深度学习实战之布匹缺陷检测.docxVIP

前言

缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中。

导师一直鼓励小编做一些小项目，将学习与动手相结合。于是最近小编找来了某个大数据竞赛中的一道缺陷检测题目，在开源目标检测框架的基础上实现了一个用于布匹瑕疵检测的模型。现将过程稍作总结，供各位同学参考。

问题简介

01

1

实际背景

布匹的疵点检测是纺织工业中的一个十分重要的环节。当前，在纺织工业的布匹缺陷检测领域，人工检测仍然是主要的质量检测方式。而近年来由于人力成本的提升，以及人工检测存在的检测速度慢、漏检率高、一致性差、人员流动率高等问题，越来越多的工厂开始利用机器来代替人工进行质检，以提高生产效率，节省人力成本。

2

题目内容?

开发出高效准确的深度学习算法，检验布匹表面是否存在缺陷，如果存在缺陷，请标注出缺陷的类型和位置。

3

数据分析

?题目数据集提供了9576张图片用于训练，其中有瑕疵图片5913张，无瑕疵图片3663张。

?瑕疵共分为15个类别。分别为：沾污、错花、水卬、花毛、缝头、缝头印、虫粘、破洞、褶子、织疵、漏印、蜡斑、色差、网折、其它

?尺寸：4096*1696

算法分享

02

本文算法基于开源框架YOLOv5，原框架代码请前往/ultralytics/yolov5查看，针对这次问题做出的修改和调整部分代码请继续向下阅读。

1.框架选择

比较流行的算法可以分为两类，一类是基于RegionProposal的R-CNN系算法（R-CNN，FastR-CNN,FasterR-CNN等），它们是two-stage的，需要先算法产生目标候选框，也就是目标位置，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。考虑本次任务时间限制和小编电脑性能，本次小编采用了单阶段YOLOV5的方案。

YOLO直接在输出层回归boundingbox的位置和boundingbox所属类别，从而实现one-stage。通过这种方式，Yolo可实现45帧每秒的运算速度，完全能满足实时性要求（达到24帧每秒，人眼就认为是连续的）。

整个系统如下图所示

2.环境配置（参考自YOLOv5requirements）

?Cythonnumpy==1.17opencv-pythontorch=1.4matplotlibpillowtensorboardPyYAML=5.3torchvisionscipytqdmgit+/cocodataset/cocoapi.git#subdirectory=PythonAPI

3.数据预处理

·?数据集文件结构

·?标注格式说明

·?YOLO要求训练数据文件结构：

·?比赛数据格式?-YOLO数据格式：

（针对本问题原创代码）

forfoldin[0]:????val_index=index[len(index)*fold//5:len(index)*(fold+1)//5]????print(len(val_index))????fornum,nameinenumerate(name_list):??????print(c_list[num],x_center_list[num],y_center_list[num],w_list[num],h_list[num])??????row=[c_list[num],x_center_list[num],y_center_list[num],w_list[num],h_list[num]]??????ifnameinval_index:????????path2save=val/??????else:????????path2save=train/???????????ifnotos.path.exists(convertor/fold{}/labels/.format(fold)+path2save):????????os.makedirs(convertor/fold{}/labels/.format(fold)+path2save)??