[发明专利]一种基于改进EfficientDet模型的织物瑕疵检测方法

说明书

本发明涉及一种基于改进EfficientDet模型的织物瑕疵检测方法，包括如下步骤：采集织物数据集，对疵点进行标注；数据增强；增强数据集按预设比例划分为训练集、验证集、测试集；载入预训练模型，得到加强特征图；每个加强特征图独立地输入到分类/回归网络并进行候选框的调整；网络计算出分类和回归损失，并根据网络整体损失对整个网络模型参数进行更新；通过参数更新后的改进EfficientDet模型在验证集上计算验证集损失，根据验证集损失曲线考量该模型的泛化性能；经过预先设立的P轮Epoch训练迭代，得到最终的改进EfficientDet网络模型；载入训练模型，实现瑕疵的定位与分类。本发明通过适配织物图像特性，解决织物瑕疵检测任务中疵点多尺度、空间位置任意分布等检测难点问题。

【技术领域】

本发明涉及一种织物瑕疵检测方法，具体涉及一种基于改进EfficientDet模型的织物瑕疵检测方法，属于纺织品后整理与目标检测技术领域。

【背景技术】

织物是人们在日常生活中广泛使用的材料，由纺织纤维制成。纺织纤维由天然纤维如亚麻或羊毛等制成，或尼龙、人造纤维等化学纤维制成。织物瑕疵是指在工业化生产制造过程中织物表面出现的瑕疵缺陷。这些织物瑕疵主要由机器故障、纱线问题、不良加工、过度拉伸等问题引起的。严重的瑕疵问题会导致织物产品的滞销和经济损失，而织物瑕疵的检测是一个旨在识别和定位这些瑕疵的质量控制过程。

在以往的检测方法中，人工检测是确保织物质量的主要手段。人工检测的方法虽然可以做到即时纠正一些错误，但是易受人工自身工作和外部环境的影响，如果疲劳会导致不可避免的人为错误，使得漏检率和误检率提高、检测速度变慢等，并且人工检测通常不会检测到较为微小的瑕疵。目前人工检测的成功率仅为60％-75％。因此，使用高效和稳定的计算机视觉来代替低效的人工视觉，实现织物瑕疵的自动化实时检测，具有重要的经济效益和现实意义。

卷积神经网络(CNN)由多层卷积层和池化层重复堆叠而成，具有良好的并行处理、特征提取以及泛化能力。随着CNN的兴起和GPU算力的发展，基于深度学习的方法越来越受研究者们的关注，大量的目标检测模型被应用于视觉任务中。其中两阶anchor-based检测器包括R-CNN系列、TSD等，一阶anchor-based检测器包括YOLO系列、RetinaNet和SSD等。然而，现有的基于深度学习的方法侧重于自然场景而不是纺织业图像，两者在目标特征属性(比如颜色、纹理结构、组成、尺寸与空间位置分布等)上存在较大差异，因此现有的这些CNN模型的精度和速度并不能很好地满足织物瑕疵实时检测任务需求。

因此，为解决上述问题，确有必要提供一种基于改进EfficientDet模型的织物瑕疵检测方法，以克服现有技术中的所述缺陷。

【发明内容】

为解决上述问题，本发明的目的在于提供一种基于改进EfficientDet模型的织物瑕疵检测方法，其通过适配织物图像特性，解决织物瑕疵检测任务中疵点多尺度(尤其是长宽比极度不平衡和微小尺寸)、空间位置任意分布等检测难点问题，提高织物的检测精度和检测速度。

为实现上述目的，本发明采取的技术方案为：一种基于改进EfficientDet模型的织物瑕疵检测方法，其包括如下工艺步骤：

1)，使用工业相机采集织物数据集，对图像疵点进行标注，以获得瑕疵类别标签；

2)，对织物数据集和对应的类别标签进行数据增强，满足网络模型训练的样本数量要求；

3)，将样本增强数据集按预设比例划分为训练集、验证集、测试集；

4)，载入预训练模型，预设好模型训练的Batch_size，任意选取训练集中一个批次张图片输入至模型中；选取每张图片在主干网络EfficientNet中N个特定阶层的有效特征图，经过通道变换后传入到特征金字塔网络进行多尺度信息整合得到N个对应阶层的加强特征图；

5)，每个加强特征图均独立地输入到分类/回归网络并进行候选框的调整；