本發(fā)明涉及織物疵點檢測方法，尤其涉及一種基于改進(jìn)yolov8模型的織物疵點檢測方法。
背景技術(shù)：
1、在織物生產(chǎn)過程中，缺陷檢測是必不可缺少的一個環(huán)節(jié)，可以有效提高紡織品的質(zhì)量。據(jù)統(tǒng)計，由于織物表面瑕疵點的存在，面料的價格會下降45％～65％。根據(jù)gbt24250-2009和gbt?24117-2009統(tǒng)計，針織物和機(jī)織物疵點種類不少于75種，而目前的含有疵點種類最多的tianchi?2018數(shù)據(jù)集也僅包括了46類，未能完全涵蓋所有的疵點種類?？椢锶毕莸姆N類繁多，若使用人工檢測缺陷，成本高，效率低，容易受工人的主觀影響，且對織物有一定的損傷。根據(jù)紡織工廠反饋，人工檢測的精度只有約70％。因此，如何快速且準(zhǔn)確的對織物進(jìn)行缺陷檢測成為急需解決的問題；故本發(fā)明提出了一種基于改進(jìn)yolov8的織物疵點檢測方法，能夠適應(yīng)復(fù)雜多變的疵點檢測需求，實現(xiàn)更高的檢測準(zhǔn)確率和效率。
技術(shù)實現(xiàn)思路
1、鑒于現(xiàn)有技術(shù)中的上述缺陷或不足，期望提供一種基于改進(jìn)yolov8模型的織物疵點檢測方法。
2、本發(fā)明提供的一種基于改進(jìn)yolov8模型的織物疵點檢測方法，包括如下步驟：
3、1)采集織物疵點圖像，建立織物疵點數(shù)據(jù)集；根據(jù)織物疵點類別對所述織物圖像上的疵點區(qū)域進(jìn)行標(biāo)注，獲得標(biāo)注后的疵點位置信息；
4、2)將所述織物疵點數(shù)據(jù)集按照8:1:1的比例劃分為訓(xùn)練集、驗證集及測試集，用于之后的模型訓(xùn)練和測試；
5、3)建立改進(jìn)yolov8模型，加入ssf特征融合模塊、multi-scaleattention注意力模塊及shape-iou損失函數(shù)，得到改進(jìn)后的msa-yolov8模型；
6、4)將所述訓(xùn)練集及驗證集輸入所述msa-yolov8模型中進(jìn)行訓(xùn)練，獲得優(yōu)化后的模型best-yolov8模型；
7、5)將所述測試集的織物疵點圖像輸入至訓(xùn)練后得到的所述best-yolov8模型中進(jìn)行檢測，檢測完成后得到含有疵點標(biāo)注框和檢測所得置信度的織物疵點圖像。
8、進(jìn)一步的，所述步驟1)中采用labelimg標(biāo)注軟件對所述織物疵點數(shù)據(jù)集進(jìn)行標(biāo)注，獲得每張所述織物疵點圖像的真實標(biāo)簽以及真實標(biāo)注框的寬高及中心點坐標(biāo)。
9、進(jìn)一步的，所述步驟1)中的所述織物疵點類別包括六種類別，分別為呆紗daisha、斷紗duansha、破洞podong、棉球mianqiu、脫紗tuosha及污漬wuzi。
10、進(jìn)一步的，所述步驟3)中的所述msa-yolov8模型依次包括輸入端、backbone、neck及prediction四個部分，具體組成如下：
11、a)輸入端：
12、輸入端包括mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計算、自適應(yīng)圖片縮放功能；
13、b)backbone：backbone主要由conv、c2f_multi-scale?attention以及sppf組成；其中，c2f_multi-scale?attention模塊包含特征處理基礎(chǔ)組件、多尺度特征提取組件和特征增強(qiáng)與注意力組件，通過三者的協(xié)同作用實現(xiàn)對特征的全方位增強(qiáng)，有效提升了模型對織物紋理特征的感知能力；
14、c)neck：
15、neck部分在原有特征金字塔網(wǎng)絡(luò)基礎(chǔ)上引入了ssf特征融合模塊；該模塊由序列化特征融合子模塊和三重特征編碼子模塊組成，其中序列化特征融合子模塊負(fù)責(zé)實現(xiàn)跨尺度特征的智能融合與重校準(zhǔn)，三重特征編碼子模塊則進(jìn)行多層級特征的序列化編碼與增強(qiáng)，共同構(gòu)建了一個層次化的特征提取與融合體系，有效提升了模型對織物瑕疵的檢測性能；
16、d)prediction：
17、bounding?box損失函數(shù)：prediction部分是將傳統(tǒng)的iou損失函數(shù)改進(jìn)為shape-iou損失函數(shù)，通過引入形狀感知機(jī)制提升定位精度。
18、進(jìn)一步的，所述步驟4)中，在用改進(jìn)后的yolov8訓(xùn)練之前，首先用所述織物疵點數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，確定最契合織物數(shù)據(jù)集的最佳迭代次數(shù)：將所述織物疵點數(shù)據(jù)集放在yolov8模型中訓(xùn)練迭代，最后確定最佳迭代次數(shù)為300；之后將所述訓(xùn)練集和驗證集的織物疵點圖像和標(biāo)簽輸入在步驟3)中建立好的msa-yolov8模型中進(jìn)行訓(xùn)練，根據(jù)預(yù)訓(xùn)練結(jié)果以及電腦性能設(shè)置epoch為300，batchsize為16；最后得到迭代優(yōu)化好的所述best-yolov8模型，混淆矩陣以及數(shù)據(jù)集的標(biāo)簽分布分析。
19、進(jìn)一步的，在所述步驟5)中通過所述best-yolov8模型對所述測試集中的織物疵點圖像進(jìn)行檢測，最后輸出每張織物疵點圖像的檢測結(jié)果以及檢測速度。
20、相對于現(xiàn)有技術(shù)而言，本發(fā)明的有益效果是：
21、本發(fā)明的基于改進(jìn)yolov8模型的織物疵點檢測方法，在yolov8的基礎(chǔ)上增添了multi-scaleattention注意力機(jī)制，并融合到backbone部分的c2f模塊功能，使得移動網(wǎng)絡(luò)通過多路徑并行處理提升特征表達(dá)能力，創(chuàng)新性地結(jié)合了通道混合、動態(tài)調(diào)制和特征重構(gòu)機(jī)制，形成完整的特征優(yōu)化鏈路，實現(xiàn)了特征的全方位增強(qiáng)；不僅獲取了通道間信息，還考慮了方向相關(guān)的位置信息，有助于模型更好地定位和識別目標(biāo)，能夠簡單地插入移動網(wǎng)絡(luò)的核心結(jié)構(gòu)中；相對于原始的yolov8，極大地提升了織物疵點的檢測效率及檢測精度，為工廠中織物疵點的高效檢測帶來了可能性。
22、應(yīng)當(dāng)理解，
技術(shù)實現(xiàn)要素：
部分中所描述的內(nèi)容并非旨在限定本發(fā)明的實施例的關(guān)鍵或重要特征，亦非用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的描述變得容易理解。
1.一種基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，所述步驟1)中采用labelimg標(biāo)注軟件對所述織物疵點數(shù)據(jù)集進(jìn)行標(biāo)注，獲得每張所述織物疵點圖像的真實標(biāo)簽以及真實標(biāo)注框的寬高及中心點坐標(biāo)。
3.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，所述步驟1)中的所述織物疵點類別包括六種類別，分別為呆紗daisha、斷紗duansha、破洞podong、棉球mianqiu、脫紗tuosha及污漬wuzi。
4.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，所述步驟3)中的所述msa-yolov8模型依次包括輸入端、backbone、neck及prediction四個部分，具體組成如下：
5.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，所述步驟4)中，在用改進(jìn)后的yolov8訓(xùn)練之前，首先用所述織物疵點數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，確定最契合織物數(shù)據(jù)集的最佳迭代次數(shù)：將所述織物疵點數(shù)據(jù)集放在yolov8模型中訓(xùn)練迭代，最后確定最佳迭代次數(shù)為300；之后將所述訓(xùn)練集和驗證集的織物疵點圖像和標(biāo)簽輸入在步驟3)中建立好的msa-yolov8模型中進(jìn)行訓(xùn)練，根據(jù)預(yù)訓(xùn)練結(jié)果以及電腦性能設(shè)置epoch為300，batchsize為16；最后得到迭代優(yōu)化好的所述best-yolov8模型，混淆矩陣以及數(shù)據(jù)集的標(biāo)簽分布分析。
6.根據(jù)權(quán)利要求1所述的基于改進(jìn)yolov8模型的織物疵點檢測方法，其特征在于，在所述步驟5)中通過所述best-yolov8模型對所述測試集中的織物疵點圖像進(jìn)行檢測，最后輸出每張織物疵點圖像的檢測結(jié)果以及檢測速度。