改进YOLOv8的织物缺陷检测方法

本发明属于织物缺陷检测，具体涉及改进yolov8的织物缺陷检测方法。

背景技术：

1、中国是世界上最大的纺织品制造国和出口国之一，同时纺织行业庞大的产业规模也对我国经济发展和社会稳定起到了重要支撑作用。

2、在纺织品生产中，织物缺陷检测是至关重要的一环，可有效提高纺织品质量。其目的在于防止织物缺陷对布匹质量产生负面影响，从而显著影响纺织品的价值和销售。长期以来，织物产品的质量检测一直依赖人工肉眼检查，工作人员按照个人经验检查织物质量，这种方式虽然可有效提高织物产品质量，但仍存在诸多不足。首先，当前社会老龄化趋势明显，劳动力短缺已成为面临的现实问题，而且纺织业这种体力劳动强度大、工作环境棉纤维尘埃多的行业，对劳动者的身体和心理健康构成一定挑战；其次，由于机械化程度不足，导致人工验布速度十分缓慢；此外，由于受检测工人对缺陷主观因素的影响，检测结果缺乏客观一致性以及准确性，因而常常导致误检和漏检。因此，人工肉眼的检查方式已经无法满足目前纺织行业迅速发展的需求。并且随着科技的不断进步，工业生产智能化程度日益提高，传统的人工视觉检测手段逐渐被淘汰，实现在生产过程中对织物缺陷的实时自动检测，已经成为纺织生产过程中的迫切需求。

3、目前对于织物缺陷的检测，国内外专家学者进行了大量研究，提出了很多方法。中国发明专利“一种针对色织物裁片缺陷区域的检测方法”(申请公布号cn 111402197 a)公开了一种针对色织物裁片缺陷区域的检测方法，该方法通过计算待测织物图像与模型重构图像的残差，进行数学形态学分析，实现色织衬衫裁片的缺陷检测和定位，可以有效避开缺陷样本数量稀缺、缺陷种类不平衡、人工设计缺陷特征构造成本高且特征泛化能力差等实际问题，但是只能处理一些非周期性的织物图像缺陷，并且对于一些细微的缺陷，检测精度不高。中国发明专利“基于高斯混合模型的织物缺陷检测方法”(申请公布号cn114693652a)公开了一种基于高斯混合模型的织物缺陷检测方法，该方法根据每块待检测织物的图像对应的累计距离曲线中变点的数量和变点对应的像素值得到每块待检测织物图像的缺陷区域，降低了误检率和漏检率，无需再依赖人工对待检测织物进行缺陷检测，但是该方法对于噪声比较敏感，影响缺陷检测的准确性。中国发明专利“一种基于改进yolov7-tiny网络模型的织物缺陷检测方法”(申请公布号cn 117173111 a)公开了一种基于改进yolov7-tiny网络模型的织物缺陷检测方法，该方法基于yolov7-tiny网络模型，结合spd-conv模块和混合注意力模块，构建适于织物缺陷检测的织物缺陷检测模型，不仅可以提高织物缺陷检测的精度，还可以大大减少计算量，但是缺乏缺陷检测系统，不能直接进行织物缺陷的实时检测。

4、综上所述，目前织物缺陷的检测方法，没有很好实现对织物缺陷进行高精度检测的同时，保持快速的实时性能；并且缺乏针对织物生产过程具体提出进行实时检测的方法，没有完全可借鉴的有效实时检测系统及实时检测实验平台。

技术实现思路

1、本发明的目的是提供改进yolov8的织物缺陷检测方法，解决目前织物缺陷检测无法兼顾精度与实时检测性能的双重要求的问题，实现对纹理织物的高精度快速检测。

2、为了达到上述目的，本发明所采用的技术方案是：改进yolov8的织物缺陷检测方法，具体按照以下步骤实施：

3、步骤1，采用mosaic数据增强方法对织物数据集进行扩充；

4、步骤2，基于yolov8模型针对步骤1得到的织物数据集，分析其特点进行改进，提高yolov8模型的检测性能；

5、步骤3，使用步骤2改进后的yolov8模型并基于pyqt5软件搭建织物缺陷检测系统；

6、步骤4，基于rbtpb直线移动设备搭建实验平台；

7、步骤5，采用改进的yolov8模型结合基于pyqt5软件搭建的检测系统以及基于rbtpb直线移动设备的实验平台进行织物缺陷检测。

8、作为本发明的一种优选的技术方案，所述步骤1，具体按照以下步骤实施：

9、步骤1.1，采用labelimg对数据集进行标注，得到输入的照片；

10、步骤1.2，对输入的图片进行分割；

11、步骤1.3，对每个分割后的图片的标注框进行调整，确保标注框与分割后的图片进行匹配；

12、步骤1.4，将分割后的图片，以四张为单元拼接成一个新的图片；

13、步骤1.5，对新的图片进行色域变换，调整色调、饱和度和亮度；

14、步骤1.6，对所有分割后的标注框进行合并处理，得到新的图片以及对应的标注框，即通过数据增强扩充后的数据集；

15、步骤1.7，对扩充后的数据集划分为训练集、验证集、测试集，划分比例为7：2：1。

16、作为本发明的一种优选的技术方案，所述步骤2，具体按照以下步骤实施：

17、步骤2.1、通过convnext v2模块替换backbone中的c2f模块，获得yolov8-convnext v2模型；

18、步骤2.2、以yolov8-convnext v2模型为基础，通过分析对比选择添加gam注意力机制，获得yolov8-convnext v2-gam模型；

19、步骤2.3、以yolov8-convnext v2-gam模型为基础，通过将边界框损失函数ciou替换为wiou，提出yolov8-convnext v2-gam-wiou的织物缺陷检测模型，即改进后的yolov8模型。

20、作为本发明的一种优选的技术方案，所述步骤3，具体按照以下步骤实施：

21、步骤3.1、通过qt designer软件搭建登录与注册界面；

22、步骤3.2、通过qt designer软件搭建缺陷检测界面；

23、步骤3.3、通过qt designer软件搭建检测结果展示界面；

24、步骤3.4、通过qt designer软件搭建结果保存界面；

25、步骤3.5、将步骤3.1-步骤3.4搭建界面的ui文件通过pyuic转换为python文件，整合得到织物缺陷检测系统。

26、作为本发明的一种优选的技术方案，所述步骤4，具体按照以下步骤实施：

27、步骤4.1、在pc端安装rbtpb直线移动设备的控制卡驱动；

28、步骤4.2、按rbtpb直线移动设备的控制箱和平台连接电缆标示的标签正确进行电气连接并打开控制箱电源开关；

29、步骤4.3、在rbtpb直线移动设备的控制卡快速测试工具上选择好网卡及控制卡id，点击“连接”，完成直线移动设备与控制卡的连接；

30、步骤4.4、打开rbtpb直线移动设备的可编程通用运动控制系统；

31、步骤4.5、在运动控制系统工作之前进入rbtpb直线移动设备的系统设置页面，选择与控制卡连接的网卡与控制卡的id，完成可编程通用运动控制系统与rbtpb直线移动设备的连接。；

32、步骤4.6、进入rbtpb直线移动设备的零点设置界面对平移台进行零点设置，以方便点击x/y/z轴负方向找零时，x/y/z轴自动运行到零点位置；

33、步骤4.7、进入rbtpb直线移动设备的手动操作界面对对直线移动设备进行位置控制。采用[x+]、[y+]、…、等正方向点动按钮，按下时控制电机正方向转动；[x-]、[y-]、…、等负方向点动按钮，按下时控制电机负方向转动。

34、作为本发明的一种优选的技术方案，所述步骤5，具体按照以下步骤实施：

35、步骤5.1，设置yolov8-convnext v2-gam-wiou模型超参数；

36、步骤5.2，按步骤1中划分好的数据集训练yolov8-convnext v2-gam-wiou模型，保存模型权重；

37、步骤5.3，将模型权重添加到步骤3搭建的检测系统中；

38、步骤5.4，运行步骤3生成的python文件打开检测系统；

39、步骤5.5，在检测系统中打开摄像头开关，从而打开步骤4搭建完成的实验平台中的相机；

40、步骤5.6、进行实时检测。

41、本发明的有益效果是：本发明提出了基于yolov8模型改进的织物缺陷检测算法，主要是先通过convnext v2模块替换backbone中的c2f模块，对织物缺陷实现多尺度特征提取，提高模型的检测精度；接着针对织物缺陷不规则性和纹理干扰性的特点，通过分析对比选择添加gam注意力机制；最后针对织物缺陷图片类别不均衡的特点通过将边界框损失函数ciou替换为wiou，进一步提高了yolov8模型检测准确性和边界框回归性能；接着搭建了基于pyqt5软件的检测系统以及基于rbtpb直线移动设备的实验平台，针对织物生产过程中具体如何进行实时检测，提出一种有效的织物缺陷检测方法。