[发明专利]一种基于改进YOLOv3的皮革瑕疵检测方法及系统

权利要求书

1.一种基于改进YOLOv3的皮革瑕疵检测方法，其特征在于，所述方法包括以下步骤：

构建样本皮革瑕疵图像数据集，并对数据集中的皮革瑕疵进行边框标注；

将边框标注后的样本皮革瑕疵图像数据集划分为训练集、验证集和测试集；

构建YOLOv3目标神经网络模型，基于kmeans聚类算法及标签平滑技术，改进YOLOv3目标神经网络模型；

利用训练集对改进的YOLOv3目标神经网络模型进行训练，并通过验证集验证训练中的YOLOv3目标神经网络模型的性能，得到最终训练好的YOLOv3目标神经网络模型；

基于训练好的YOLOv3目标神经网络模型，对测试集图像数据进行皮革瑕疵检测。

2.根据权利要求1所述的基于改进YOLOv3的皮革瑕疵检测方法，其特征在于，所述数据集中的皮革瑕疵的类型包括：bubble气泡、dirt污渍、stripe条纹、hole孔洞、ribbon色线。

3.根据权利要求1所述的基于改进YOLOv3的皮革瑕疵检测方法，其特征在于，将样本皮革瑕疵图像数据集划分为训练集、验证集和测试集时，划分到训练集、验证集和测试集中的样本皮革瑕疵图像均通过随机抽样法从样本皮革瑕疵图像数据集中获得。

4.根据权利要求1所述的基于改进YOLOv3的皮革瑕疵检测方法，其特征在于，所述构建的YOLOv3目标神经网络模型包括Darknet53特征提取模块、多尺度预测与特征融合模块，Darknet53特征提取模块用于提取样本皮革瑕疵图像特征，Darknet53特征提取模块提取样本皮革瑕疵图像特征后，将样本皮革瑕疵图像特征输出至多尺度预测与特征融合模块，多尺度预测与特征融合模块包括三个卷积层网络Convs及检测输出层，Darknet-53特征提取模块提取样本皮革瑕疵图像特征后，输出三个预测尺度的样本皮革瑕疵图像特征，三个预测尺度的样本皮革瑕疵图像特征经过三个卷积层网络Convs后，每一个卷积层网络Convs的一条分支输出为检测输出，另一条经过2倍上采样与Darknet-53特征提取模块输出的三个预测尺度的样本皮革瑕疵图像特征进行特征融合，最后通过检测输出层识别瑕疵。

5.根据权利要求4所述的基于改进YOLOv3的皮革瑕疵检测方法，其特征在于，Darknet-53特征提取模块包括依次连接的初始卷积层、第一残差单元、第二残差单元、第三残差单元、第四残差单元及第五残差单元，第一残差单元包括依次连接的第一单独卷积层及第一重复执行卷积层1x，第二残差单元包括依次连接的第二单独卷积层及第二重复执行卷积层2x，第三残差单元包括依次连接的第三单独卷积层及第三重复执行卷积层8x，第四残差单元包括依次连接的第四单独卷积层及第四重复执行卷积层8x，第五残差单元包括依次连接的第五单独卷积层及第五重复执行卷积层4x；所述初始卷积层是通道为32、size为3*3的卷积核，输入为样本皮革瑕疵图像数据集，第一重复执行卷积层1x、第二重复执行卷积层2x、第三重复执行卷积层8x、第四重复执行卷积层8x及第五重复执行卷积层4x分别重复执行1次、2次、8次、8次、4次，滤波器数量先减半，再恢复，一共是52层；多尺度预测与特征融合模块的输入包括第五重复执行卷积层4x输出的第一预测尺度Scale1样本皮革瑕疵图像特征、第四重复执行卷积层8x输出的第二预测尺度Scale2样本皮革瑕疵图像特征及第三重复执行卷积层8x输出的第三预测尺度Scale3样本皮革瑕疵图像特征。