欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023108872500
申请人: 南京林业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于改进的YOLOv5s的小目标布匹瑕疵检测方法,其特征在于,包括以下步骤:步骤1:获取小目标布匹瑕疵图像,进行标签标注,并使用图像处理方法对数据集进行扩充,建立初始的小目标布匹瑕疵数据集;

布匹的瑕疵种类包括:0结头、1断经、2破洞;对初始数据集的图像进行仿射变换、平移、旋转、裁剪,将数据集扩充;

步骤2:采用聚类算法对小目标布匹瑕疵数据集进行聚类分析并得到聚类中心,将获得的聚类中心值输入至YOLOv5s网络;

在步骤2中,利用DBScan结合二分K‑means算法对布匹瑕疵数据集进行聚类分析,得到更适合小目标布匹瑕疵的聚类中心;利用DBScan算法的密度可达特性将小目标布匹瑕疵数据集聚合成若干个簇,排除边缘点和孤立点因素的干扰;将每一簇的数据集作为新的输入,利用二分K‑means算法的迭代聚合分为两个簇,并计算每个簇的误差,选择能使总误差SSE最小的簇划分为两个簇;重复操作直到选出簇数目达到给定的K值为止;最终共聚类出9个锚框,将通过改进聚类算法获得的锚框信息和小目标布匹瑕疵数据集的训练数据集输入到YOLOv5s算法网络中,进行参数设置;

利用DBScan算法的密度可达特性将小目标布匹瑕疵数据集聚合成若干个簇,排除边缘点和孤立点因素的干扰;将每一簇的数据集作为新的输入,利用二分K‑means算法的迭代聚合分为两个簇,并计算每个簇的误差,选择能使总误差SSE最小的簇划分为两个簇;重复操作直到选出簇数目达到给定的K值为止;最终共聚类出9个锚框,其中,总误差SSE计算公式如下:其中,ωi为每簇中聚类中心的权重,pi为子簇的点云数据,pi′为聚类中心点;

步骤3:使用标注工具对数据集进行标注,将标注后的图像数据划分为训练集和测试集;

步骤4:以YOLOv5s模型为基本架构,在Backbone的C3结构与SPP结构之间引入CA注意力模块;采用BiFPN结构作为特征融合网络;用Eiou损失函数代替原有的损失函数作为目标框回归的损失函数;具体内容如下:S41:在Backbone的C3结构与SPP结构之间引入CA注意力模块;CA注意力模块是为了增强网络学习特征的表达能力,提高网络训练模型的平均精度均值;

CA注意力模块实现过程:CA注意力模块为了获取图像宽度和高度上的注意力并对精确位置信息进行编码,先对输入特征图的宽度和高度两个方向进行全局平均池化,得到两个方向的特征图,公式如下:其中,W是输入特征图的宽度,H是输入特征图的高度,xc表示第c个通道处的输入,h表示处于特征图的h高度处,xc(h,i)表示在h高度处将宽度W分成W等分第i个等分处的输入,xc(j,w)表示在w宽度处将高度H分成H等分第j个等分处的输入;

接着将获得全局感受野的宽度和高度两个方向的特征图拼接在一起,然后将其送入共享的卷积核为1×1的卷积模块,将维度降为原来的C/r,之后将经过批归一化处理后的特征图f送入Sigmoid激活函数得到特征图F,公式如下:其中,δ表示Sigmoid激活函数,激活函数的公式如下:

接着将特征图F按照原来的高度和宽度进行卷积核为1×1的卷积分别得到通道数和原h来一样的fh和fw,经过Sigmoid激活函数分别得到特征图在高度和宽度上的注意力权重ωw和ω ,公式如下:

h h

ω =δ(fh(F))

w w

ω =δ(fw(F))

h w

其中,F 和F分别是特征图F在高度和宽度方向上的分量,fh和fw分别是特征图F两个分量经过1×1卷积后的特征图;

最后在原始特征图上通过乘法计算,最终得到在宽度和高度方向上带有注意力权重的特征图,公式如下:其中,xc(m,n)是原始特征图, 和 分别是高度和宽度方向带有注意力权重的特征图;

S42:用BiFPN结构作为YOLOv5s网络模型的特征融合网络,优化原有的FPN和PANet结构:BiFPN结构是一种加权双向特征金字塔网络,基于FPN结构BiFPN网络的每个节点都会对输入的特征向量以加权融合的方式来融合不同特征层,基于PANet结构BiFPN网络重复实现自上而下和自下而上的双向融合,最终三个BiFPN基础结构叠加输出融合低维和高维的特征,BiFPN运用双向融合思想,在前向传播之外重新构造自顶向下,自底向上的双向通道,对来自主干网不同尺度的特征信息进行融合,通过上采样与下采样统一特征分辨率尺度,并在同一尺度的特征间添加双横向连接,缓解因网络层级过多造成的特征信息丢失;

S43:使用Eiou损失函数代替原有的损失函数作为目标框回归的损失函数:IoU和IoU损失函数的公式如下:

其中:B表示预测框的面积;Bi表示真实框的面积;

YOLOv5s网络使用Ciou作为网络损失函数,Ciou在Diou的基础上将Bounding box的纵横比考虑进损失函数中,在Diou的惩罚项基础上加了一个影响因子αv,进一步提升了回归精度;

gt

其中,α是权重系数,v表示检测框和真实框的长宽比的距离,b和b 分别表示类别是布匹瑕疵的预测框和非布匹瑕疵的预测框的中心点,ρ表示欧氏距离,c表示目标最小外接矩形的对角线距离,IoU表示两个框的交集面积比上两个框的并集面积,α和v的表达式为:gt gt

其中,ω 为真实矩形框的宽,h 为真实矩形框的高,ψ为检测矩形框的宽,h为检测矩形框的高;

步骤5:将训练集输入改进YOLOv5s网络模型中,对改进YOLOv5s网络模型进行训练,验证模型检测效果。

2.根据权利要求1所述的基于改进的YOLOv5s的小目标布匹瑕疵检测方法,其特征在于,在步骤3中,使用数据标注工具LabelImg对小目标布匹瑕疵数据集进行标注,用矩形框标注出图像中布匹瑕疵的位置,将目标物体完全框住,以保证检测的准确率,将图像中被标注物体的种类信息和位置信息保存至YOLOv5s可以直接识别的yolo_txt文件;将标注好的数据集按照8:2划分成训练集和测试集。

3.根据权利要求1所述的基于改进的YOLOv5s的小目标布匹瑕疵检测方法,其特征在于,采用Eiou损失函数替代原有的Ciou损失函数,EIoU损失函数如式下:

其中,LIoU表示两个矩形框重叠部分的交并比IoU的损失,Ldis表示距离损失,Lasp表示边

2 gt

长损失;ρ (b,b )表示预测框和真实框的中心点的欧式距离,b表示预测框中心点的坐标,gtb 表示真实框中心点的坐标,gt表示真实值,c表示能够同时包含预测框和真实框的最小闭

2 gt

包区域的对角线距离,ρ (ω,ω )表示预测框和真实框的宽度的欧式距离,ω表示预测框gt 2的宽,ω 表示真实框的宽,Cω表示能够同时包含预测框和真实框的最小闭包区域的宽,ρgt gt(h,h )表示预测框和真实框的高度的欧式距离,h表示预测框的高度,h 表示真实框的高度;Ch表示能够同时包含预测框和真实框的最小闭包区域的高。

4.根据权利要求1所述的基于改进的YOLOv5s的小目标布匹瑕疵检测方法,其特征在于,在步骤5中,训练网络模型:对改进后的YOLOv5s网络配置文件进行参数设置,将设置好参数的yaml文件及改进后YOLOv5s网络结构放入配置好环境的计算机中,运用训练集和验证集中标记好的图片进行训练,训练过程中,得到每一个阶段训练的效果,并设置过程监控参数观察训练的mAP值,训练结束后保存训练好的网络模型权重。