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: 2024116933727
申请人: 浙江理工大学
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:

1.一种基于高效多路径特征融合网络的瑕疵识别方法,其特征在于,包括:构建布匹瑕疵数据集;

构建改进的YOLOv5s模型,具体包括:将GFPN融入YOLOv5s的Neck网络,在主干网络中引入间隔层级间的跨尺度连接层和同尺度间的跨层跳跃连接层,在Neck网络中,采用C3Ghost轻量化特征融合节点,所述C3Ghost轻量化特征融合节点通过Ghost卷积结合主卷积生成本征特征,并通过辅助深度可分离卷积生成Ghost特征,最终拼接成输出特征图,并采用Dysample方法对深层特征图进行上采样,在间隔层级间的跨尺度连接层中,第i层的中间尺度特征信息的表达式如下:;

其中,为第i跨尺度连接层的中间尺度特征信息;为i层中间尺度层的对应backbone层初级特征;为对应跨尺度层特征信息;为第i-1层的中间尺度特征信息;为结合GhostConv的融合节点;为第i层尺度统一Ghost卷积;为各特征信息对应的学习权重;为融合偏置;

在同尺度间的跨层跳跃连接层中,第j层的中间尺度特征信息表达如下:;

其中,为第j同尺度跳跃层的中间尺度特征信息;为对应跳跃层特征信息;为第j-1同尺度跳跃层的中间尺度特征信息;为各融合特征按通道进行合并;

利用布匹瑕疵数据集对改进的YOLOv5s模型进行训练,以得到瑕疵识别模型;

获取待检测布匹图像,并利用瑕疵识别模型对待检测布匹图像进行瑕疵识别。

2.根据权利要求1所述的基于高效多路径特征融合网络的瑕疵识别方法,其特征在于,Ghost特征提取的计算公式为:;

;

其中,为融合输入特征,;为输出Ghost特征;为子特征张量以通道维度进行拼接操作。

3.根据权利要求1所述的基于高效多路径特征融合网络的瑕疵识别方法,其特征在于,所述Dysample方法首先接收低分辨率特征图作为输入,利用线性层计算采样点偏移量来确定上采样时的位置,根据上采样倍率进行通道调整和映射卷积生成整体偏移,并通过静态范围因子限制偏移量,然后,使用像素重组技术,将偏移矩阵维度调整为,最终生成的采样集由偏移量与原始采样网格的组合而成,其数学表达式如下:;

;

其中,为输入特征图;为分组卷积数;为点卷积,输出通道数为;为像素偏移范围因子;为像素重组操作。

4.一种基于高效多路径特征融合网络的瑕疵识别系统,其特征在于,包括:数据集构建模块,用于构建布匹瑕疵数据集;

模型构建模块,用于构建改进的YOLOv5s模型,具体包括:将GFPN融入YOLOv5s的Neck网络,在主干网络中引入间隔层级间的跨尺度连接层和同尺度间的跨层跳跃连接层,在Neck网络中,采用C3Ghost轻量化特征融合节点,所述C3Ghost轻量化特征融合节点通过Ghost卷积结合主卷积生成本征特征,并通过辅助深度可分离卷积生成Ghost特征,最终拼接成输出特征图,并采用Dysample方法对深层特征图进行上采样,在间隔层级间的跨尺度连接层中,第i层的中间尺度特征信息的表达式如下:;

其中,为第i跨尺度连接层的中间尺度特征信息;为i层中间尺度层的对应backbone层初级特征;为对应跨尺度层特征信息;为第i-1层的中间尺度特征信息;为结合GhostConv的融合节点;为第i层尺度统一Ghost卷积;为各特征信息对应的学习权重;为融合偏置;

在同尺度间的跨层跳跃连接层中,第j层的中间尺度特征信息表达如下:;

其中,为第j同尺度跳跃层的中间尺度特征信息;为对应跳跃层特征信息;为第j-1同尺度跳跃层的中间尺度特征信息;为各融合特征按通道进行合并;

模型训练模块,用于利用布匹瑕疵数据集对改进的YOLOv5s模型进行训练,以得到瑕疵识别模型;

检测模块,用于获取待检测布匹图像,并利用瑕疵识别模型对待检测布匹图像进行瑕疵识别。

5.根据权利要求4所述的基于高效多路径特征融合网络的瑕疵识别系统,其特征在于,Ghost特征提取的计算公式为:;

;

其中,为融合输入特征,;为输出Ghost特征;为子特征张量以通道维度进行拼接操作。

6.根据权利要求5所述的基于高效多路径特征融合网络的瑕疵识别系统,其特征在于,所述Dysample方法首先接收低分辨率特征图作为输入,利用线性层计算采样点偏移量来确定上采样时的位置,根据上采样倍率进行通道调整和映射卷积生成整体偏移,并通过静态范围因子限制偏移量,然后,使用像素重组技术,将偏移矩阵维度调整为,最终生成的采样集由偏移量与原始采样网格的组合而成,其数学表达式如下:;

;

其中,为输入特征图;为分组卷积数;为点卷积,输出通道数为;为像素偏移范围因子;为像素重组操作。

7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储用于设备执行的程序代码,该程序代码包括用于执行如权利要求1-3中任一项所述方法的步骤。

8.一种电子设备,其特征在于,所述电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1-3中任一项所述方法。