[发明专利]一种基于改进YOLOv3的皮革瑕疵检测方法及系统

说明书

本发明提出一种基于改进YOLOv3的皮革瑕疵检测方法及系统，涉及皮革瑕疵检测的技术领域，首先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，将数据集划分为训练集、验证集和测试集；然后构建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，得到训练好的YOLOv3目标神经网络模型；最后基于训练好的模型，对测试集图像数据进行皮革瑕疵检测。本发明通过改进YOLOv3提高了模型的泛化性，降低了瑕疵误检漏检概率，进一步提高了皮革瑕疵检测的准确率。

技术领域

本发明涉及皮革瑕疵检测的技术领域，更具体地，涉及一种基于改进YOLOv3的皮革瑕疵检测方法及系统。

背景技术

皮革是由塑料异型材料构成的人造革产品。随着科学技术的不断发展以及人们生活品质的提升，人们对皮革的表面质量要求也越来越高，如汽车内饰皮革是其必不可少的装饰配件,汽车购买者对乘用小汽车内饰皮革的要求越来越挑剔，而蚊虫叮咬或加工过程的精细不足可能会使得原始皮革表面不可避免地产生各种缺陷,如孔洞、条纹、划伤﹑气泡﹑垫伤等，这些缺陷将严重影响皮革的表面质量，因此，皮革瑕疵检测对保证皮革成品的优良品质至关重要，皮革瑕疵检测已然成为皮革生产和质量管理的重要环节。

传统的皮革瑕疵检测方法主要是人工检测，人工检测的效率低下，而且准确率较低。为克服当前人工检测方式的缺陷，基于深度学习的瑕疵检测方式作为一种比较高性能的方法被广泛应用，2021年1月5日，中国发明专利(公布号：CN112184679A)中公开了一种基于YOLOv3的酒瓶瑕疵自动检测方法，属于瑕疵检测的技术领域，该方案利用YOLOv3网络结构学习到通过人工采集标记的酒瓶瑕疵图片数据中的缺陷特征之后，得到一个可以自动识别生产中的酒瓶上是否含有瑕疵的模型，然后将这个模型加载到一个实时酒瓶识别系统中去，实时拍摄然后实时返回识别的结果，解决人工检测方式的低效率和精度的问题，皮革瑕疵与酒瓶瑕疵虽相似，但皮革瑕疵背景较为复杂，对于尺寸相差较大的皮革瑕疵类型，应用基础的YOLOv3算法容易出现误检漏检问题，导致检测准确度较低的不良后果。

发明内容

为解决利用传统YOLOv3算法进行皮革瑕疵检测的方法容易出现瑕疵漏检误检的问题，本发明提出一种基于改进YOLOv3的皮革瑕疵检测方法及系统，通过改进YOLOv3以提高其泛化性，降低瑕疵误检漏检概率，提高皮革瑕疵检测的准确率。

为了达到上述技术效果，本发明的技术方案如下：

一种基于改进YOLOv3的皮革瑕疵检测方法，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。

优选地，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。

优选地，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，保证划分后的样本皮革瑕疵图像数据集中的每一个图像数据更贴合实际情况中数据的随机不确定性。