基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低，小目标检测较困难的问题，提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制，使模型聚焦于图像中的关键信息，改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能，其中引入CBAM模块后提升幅度最明显，较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于模型压缩与感受野增强的下茧实时检测

针对目前选茧时下茧检测主要依赖人工目测,工作效率低的问题,提出一种基于锚点框参数预置、通道剪枝和嵌入感受野模块改进的轻量化下茧实时检测模型。首先,通过K-means聚类分析出适用于下茧检测的锚点框以预置YOLOv3模型参数;然后,根据预设的剪枝率对稀疏化训练后的模型进行基于批量正则化层缩放因子的模型剪枝,以此压缩模型的大小;最后,在剪枝后的模型中嵌入感受野模块,使模型的感受野变大,增强模型的辨别能力和鲁棒性。实验结果表明:提出的下茧实时检测模型大小为46.90 M,平均检测速度达到50.18帧/s,平均检测精度为96.80%,较原YOLOv3模型参数压缩了79.96%,平均检测速度提高了60.63%,平均检测精度提高了3.20%。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于注意力机制改进的YOLOv7服装缝线疵点检测方法

针对目前肉眼检测服装缝线疵点效率低下、成本较高、准确率不高、容易出现漏检和误检等问题,文章利用深度学习的方式对服装缝线疵点进行实时检测,构建了一个服装缝线疵点检测的数据集,包含了常见的服装缝线疵点类型,提出了一种基于注意力机制的YOLOv7算法SK-YOLOv7,在YOLOv7的骨干网络添加3个SK模块,以增强主干网络的特征提取能力,并引入CBAM-YOLOv7和SE-YOLOv7算法进行对比实验。实验结果表明：SK-YOLOv7具有较高的查准率及查全率,平均检测精度也有所提高。SK-YOLOv7相较于CBAM-YOLOv7和SE-YOLOv7在缝线检测上表现更好。文章对数据集采用不同的标记方式进行对比测试,发现对疵点区域进行一次标记的方法会导致特征大量丢失,而对疵点区域内进行分块标记的方法表现出了更好的检测效果。综合实验结果得出,基于注意力机制改进的YOLOv7服装缝线疵点检测方法是可行的,可以较好地推动纺织服装检测行业的发展进步。     

基于深度学习的毛/粘混纺织物混纺比检测技术

针对常规织物混纺比检测方法工作效率低的问题,提出一种基于深度学习技术的毛/粘混纺织物混纺比检测方法。以单阶段目标检测算法(YOLOv5)为基础,采集羊毛纤维和粘胶纤维的光学显微镜图像构建数据集,使用CSPDarknet53网络(Cross Stage Partial Network)从数据集中提取纤维特征,通过特征金字塔(FPN)和路径聚合网络(PAN)结合的方式完成不同层次特征的融合;在主干网络引入卷积注意力模块(CBAM)以加强局部特征的提取能力。训练后的YOLOv5模型平均精度均值达0.93,可实现毛/粘混纺织物混纺比的自动检测。采用光学显微镜法和化学溶解法对模型的可靠性进行校验,差异在2%以内,说明该方法在毛/粘混纺织物混纺比快速检测领域具有良好的应用前景。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于改进RefineDet的织物疵点检测

为了实现织物疵点的自动检测与分类,提出了一种基于改进RefineDet的疵点检测方法。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在Anchor细化模块(Anchor refinement module, ARM)中加入了注意力机制;为了提高网络的分类性能,在传输连接块(Transfer connection block, TCB)中加入了SE模块(Squeeze and excitation, SE);最后,目标检测模块(Object detection module, ODM)将检测的结果回归到准确的目标位置,并预测疵点的类别,对疵点进行定位。结果表明：本文算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7%,比传统RefineDet检测方法均值平均精度提高了5.0%,具有良好的分类和定位效果。     

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。     

基于YOLOv5的咖啡瑕疵豆检测方法

目的:实现咖啡豆瑕疵检测。方法:提出一种基于改进YOLOv5s网络,以YOLOv5s为基线网络嵌入并优选不同的注意力机制模块与激活函数。结果:使用CBAM模块与激活函数Hardswish的平均精度均值相比基线网络分别提高了5.3%和2.9%。经过200次迭代训练,模型准确率为99.5%,平均精度均值为97.6%,召回率为0.98,识别速率为64幅/s,模型大小为15 M。结论:相比于Faster RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s,试验算法识别准确率更高,模型更加轻量化,对咖啡瑕疵豆的识别效果更好。     

基于YOLO-FFD的水果品种和新鲜度识别方法

目的：改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法：提出了一种轻量化模型YOLO-FFD（YOLO with fruit and freshen detection），该模型以YOLOv5框架为基础，基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元，减少模型参数量和计算量，加快模型的收敛速度；使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部，抑制信息丢失并增强模型的特征融合能力，提高模型的检测精度；采用GSConv代替特征融合网络中的普通卷积，使模型进一步轻量化。结果：提出模型的平均精度均值达到了96.12%，在RTX 3090上速度为172帧/s，在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型，平均精度均值提高了2.21%，计算量减少了26%，在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论：YOLO-FFD模型能够满足识别水果品种和新鲜度的需求，且在复杂场景下错检、漏检情况均有改善。     

基于并行综合学习粒子群算法的织物图像疵点检测

为了提高织物图像疵点检测的质量,提出了并行综合学习粒子群算法。首先,通过织物透光率获得织物图像的疵点;接着多尺度利用织物图像灰度值差异对疵点区域显著性增强,把疵点与周围像素进行区分,从而弱化背景对织物疵点的影响;然后综合学习粒子增设局部吸引因子,多群和并行策略提高搜索能力;最后得出算法流程。实验仿真显示本文算法对疵点检测清晰,破损疵点检测准确率为88.15%,缺失疵点检测准确率为90.46%,移位疵点检测准确率为93.87%,断经疵点检测准确率为86.54%,高于其它算法,同时检测消耗时间较少。     

基于多分辨率的全局及局部显著性的色织物疵点检测

为提高色织物疵点检测效率和准确性,提出一种融合多分辨率的全局及局部显著图的色织物疵点检测方法。针对织物疵点及纹理的频谱特征,通过高斯金字塔生成不同分辨率图像,采用小波变换的全局显著性算法,以及傅里叶变换融合的方法得到全局综合显著图。使用基于图论的显著性(graph-based visual saliency, GBVS)算法计算织物图像局部显著性。加权融合全局及局部显著图得到综合显著图,并进行图像分割及形态学操作对疵点区域进行检测。使用不同算法对5种不同类型色织物疵点进行检测,结果表明:提出的方法的疵点检测率达92.0%,与传统方法相比有较大提高,且检测时间较短。     

高斯混合模型在印花织物疵点检测中的应用

为了实现印花织物疵点的自动检测,提出了一种基于改进的高斯混合模型的疵点检测方法。该方法针对传统高斯混合背景模型应用于疵点检测中所出现的精度不高的问题,充分利用印花织物图像像素间具有很强相关性的特点,引入自适应分块建模的思想来实现印花织物疵点的检测。实验结果表明,使用该方法进行疵点检测,正确率可以达到94%。不仅如此,该方法还能有效处理检测过程中所出现的光照不均和噪声等问题,是一种非常适合于对印花织物进行疵点检测的方法。     

基于光电自动验布机视觉系统的织物疵点检测

为了提升织造织物质量、提高验布效率,介绍FS220型光电自动验布机的工作原理,以及特征明显织物疵点和特征不明显织物疵点的检测流程,对其采用的傅里叶变换与高斯滤波相结合的疵点检测算法和Sobel算子与Laplace算子相结合的疵点检测算法进行分析;对比分析纺织厂使用FS220型光电自动验布机与人工验布的结果。指出:采用多算法混合检测的FS220型光电自动验布机验布速度快、疵点的正检率高,可有效替代人工验布、节约人工成本,提高织物质量和企业经济效益,可促进织物疵点检测的数字化、智能化发展。     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

利用上下文视觉显著性检测色织物的疵点

利用上下文视觉显著性,探讨了格子、星形和点状色织物瑕疵检测的方法。针对色织物织物背景和瑕疵的对比度和分布特点,提出一种融合主成分分析法和上下文视觉显著性的色织物瑕疵检测算法。针对几种不同图案和纹理的色织物以及5种不同类型的瑕疵进行检测验证。试验结果表明:该算法能够较好地抑制不同类型织物花纹背景,疵点平均检测准确率达92.2%。认为:本文所采用的算法在色织物瑕疵的自动检测应用上具有一定可行性。     

基于非线性扩散和多特征融合的提花针织物疵点检测

为解决提花针织物的复杂纹理在疵点检测过程中易造成检测干扰和疵点误判的问题,提出一种基于非线性扩散和多特征融合的疵点检测方法。采用改进PM模型对提花针织物的花纹和强纹理边缘进行抑制,首先利用梯度差异将疵点图像分为纹理区域及疵点区域,然后结合各区域特点选择对应的扩散方程,依据梯度矩阵计算概率子集、相关准则来确定梯度阈值,实现分区域扩散。根据提花针织物的纹理分布特性,提取改进局部二值算法(LBP)、局部熵、局部相关性等表征参数,然后进行去邻域归一化和多特征融合进一步突出疵点区域,最后利用区域生长法定位分割出疵点形态。实验验证了本文预处理方法及疵点检测方法的有效性,通过与其它预处理算法和疵点检测算法进行对比,结果表明本文算法的检测效果最好,对正常织物图像的误检率为3.3%,对含疵点织物图像检测的准确率为98.6%。