本發(fā)明屬于圖像處理，涉及一種織物疵點檢測方法、計算機設備以及介質。

背景技術：

1、織物疵點檢測是紡織生產(chǎn)中質量控制的一道重要的工序。當前人工視覺檢測仍是主要的質量檢驗方式，通過坯檢、中檢、終檢3個流程實現(xiàn)疵點檢出，人工檢測效率易受情緒、身體、疲勞和環(huán)境等因素的影響，容易產(chǎn)生主觀誤判和漏檢，影響生產(chǎn)效率和產(chǎn)品質量。隨著深度學習在圖像特征提取和目標定位上取得優(yōu)異效果，逐步應用于織物疵點檢測領域中。

2、基于深度學習的檢測算法以基于單階段檢測算法(one-tage)和基于兩階段檢測算法(two-stage)為代表。two-stage算法首先生成目標候選框，然后再對候選框進行分類和位置回歸，以faster?rcnn系列和mask?rcnn系列算法為代表，對目標的檢測精度高，但檢測速度較慢，計算量和時間復雜度高，難以適應工業(yè)檢測實時性要求。one-stage算法直接使用卷積神經(jīng)網(wǎng)絡(cnn)預測目標的類別和位置，不需要生成候選區(qū)域，以ssd、yolo系列等算法為代表，計算速度快，實時性好，因此易滿足工業(yè)實時檢測的需求。

3、專利文獻1公開了一種基于改進yolov7模型的織物瑕疵檢測方法，該方法采集織物瑕疵圖片并對原始圖像數(shù)據(jù)集進行數(shù)據(jù)預處理，從rgb色彩空間轉換到y(tǒng)crcb色彩空間；將bottleneck?transformer、efficient?channel?attention和yolov7模型相結合，對yolov7模型進行改進。該方法能有效解決織物瑕疵圖像中噪聲和小瑕疵帶來的影響，在保證處理速度的同時提升檢測精度，且模型部署難度小，具有較強的工業(yè)生產(chǎn)實用性，但是該模型在檢測精度和檢測時間上還可以提高，并且對于復雜背景的織物材料，檢測結果不理想。

4、專利文獻2公開了一種織物疵點檢測方法、裝置、電子設備及存儲介質。該織物疵點檢測方法包括：獲取植物樣本的多張疵點圖像，建立第一疵點數(shù)據(jù)集?；谟柧毢玫膁cgan網(wǎng)絡，將第一疵點數(shù)據(jù)集中的疵點圖像進行增強，得到增強后的疵點圖像，選擇增強后的疵點圖像中指定疵點類別的疵點圖像，建立第二疵點數(shù)據(jù)集，并將第二疵點數(shù)據(jù)集劃分為訓練樣本集和測試樣本集，基于訓練樣本集和測試樣本集，訓練改進后的yolov5模型，得到織物疵點檢測模型；其中改進后的yolov5模型的backbone層和neck層引入注意力機制模塊。該專利文獻2中的織物疵點檢測模型可使植物疵點檢測精度提高、速度加快、漏檢率降低，但是模型的訓練時間比較久，對于復雜圖案的織物沒有取得令人滿意的結果。

5、綜上，現(xiàn)有方法在疵點檢測上雖取得了一定成果，但在實際應用中，針對多尺度、微小目標的疵點檢測精度和速度依然是行業(yè)應用的瓶頸問題，隨著yolov8的出現(xiàn)，目標檢測算法的精度和速度有了進一步提升，yolov8相同體量下比在先的yolo算法精度更高，速度更快。

6、參考文獻

7、專利文獻1中國發(fā)明專利申請公開號：cn117372332a，公開日期：2024.01.09；

8、專利文獻2中國發(fā)明專利申請公開號：cn117830247a，公開日期：2024.04.05。

技術實現(xiàn)思路

1、針對織物疵點尺度不一、目標微小、形狀多變的特點，本發(fā)明提出了一種織物疵點檢測方法，該方法基于改進的yolov8模型進行疵點檢測，以提升疵點檢測精度和速度。

2、本發(fā)明為了實現(xiàn)上述目的，采用如下技術方案：

3、一種織物疵點檢測方法，包括如下步驟：

4、步驟1.獲取帶有疵點的織物圖像，并對圖像進行預處理和標注操作，制作訓練數(shù)據(jù)集；

5、步驟2.搭建基于改進的yolov8模型架構的織物疵點檢測模型；

6、改進的yolov8模型是在原有yolov8模型的基礎上進行如下改進得到的：

7、首先在yolov8模型骨干網(wǎng)絡中，使用ghostnet?v2?bottleneck替換c2f模塊中的bottleneck，得到c2f-ghostnetv2模塊；使用優(yōu)化的sppcspc模塊替換原有yolov8模型的sppf模塊，重構的sppcspc模塊在原sppcspc模塊的池化層之前的兩個卷積層被裁剪掉，同時引入simam注意力機制；其次將yolov8模型的頸部網(wǎng)絡panet結構改為改進的bifpn結構；最后在檢測頭部分引入小目標檢測層，檢測頭從yolov8模型中的三個增加到四個，同時引入pconv卷積對檢測頭進行輕量化改進，以減輕增加小目標檢測頭造成的計算負擔；

8、步驟3.基于步驟1得到的訓練數(shù)據(jù)集訓練步驟2中改進的yolov8模型，得到訓練好的織物疵點檢測模型，并利用訓練好的織物疵點檢測模型進行織物疵點檢測。

9、此外，在織物疵點檢測方法的基礎上，本發(fā)明還提出了一種計算機設備，該計算機設備包括存儲器和一個或多個處理器。在存儲器中存儲有可執(zhí)行代碼。

10、當處理器執(zhí)行可執(zhí)行代碼時，用于實現(xiàn)上述織物疵點檢測方法。

11、此外，在織物疵點檢測方法的基礎上，本發(fā)明還提出了一種計算機可讀存儲介質，其上存儲有程序，該程序被處理器執(zhí)行時，用于實現(xiàn)織物疵點檢測方法。

12、本發(fā)明具有如下優(yōu)點：

13、如上所述，本發(fā)明述及了一種織物疵點檢測方法，該方法基于yolov8模型進行織物疵點檢測，其中yolov8模型是單階段目標檢測算法，同時兼顧了速度與精度，本發(fā)明在原有yolov8模型的基礎上分別進行了如下改進，在骨干網(wǎng)絡中，使用ghostnet?v2bottleneck替換c2f模塊中的bottleneck，增強了模型捕獲復雜特征信息的能力；使用優(yōu)化的sppcspc模塊替換sppf模塊，重構sppcspc模塊在池化層之前的兩個卷積層被裁剪掉，以減少卷積層對小目標邊緣信息的過濾。這也降低了神經(jīng)網(wǎng)絡的計算量，同時引入simam注意力機制來解決小目標提取不足的問題，有效剔除了干擾因素；將頸部網(wǎng)絡panet結構改為改進的bifpn結構，實現(xiàn)了特征層間雙向信息流動與多層次特征等多尺度特征的有效融合；在檢測頭部分，引入小目標檢測層，檢測頭從yolov8模型中的三個增加到四個，為減輕增加小目標檢測頭造成的計算負擔，引入pconv卷積對檢測頭進行輕量化改進，并通過參數(shù)共享機制簡化檢測分支，設計了四個輕量化檢測頭；使用損失函數(shù)giou替換原模型的損失函數(shù)。通過本發(fā)明所提基于改進的yolov8模型架構的織物疵點檢測模型，利于提高織物疵點的檢測精度和速度。

技術特征：

1.一種織物疵點檢測方法，其特征在于，包括如下步驟：

2.根據(jù)權利要求1所述的織物疵點檢測方法，其特征在于，

3.根據(jù)權利要求2所述的織物疵點檢測方法，其特征在于，

4.根據(jù)權利要求1所述的織物疵點檢測方法，其特征在于，

5.根據(jù)權利要求1所述的織物疵點檢測方法，其特征在于，

6.根據(jù)權利要求2所述的織物疵點檢測方法，其特征在于，

7.根據(jù)權利要求1所述的織物疵點檢測方法，其特征在于，

8.根據(jù)權利要求1所述的織物疵點檢測方法，其特征在于，

9.一種計算機設備，該計算機設備包括存儲器和一個或多個處理器；在存儲器中存儲有可執(zhí)行代碼；其特征在于，當處理器執(zhí)行可執(zhí)行代碼時，用于實現(xiàn)上述權利要求1至8中任一項所述的織物疵點檢測方法。

10.一種計算機可讀存儲介質，其上存儲有程序；其特征在于，該程序被處理器執(zhí)行時，用于實現(xiàn)上述權利要求1至8中任一項所述的織物疵點檢測方法。

技術總結
本發(fā)明屬于圖像處理技術領域，具體公開了一種織物疵點檢測方法、計算機設備以及介質。本發(fā)明基于改進的YOLOv8模型搭建織物疵點檢測模型，使用GhostNet?V2Bottleneck替換C2f模塊中的Bottleneck得到C2f?GhostNetV2模塊；使用優(yōu)化的SPPCSPC模塊替換原有SPPF模塊，重構的SPPCSPC模塊在原SPPCSPC模塊的池化層之前的兩個卷積層被裁剪掉，同時引入SimAM注意力機制；其次將頸部網(wǎng)絡PANet結構改為改進的BiFPN結構；最后在檢測頭部分引入小目標檢測層，檢測頭從三個增加到四個，同時引入PConv卷積對檢測頭進行輕量化改進，以減輕增加小目標檢測頭造成的計算負擔。通過本發(fā)明所提模型，利于提高織物疵點的檢測精度和速度。

技術研發(fā)人員：欒文輝,白培瑞,梁浩,錢耀盟,宋作杰,趙亮,劉剛中,呂錢烈,胡炎帥,劉慶一,韓超
受保護的技術使用者：山東南山智尚科技股份有限公司
技術研發(fā)日：
技術公布日：2024/12/26