一种基于改进YOLOv3的围巾花纹缺陷检测方法

技术领域

本发明涉及缺陷检测领域，特别设计一种基于改进YOLOv3的围巾花纹缺陷检测方法。

背景技术

围巾作为一种重要的冬天保暖工作，在现代日常生活中得到了广泛的应用。然而在现阶段，围巾在生产过程中或多或少会出现各种各样的缺陷，其中包括在围巾生产过程中，出现表面花纹缺陷等问题，这对于最后产品的美观性、完整性有着很大的不良影响，产品质量也在一定程度上很难得到市场认可，因此对于围巾的表面花纹进行检测是具有非常重要的意义。

常用的表面缺陷检测有人工、射线以及机器视觉检测，其中，人工检测的缺点非常明显,因为其需要很大的劳动强度,而且检测效率低，检测结果不理想；机器视觉检测是将计算机的很多优点与数字图像处理技术相结合进行视觉检测,这样可以大大提高检测的效率，但它的应用尚处于发展阶段，技术还不是很成熟。

发明内容

为了解决上述存在问题。本发明提供一种基于改进YOLOv3的围巾花纹缺陷检测方法，解决围巾花纹缺陷问题。为达此目的：一种基于改进YOLOv3的围巾花纹缺陷检测方法，具体步骤如下：

步骤1：获取围巾生产过程中的围巾图像数据：通过CCD相机检测流水线上围巾的运动图像数据；

步骤2：将围巾模糊运动图像复原：建立围巾运动时检测的数学模型，计算图像的扩散函数，使用滤波算法获得复原后的围巾运动图像；

步骤3：利用改进的YOLOv3算法检测围巾的花纹边线：为更准确的检测围巾的花纹边线，改进YOLOv3的损失函数和网络锚框，检测围巾花纹边线；

步骤4：设置花纹参考线，分割花纹小方格：通过YOLOv3算法定位围巾的花纹边线，并分割出多个围巾花纹小方格；

步骤5：Harris角点检测围巾的瑕疵处：通过Harris角点检测算法检测每个被分割方格的角点，并对花纹边线图像进行配准和拼接，检测出围巾的瑕疵处。

作为本发明进一步改进，所述步骤2中复原围巾模糊运动图像如下：

步骤2.1首先建立CCD相机采集的围巾图像数学模型：

g(x，y)＝f(x，y)*h(x，y)+n(x，y) (1)

式中，g(x,y)是采集到的围巾模糊运动图像，*是卷积运算，f(x,y)是理想的图像，h(x,y)是点扩散函数，n(x,y)是随机引入的加性噪声；

步骤2.2计算点扩散函数：

先将h(x,y)点扩散函数经二维傅里叶转换为H(u，v)，再通过下式求解出点扩散函数的二维傅里叶函数H(u，v)：

式中，b

步骤2.3在确定点扩散函数之后，通过维纳滤波获得复原后的围巾运动图像，其中滤波的表达式为：

式中，H(u,v)*是点扩散函数的共轭，P

f′(m，n)＝F

式中，G(u,v)是围巾模糊图像经傅里叶变换后的频域表达式，F

作为本发明进一步改进，所述步骤3中利用改进的YOLOv3算法检测围巾的花纹边线如下：

网络的损失函数是用来评价模型预测值和真实值不一样的程度，极大的影响了模型的收敛效果，为了更好的收敛模型，本发明使用下列函数替代原有的损失函数：

LossGrad＝tan(t-σ(z))/tan(l) (5)

式中，б(Z)是网络输出值，t是图像标签的实际值，t-б(Z)取值范围为[-1,1]；同时为更准确的检测未经的花纹边线，使用K-means算法改进YOLOv3网络锚框，为减小检测框的回归难度，通过K-means得到训练集上的聚类中心，对原始YOLOv3网络的锚框重新设置：

d＝1-IOU(b，a) (6)

其中，IOU是锚框交集和并集的比值，a和b分别表示标签和聚类中心框和聚类中心框，d表示标签框与聚类中心框的重叠度，d越小表示标签框与聚类中心框的重叠度越高，使用聚类中心设置所有的YOLO锚框，大分辨率特征图对应的YOLO层使用较小的2个锚框，小分辨率特征图对应的YOLO层使用较大的3个锚框；将复原后的围巾图像作为训练样本，训练改进后的YOLOv3网络，获得能检测围巾花纹边线的YOLOv3网络。

作为本发明进一步改进，所述步骤5中Harris角点检测围巾的瑕疵处如下：

经过步骤4分割多个围巾的花纹边线后，首先将图像进行灰度处理，获得花纹边线的灰度图像，并通过下式判断花纹边线的断点：

式中，u，v是窗口在水平和竖直方向的偏移值，M是灰度图像的协方差矩阵：

式中，(x，y)是图像的像素坐标，w(x，y)是窗口函数，I

本发明一种基于改进YOLOv3的围巾花纹缺陷检测方法，有益效果在于：

1.本发明通过计算点扩散函数、维纳滤波后，解决围巾生产过程中由运动带来的图像模糊问题；

2.本发明利用改进后的YOLOv3算法检测围巾的花纹边线，改进后的YOLOv3检测算法有着易收敛、减小检测框回归难度等优点；

3.本发明利用Harris角点检测算法实现了围巾的缺陷检测，为围巾花纹缺陷检测提供了一种重要技术手段。

附图说明

图1是本发明算法流程图；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种基于改进YOLOv3的围巾花纹缺陷检测方法，通过计算点扩散函数、维纳滤波后，解决围巾生产过程中由运动带来的图像模糊问题，同时利用改进后的YOLOv3算法检测围巾的花纹边线，改进后的YOLOv3检测算法有着易收敛、减小检测框回归难度等优点，算法流程图如图1所示，具体步骤如下所示：

步骤1：获取围巾生产过程中的围巾图像数据：通过CCD相机检测流水线上围巾的运动图像数据；

步骤2：将围巾模糊运动图像复原：建立围巾运动时检测的数学模型，计算图像的扩散函数，使用滤波算法获得复原后的围巾运动图像；

步骤2中复原围巾模糊运动图像具体描述如下：

步骤2.1首先建立CCD相机采集的围巾图像数学模型：

g(x，y)＝f(x，y)*h(x，y)+n(x，y) (1)

式中，g(x,y)是采集到的围巾模糊运动图像，*是卷积运算，f(x,y)是理想的图像，h(x,y)是点扩散函数，n(x,y)是随机引入的加性噪声；

步骤2.2计算点扩散函数：

先将h(x,y)点扩散函数经二维傅里叶转换为H(u，v)，再通过下式求解出点扩散函数的二维傅里叶函数H(u，v)：

式中，b

步骤2.3在确定点扩散函数之后，通过维纳滤波获得复原后的围巾运动图像，其中滤波的表达式为：

式中，H(u,v)*是点扩散函数的共轭，P

P

f′(m，n)＝F

式中，G(u,v)是围巾模糊图像经傅里叶变换后的频域表达式，F

步骤3：利用改进的YOLOv3算法检测围巾的花纹边线：为更准确的检测围巾的花纹边线，改进YOLOv3的损失函数和网络锚框，检测围巾花纹边线；

步骤3中利用改进的YOLOv3算法检测围巾的花纹边线具体描述如下：

在获得复原后的围巾运动图像后，建立训练样本集，训练YOLOv3围巾花纹边线检测网络，网络的损失函数是用来评价模型预测值和真实值不一样的程度，极大的影响了模型的收敛效果，为了更好的收敛模型，本发明使用下列函数替代原有的损失函数：

LossGrad＝tan(t-σ(z))/tan(l) (5)

式中，б(Z)是网络输出值，t是图像标签的实际值，t-б(Z)取值范围为[-1,1]；同时为更准确的检测未经的花纹边线，使用K-means算法改进YOLOv3网络锚框，为减小检测框的回归难度，通过K-means得到训练集上的聚类中心，对原始YOLOv3网络的锚框重新设置：

d＝1-IOU(b，a) (6)

其中，IOU是锚框交集和并集的比值，a和b分别表示标签和聚类中心框和聚类中心框，d表示标签框与聚类中心框的重叠度，d越小表示标签框与聚类中心框的重叠度越高，使用聚类中心设置所有的YOLO锚框，大分辨率特征图对应的YOLO层使用较小的2个锚框，小分辨率特征图对应的YOLO层使用较大的3个锚框；将复原后的围巾图像作为训练样本，训练改进后的YOLOv3网络，获得能检测围巾花纹边线的YOLOv3网络。

步骤4：设置花纹参考线，分割花纹小方格：经过步骤3检测定位围巾的花纹边线之后，将围巾的花纹边线分割出多个围巾花纹小方格；

步骤5：Harris角点检测围巾的瑕疵处：通过Harris角点检测算法检测每个被分割方格的角点，并对花纹边线图像进行配准和拼接，检测出围巾的瑕疵处。

步骤5中Harris角点检测围巾的瑕疵处具体描述如下：

经过步骤4分割多个围巾的花纹小方格后，首先将图像进行灰度处理，获得花纹边线的灰度图像，并通过下式判断花纹边线的断点：

式中，u，v是窗口在水平和竖直方向的偏移值，M是灰度图像的协方差矩阵：

式中，(x，y)是图像的像素坐标，w(x，y)是窗口函数，I

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。