈部网络中增加160X160的特征输出层的具体步骤如下:
S3-1:所述YOLOv8s模型的颈部网络中对输出的特征图进行两次采样后,继续做一次上采样;
S3-2:将步骤S3-1中第三次上采样的特征图与主干的P2层进行特征融合,组成一个160X160的特征输出层。
一种瑕疵检测系统,包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令,所述处理器中配置有经由执行所述可执行命令来实现上述任一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序执行时实现如上述任一项所述的方法。
通过采用前述设计方案,本发明的有益效果是:本发明在YOLOv8s模型的骨干网络SPPF层后添加BRA注意力模块,通过双层路由注意力机制,只关注与查询相关的前k个窗口,避免在最不相关的区域进行冗余计算,提高计算效率,减少计算量和内存占用,对于花色布匹瑕疵检测,能够更有效改善复杂花色背景的影响,提高检测精度;
通过在颈部网络中增加160X160的特征输出层,使改进后的YOLOv8s模型对小目标瑕疵更敏感,能够更好的检测花色布匹中的目标瑕疵;
通过将检测头部更换为DyHead检测头,能够通过统一尺度感知、空间感知和任务感知,以增强特征的表达能力,更好的检出布匹瑕疵和提高检测的精确度;
通过在颈部网络采用BIFPN结构作为特征融合网络,重新构造了自顶向下和自底向上的路线,对不同尺度的特征信息进行融合,通过上采样和下采样统一特征分辨率尺度,并且在同一尺度的特征图之间建立了双向连接,在一定程度上解决了特征信息丢失的问题,能够更好地融合不同尺寸特征图的特征信息。
附图说明
图1为本发明的算法流程图;
图2 为本发明改进后的YOLOv8s模型结构图;
图3为本发明的消融实验结果;
图4为本发明YOLOv8s模型改进前与YOLOv8s模型改进后的瑕疵类别测试结果;
图5为本发明YOLOv8s模型改进前与YOLOv8s模型改进后分别对花色布匹瑕疵检测结果。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种花色布匹瑕疵检测方法,如图1所示,包括如下步骤:
S1:获取瑕疵布匹图像作为数据集,将数据集按比例划分为训练集、验证集和测试集;本实施例中,步骤S1中数据集按7:1:2划分为训练集、验证集和测试集;数据集中瑕疵种类包括:沾污0、虫粘1、破洞2和网折3,也可根据实际使用需求增加或减少数据集中的瑕疵种类。
如图2所示,S2:YOLOv8s模型包括依次连接的输入端、骨干网络SPPF层、颈部网络和检测头部,在骨干网络SPPF层后添加BRA注意力(Bi-level Routing Attention)模块;
本实施例中,在步骤S2中在骨干网络SPPF层后添加BRA注意力模块的具体步骤如下:
S2-1:进行区域划分,将输入的特征图划分为S×S 个非重叠区域;
S2-2:通过线性映射生成查询Q、键K和值V,的生成公式如下:
;
;
;
其中,,/>分别为Q、K、V的权重投影,/>为给定特征图的子区域;
S2-3:通过邻接矩阵构建有向图,找到各个键对应的值;
S2-4:采用平均池化处理查询与键,为每个区域生成对应的查询与键;
S2-5:对区域级的查询与键进行矩阵乘法,推导出关系矩阵(即邻接矩阵);
S2-6:对关系矩阵进行稀疏化处理,保留每个关系矩阵中最相关的k个连接(即top-k 连接),形成索引矩阵;
S2-7:合并每个区域级索引矩阵中的键和值对应的向量,应用细粒度的Token-to-Token 注意力。本实施例中,利用区域间路由索引矩阵在各个令牌之间执行多头自关注,通过多头自关注的双层路由优化,优化公式如下:
;
其中,分别为聚合后的键和值的张量,/>为使用深度卷积的参数化。
S3:在颈部网络中增加160X160的特征输出层,用于检测小目标瑕疵;
本实施例中, S3中在颈部网络中增加160X160的特征输出层的具体步骤如下:
S3-1:YOLOv8s模型的颈部网络中对输出的特征图进行两次采样后,继续做一次上采样;
S3-2:将步骤S3-1中第三次上采样的特征图与主干的P2层进行特征融合,组成一个160X160的特征输出层,能够有效的检测花色布匹中的小目标瑕疵。
S4:将检测头部更换为DyHead检测头,DyHead检测头通过统一尺度感知、空间感知和任务感知,以增强特征的表达能力,更好的检测花色布匹中的瑕疵。
本实施例中,采用如下公式(1)实现DyHead检测头的更换:
(1);
其中W代表注意力函数,F为一个L*S*C的三维特征张量,其中L为特征图的层级,S代表特征图的宽高乘积,C代表特征图的通道数,和/>分别是尺度感知注意力模块、空间感知注意力模块以及任务感知注意力模块,每个注意力模块分别在L、S、C三个维度上执行;
其中和/>的公式如下:
;
;
;
其中,是一个线性函数,用于特征降维,σ(x)是 Hard-sigmoid 激活函数,K是稀疏采样位置的数量,/>是通过自学习空间偏移/>移位的位置,以聚焦于判别区域,并且/>是位置/>处的自学习重要性标量,两者都是从F的中值水平的输入特征中学习的;Fc是第c个通道的特征切片,/>是一个学习控制激活阈值的超函数;/>的实现类似于公式/>,它首先在L × S维度上进行全局平均池化以降低维度,然后使用两个全连接层和一个归一化层,最后应用移位的sigmoid函数将输出归一化为[-1,1]。
S5:在颈部网络采用BIFPN结构作为特征融合网络,允许特征信息在不同尺度间双向流动,提高特征融合的效率,从而提高目标检测性能,得到改进后的YOLOv8s模型。
本实施例中,在颈部网络采用BIFPN结构的实现过程为:加权特征金字塔网络(BiFPN)的网络结构将每个双向路径作为一个特征路径层,并且多次重复同一层次,以实现更高层次的特征融合,这样可以增强网络对特征融合的能力。BiFPN的加权特征融合公式如下:
;
其中,代表输出的权重,/>代表输入,/>为用于约束数值振荡的极小值学习率,/>、/>为权重。
S6:将训练集输入到改进后的YOLOv8s模型中,对改进后的YOLOv8s模型进行训练,并采用测试集验证检测效果。
本实施例中,改进后的YOLOv8s模型的训练使用的参数优化器为AdaW;学习率(lr0) 为0.001;余弦退火参数(lrf)为 0.01;学习率动量(momentum)为0.937;权重衰减系数(weight_decay)为0.0005;批量大小(batchsize)为8;输入图片尺寸(imgsz)为640×640;
实验环境为:CPU:Intel(R)Core(TM)i912900K;GPU:NVIDIA TX4090;CUDA版本为11.8;深度学习架为Pytorch 2.0.0 ;python版本为Python 3.9;训练次数为300轮。
本发明还对改进后的YOLOv8s模型的性能进行验证,改进后的YOLOv8s模型的map提高了9.7%,精确率提高了8.3%,召回率提升12.3%;综合而言,改进后的YOLOv8s模型模型在各个方面都优于原有的YOLOV8s模型。
如图3-图5所示,输出测试结果,能够明显看出在花色布匹的复杂背景上,小目标瑕疵能够被很好且有效的检测。
本实施例中还提供了一种用于实现上述方法的系统。
一种瑕疵检测系统,包括存储器和处理器,存储器中存储有处理器的可执行命令,处理器中配置有经由执行可执行命令来实现上述任一项所述的方法。
本实施例中,还提供了一种存储有能够实现上述方法的存储介质。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序执行时实现如上述任一项所述的方法。
综上所述,本发明在YOLOv8s模型的骨干网络SPPF层后添加BRA注意力模块,通过双层路由注意力机制,只关注与查询相关的前k个窗口,避免在最不相关的区域进行冗余计算,提高计算效率,减少计算量和内存占用,对于花色布匹瑕疵检测,能够更有效改善复杂花色背景的影响,提高检测精度;
通过在颈部网络中增加160X160的特征输出层,使改进后的YOLOv8s模型对小目标瑕疵更敏感,能够更好的检测花色布匹中的目标瑕疵;
通过将检测头部更换为DyHead检测头,能够通过统一尺度感知、空间感知和任务感知,以增强特征的表达能力,更好的检出布匹瑕疵和提高检测的精确度;
通过在颈部网络采用BIFPN结构作为特征融合网络,重新构造了自顶向下和自底向上的路线,对不同尺度的特征信息进行融合,通过上采样和下采样统一特征分辨率尺度,并且在同一尺度的特征图之间建立了双向连接,在一定程度上解决了特征信息丢失的问题,能够更好地融合不同尺寸特征图的特征信息。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种花色布匹瑕疵检测方法,其特征在于,包括如下步骤:
S1:获取瑕疵布匹图像作为数据集,将所述数据集按比例划分为训练集、验证集和测试集;
S2:YOLOv8s模型包括依次连接的输入端、骨干网络SPPF层、颈部网络和检测头部,在所述骨干网络SPPF层后添加BRA注意力模块;
S3:在所述颈部网络中增加160X160的特征输出层,用于检测小目标瑕疵;
S4:将所述检测头部更换为DyHead检测头;
S5:在所述颈部网络采用BIFPN结构作为特征融合网络,得到改进后的YOLOv8s模型;
S6:将所述训练集输入到改进后的YOLOv8s模型中,对改进后的YOLOv8s模型进行训练,并采用所述测试集验证检测效果。
2.如权利要求1所述的一种花色布匹瑕疵检测方法,其特征在于:步骤S1中所述数据集按7:1:2划分为训练集、验证集和测试集。
3.如权利要求1所述的一种花色布匹瑕疵检测方法,其特征在于:所述数据集中瑕疵种类包括:沾污0、虫粘1、破洞2和网折3。
4.如权利要求1所述的一种花色布匹瑕疵检测方法,其特征在于:在步骤S2中在所述骨干网络SPPF层后添加BRA注意力模块的具体步骤如下:
S2-1:进行区域划分,将输入的特征图划分为S×S 个非重叠区域;
S2-2:通过线性映射生成查询、键和值;
S2-3:通过邻接矩阵构建有向图,找到各个键对应的值;
S2-4:采用平均池化处理查询与键,为每个区域生成对应的查询与键;
S2-5:对区域级的查询与键进行矩阵乘法,推导出关系矩阵;
S2-6:对所述关系矩阵进行稀疏化处理,保留每个关系矩阵中最相关的k个连接,形成索引矩阵;
S2-7:合并每个区域级索引矩阵中的键和值对应的向量,应用细粒度的Token-to-Token 注意力。
5.如权利要求1所述的一种花色布匹瑕疵检测方法,其特征在于:S3中在所述颈部网络中增加160X160的特征输出层的具体步骤如下:
S3-1:所述YOLOv8s模型的颈部网络中对输出的特征图进行两次采样后,继续做一次上采样;
S3-2:将步骤S3-1中第三次上采样的特征图与主干的P2层进行特征融合,组成一个160X160的特征输出层。
6.一种瑕疵检测系统,其特征在于:包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令,所述处理器中配置有经由执行所述可执行命令来实现权利要求1至5任一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410392152.4A CN117974673A (zh) | 2024-04-02 | 2024-04-02 | 一种花色布匹瑕疵检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410392152.4A CN117974673A (zh) | 2024-04-02 | 2024-04-02 | 一种花色布匹瑕疵检测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974673A true CN117974673A (zh) | 2024-05-03 |
Family
ID=90851741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410392152.4A Pending CN117974673A (zh) | 2024-04-02 | 2024-04-02 | 一种花色布匹瑕疵检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974673A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987179A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质 |
CN114882011A (zh) * | 2022-06-13 | 2022-08-09 | 浙江理工大学 | 一种基于改进Scaled-YOLOv4模型的织物瑕疵检测方法 |
CN115049619A (zh) * | 2022-06-16 | 2022-09-13 | 浙江理工大学 | 一种针对复杂场景的高效瑕疵检测方法 |
CN116188419A (zh) * | 2023-02-21 | 2023-05-30 | 浙江理工大学桐乡研究院有限公司 | 一种可部署于嵌入式设备的轻量化布匹瑕疵检测方法 |
CN116740050A (zh) * | 2023-07-13 | 2023-09-12 | 淮阴工学院 | 一种基于改进的YOLOv5的织物瑕疵检测方法及装置 |
CN116934694A (zh) * | 2023-07-10 | 2023-10-24 | 浙江理工大学 | 一种布面疵点检测方法及系统 |
CN116958962A (zh) * | 2023-06-12 | 2023-10-27 | 西安工程大学 | 一种基于改进YOLOv8s的疏果前石榴果实检测方法 |
CN117152484A (zh) * | 2023-07-19 | 2023-12-01 | 南京林业大学 | 改进YOLOv5s的小目标布匹瑕疵检测方法 |
CN117173395A (zh) * | 2023-08-31 | 2023-12-05 | 淮阴工学院 | 一种YOLOv8部分卷积网络目标检测方法 |
US20240005131A1 (en) * | 2022-06-28 | 2024-01-04 | Google Llc | Attention neural networks with tree attention mechanisms |
CN117576540A (zh) * | 2023-11-29 | 2024-02-20 | 淮阴工学院 | 一种基于卷积神经网络的低照度目标检测方法 |
CN117789017A (zh) * | 2023-09-17 | 2024-03-29 | 河北科技大学 | 一种基于注意力机制的yolov7弓网电火花检测方法 |
-
2024
- 2024-04-02 CN CN202410392152.4A patent/CN117974673A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987179A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质 |
CN114882011A (zh) * | 2022-06-13 | 2022-08-09 | 浙江理工大学 | 一种基于改进Scaled-YOLOv4模型的织物瑕疵检测方法 |
CN115049619A (zh) * | 2022-06-16 | 2022-09-13 | 浙江理工大学 | 一种针对复杂场景的高效瑕疵检测方法 |
US20240005131A1 (en) * | 2022-06-28 | 2024-01-04 | Google Llc | Attention neural networks with tree attention mechanisms |
CN116188419A (zh) * | 2023-02-21 | 2023-05-30 | 浙江理工大学桐乡研究院有限公司 | 一种可部署于嵌入式设备的轻量化布匹瑕疵检测方法 |
CN116958962A (zh) * | 2023-06-12 | 2023-10-27 | 西安工程大学 | 一种基于改进YOLOv8s的疏果前石榴果实检测方法 |
CN116934694A (zh) * | 2023-07-10 | 2023-10-24 | 浙江理工大学 | 一种布面疵点检测方法及系统 |
CN116740050A (zh) * | 2023-07-13 | 2023-09-12 | 淮阴工学院 | 一种基于改进的YOLOv5的织物瑕疵检测方法及装置 |
CN117152484A (zh) * | 2023-07-19 | 2023-12-01 | 南京林业大学 | 改进YOLOv5s的小目标布匹瑕疵检测方法 |
CN117173395A (zh) * | 2023-08-31 | 2023-12-05 | 淮阴工学院 | 一种YOLOv8部分卷积网络目标检测方法 |
CN117789017A (zh) * | 2023-09-17 | 2024-03-29 | 河北科技大学 | 一种基于注意力机制的yolov7弓网电火花检测方法 |
CN117576540A (zh) * | 2023-11-29 | 2024-02-20 | 淮阴工学院 | 一种基于卷积神经网络的低照度目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400930B (zh) | 基于虚实孪生空间的电力设备小样本故障诊断方法及系统 | |
CN109993825B (zh) | 一种基于深度学习的三维重建方法 | |
US20210020360A1 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
CN110728219B (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
CN113361560B (zh) | 一种基于语义的多姿势虚拟试衣方法 | |
CN110852267B (zh) | 基于光流融合型深度神经网络的人群密度估计方法及装置 | |
CN110532968A (zh) | 表格识别方法、装置和存储介质 | |
CN108010029A (zh) | 基于深度学习和支持向量数据描述的织物疵点检测方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN112085072A (zh) | 基于时空特征信息的草图检索三维模型的跨模态检索方法 | |
CN116402766A (zh) | 一种结合卷积神经网络和Transformer的遥感影像变化检测方法 | |
AU2012312896B2 (en) | Bayesian approach for gas concentration reconstruction based on tunable diode laser absorption spectroscopy | |
KR20230173649A (ko) | 포토리소그래피 마스크 생성 모델의 훈련 방법, 장치,기기 및 저장 매체 | |
CN114913379A (zh) | 基于多任务动态对比学习的遥感图像小样本场景分类方法 | |
CN114092329B (zh) | 一种基于亚像素神经网络的超分辨荧光显微成像方法 | |
CN116977872A (zh) | 一种CNN+Transformer遥感图像检测方法 | |
Yan et al. | Plenvdb: Memory efficient vdb-based radiance fields for fast training and rendering | |
Cheng et al. | EDGCNet: Joint dynamic hyperbolic graph convolution and dual squeeze-and-attention for 3D point cloud segmentation | |
CN114972332A (zh) | 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法 | |
CN115019093A (zh) | 一种基于散点图的分类网络辅助分析方法及装置 | |
Xu et al. | Diffusion probabilistic modeling for fine-grained urban traffic flow inference with relaxed structural constraint | |
WO2024067716A1 (zh) | 一种网格重建方法、装置、设备和存储介质 | |
CN117974673A (zh) | 一种花色布匹瑕疵检测方法、系统及存储介质 | |
Xue | [Retracted] Research on Information Visualization Graphic Design Teaching Based on DBN Algorithm | |
CN105426626B (zh) | 基于相似数据样式聚类的多点地质统计学建模方法 |
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 |