基于YOLO模型的织物疵点检测方法研究.pdfVIP

摘要

随着科技的发展，织物疵点自动检测技术逐渐成为织物生产行业的核心技术之一。

传统的基于图像处理算法进行的织物疵点检测方法，对复杂背景的织物疵点图像检测

困难，并且检测的织物疵点类型少。随着人工智能技术的发展，基于深度学习的织物疵

点检测方法出现，基于深度学习的目标检测模型能够较好解决基于图像处理方法进行

疵点检测存在的问题，具有检测精度高，检测种类多的优点，但也存在网络体量大、检

测速度慢、训练时间长、长宽比极端织物疵点和特征不明显疵点检测效果不佳等问题。

如何提高这种基于深度学习的疵点检测方法的效率和特征提取能力，仍是需要重点解

决的问题。因此本文采用YOLOv5s目标检测网络模型，它具有检测速度快，检测精度

高等优点，通过对其进行聚类算法改进、增加注意力机制、加入双向特征金字塔结构并

对标准卷积进行改进，解决了长宽比极端织物疵点和特征不明显疵点检测效果不佳的

问题，提高了网络的整体性能。本文主要的研究工作及创新如下：

(1)制作数据集并进行数据分析。本文制作的数据集中共使用5235张织物疵点图像，

其中标记疵点目标共6163个，文中将疵点分为四类e1、e2、e3和e4分别代表跳花疵

点、破洞疵点、污迹疵点和长宽比极端疵点。根据目标框可视化分析，了解到织物的分

布主要集中在图像的中央区域，疵点大小主要集中在中小尺寸规格，疵点形状有很大

一部分长宽比极端。数据集的分析对网络的改进具有很好指导性作用。

(2)针对长宽比极端疵点改进。根据数据分析发现数据集的目标框差异很大，由于

初始锚框对网络整体性能有一定的影响，故文中针对该问题对聚类锚框算法进行了改

进，首先将聚类算法从K-means换用了K-means++，并将聚类距离从欧式距离换用了

以IOU的方式进行计算。最终改进后的聚类算法得出的新的聚类初始锚框具有99.9%

的锚框最佳召回率。

(3)针对网络精度进行改进。文中通过几种注意力机制对比实验和CA注意力机制

放置对网络性能影响的探索性实验，证明了CA注意力机制的加入对该织物疵点数据

集的检测有较高的提升，同时CA注意力机制放置在网络的第20层时，网络的检测精

度提高了2.4个百分点，召回率提高了1.9个百分点，mAP值提高了0.8个百分点。另

外针对数据集的疵点尺寸大小分布，在网络颈部采用双向特征金字塔结构，增强了网

络的特征提取能力，与聚类算法改进相结合后，其最终mAP达到了95.2%，提高了0.8%。

(4)针对网络速度进行改进。文中在网络颈部将标准卷积和深度可分离卷积相结合

为GSConv，替换掉了其中的标准卷积，该卷积能够有效的降低网络参数提高网络检测

速度，实验表明换用GSConv的YOLOv5s网络，单张640×640像素图像的检测时间

从11.1ms降低到10.5ms。

经过以上改进，改进后的YOLOv5s网络模型对各类疵点的检测都有一定的提升，

特别是对e3和e4类型即污迹疵点和长宽比极端疵点，检测精度分别提高了3.7和13.7

个百分点，mAP值分别提高了8.1和2.6个百分点，网络整体的检测mAP值也达到了

97.4%。相较于FasterR-CNN和SSD等目标检测网络模型，改进后的YOLOv5s在检测

精度和检测速度两个方面都表现出很大的优势。该网络模型的改进对于自动化织物疵

点检测，提高检测效率和准确度，以及增强织物生产质量具有重大意义。

关键词：织物疵点检测；目标检测网络；YOLOv5s；注意力机制

论文类型：应用研究

ABSTRACT

Withthedevelopmentofscienceandtechnology,automaticdetectionoffabricdefectshas

graduallybecomeoneofthecoretechnologiesinthefabricproductionindustry.Traditional

fabricdefectdetectionmethodsbasedonimageprocessingalgorithmsaredifficulttodetect

fabricdefectimageswithcomplexbackgrounds,andtherearefewtype