论文部分内容阅读
布匹瑕疵检测是指将布匹中瑕疵的位置、大小、类别标记出来,是布匹生产过程中必不可少的环节。传统的布匹瑕疵检测是通过人工进行检测,但是人工检测会存在一些问题,例如人眼疲劳导致出现漏检或者误检,人眼难以对细小的瑕疵进行识别,主观判断失误,检测时间较长等。实现自动布匹瑕疵检测来取代人工检测,有利于提高布匹生产质量、减少人力成本和生产时间。本文的主要工作如下:1.提出一种基于Kmeans++的布匹瑕疵聚类策略。针对仅标注瑕疵位置和大小,没有标注具体类别的数据集,若直接构建模型进行瑕疵检测的效果不佳,所以有必要使用聚类预处理。本文选择瑕疵的尺度和面积作为聚类特征,应用Kmeans算法、Mini Batch KMeans算法、Agglomerative算法进行实验,根据实验结果择优选择Kmeans++算法对Tian-Fabric数据集进行布匹瑕疵聚类,方便后续构建布匹瑕疵检测模型。2.提出一种改进YOLOv5s的布匹瑕疵检测模型YOLOF。针对布匹瑕疵数据集类别样本不平衡问题,引入权重采样方法优化模型,模型训练时对出现次数少的样本进行过采样,达到类别样本平衡的效果;针对极端小目标瑕疵问题,引入特征融合自适应机制优化模型,在特征融合时考虑每个尺度特征图贡献的权重。针对极端长宽比目标瑕疵问题,引入内卷卷积优化模型,内卷卷积的空间特异性改善了长距离像素依赖的问题。通过实验对比分析,经过组合优化的YOLOF模型效果较好,在布匹瑕疵检测数据集Tian-Fabric和Fu-Fabric上,本文提出的YOLOF模型的m AP相较于YOLOv5s基准模型分别提升0.061和0.026,该模型将作为后续原型系统部署的模型。3.提出一种基于边缘计算的布匹瑕疵检测原型系统EFDS。EFDS主要包括中心服务端和若干边缘服务端,中心服务端负责维护边缘服务端的状态,控制边缘服务端的任务,并向客户端提供若干接口,边缘服务端部署在每个验布机上,对工业相机采集的布匹图像进行实时的检测,将检测结果写入中心服务端的数据库中,相比单一中心服务端的系统架构,EFDS具有通信成本低和模型推理速度快的优点。本文所提出的布匹瑕疵聚类策略、布匹瑕疵检测模型YOLOF和布匹检测原型系统EFDS,在两个数据集上取得了较好的效果,有利于实现布匹瑕疵检测的智能化和自动化。