本發(fā)明屬于紗線檢測(cè)和深度學(xué)習(xí)，具體是涉及一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法。

背景技術(shù)：

1、紗線質(zhì)量在線檢測(cè)技術(shù)主要是針對(duì)化纖工業(yè)的紗線生產(chǎn)過(guò)程中的異常進(jìn)行檢測(cè)，這些生產(chǎn)異常主要由設(shè)備故障、設(shè)備老化、人工操作失誤等情況引起，而在紡絲設(shè)備中的油嘴區(qū)域主要需要對(duì)飄絲和絲路異常等紗線質(zhì)量缺陷進(jìn)行檢測(cè)。現(xiàn)有的紗線質(zhì)量檢測(cè)技術(shù)多以電容式、光電式、傳統(tǒng)圖像處理等方法為主，但是均是針對(duì)完成生產(chǎn)后的紗線進(jìn)行質(zhì)量檢測(cè)，缺少針對(duì)生產(chǎn)線中的紗線質(zhì)量檢測(cè)。

2、另外，紗線生產(chǎn)多數(shù)以24小時(shí)不停機(jī)的方式自動(dòng)完成生產(chǎn)，期間會(huì)有少量的人工操作，針對(duì)生產(chǎn)線中的異常檢測(cè)，主要由人工巡檢為主，存在人力成本高、檢測(cè)效率低等問(wèn)題，受限于人員易受疲勞、注意力不集中等主觀因素影響，再加上現(xiàn)場(chǎng)光線不穩(wěn)定等環(huán)境因素，極易出現(xiàn)漏檢現(xiàn)象，從而導(dǎo)致瑕疵產(chǎn)品產(chǎn)生，生產(chǎn)效率的下降。因此，現(xiàn)有技術(shù)傾向于采用計(jì)算機(jī)技術(shù)與移動(dòng)機(jī)器人技術(shù)相結(jié)合的方式，減少甚至代替人工巡檢，主要采取基于傳統(tǒng)機(jī)器視覺(jué)算法的生產(chǎn)檢測(cè)方式，將檢測(cè)算法部署在移動(dòng)設(shè)備上，通過(guò)移動(dòng)設(shè)備上搭載的工業(yè)相機(jī)獲取紗線生產(chǎn)過(guò)程中的圖像，再將圖像送入相應(yīng)算法中判斷，而基于傳統(tǒng)機(jī)器視覺(jué)的算法主要是通過(guò)判斷紗線偏離距離來(lái)判斷是否為異常。這類方法通過(guò)邊緣處理獲取紗線位置，再通過(guò)紗線位置間距判斷是否存在異常。但是，紗線生產(chǎn)設(shè)備背景及環(huán)境復(fù)雜，紗線在生產(chǎn)過(guò)程中直徑極小，采用傳統(tǒng)的邊緣算法或模板匹配算法容易丟失和誤判紗線位置，同時(shí)傳統(tǒng)機(jī)器視覺(jué)方案容易受背景和拍攝清晰度影響，導(dǎo)致檢測(cè)效果不佳，漏檢率、誤檢率較高，不適合大規(guī)模推廣。

3、另外，深度學(xué)習(xí)算法憑借強(qiáng)大的適應(yīng)性和優(yōu)秀的檢測(cè)效果，在多個(gè)領(lǐng)域有所建樹(shù)，尤其是語(yǔ)義分割算法，擁有強(qiáng)大的精細(xì)劃分能力，非常適用于特征不明顯的圖像分割，因此將語(yǔ)義分割算法應(yīng)用于紗線生產(chǎn)的瑕疵分割上具有現(xiàn)實(shí)意義。但是，基于卷積神經(jīng)網(wǎng)絡(luò)的unet語(yǔ)義分割算法常被用于醫(yī)學(xué)影像等圖像的精細(xì)劃分，但是存在著算法體積較大，算力要求較高，檢測(cè)速度較慢等問(wèn)題，不適合直接部署在移動(dòng)巡檢設(shè)備上。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題是提供一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，用以輕量化、高精度地對(duì)紗線紡絲過(guò)程中油嘴處的紗線質(zhì)量進(jìn)行檢測(cè)。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，過(guò)程包括：在線采集紗線生產(chǎn)過(guò)程的紗線圖片，在計(jì)算機(jī)中將采集的圖片進(jìn)行尺寸縮小后輸入至離線訓(xùn)練好的miniunet網(wǎng)絡(luò)中，輸出帶有異常位置和種類的語(yǔ)義分割檢測(cè)結(jié)果圖；

3、miniunet網(wǎng)絡(luò)基于unet網(wǎng)絡(luò)，采用非對(duì)稱結(jié)構(gòu)，encoder的每個(gè)下采樣模塊包括交叉條形卷積模塊和最大池化操作；bottleneck包括soft-cbam注意力機(jī)制和最近鄰插值；decoder的每個(gè)上采樣模塊包括深度可分離卷積、激活函數(shù)gelu和pixelshuffle操作；下采樣模塊和上采樣模塊之間采用跳躍連接。

4、作為本發(fā)明的一種輕量化unet的紗線質(zhì)量在線檢測(cè)方法的改進(jìn)：

5、所述soft-cbam注意力機(jī)制基于cbam注意力機(jī)制改進(jìn)，計(jì)算流程如下：

6、

7、

8、

9、式中：為原始特征圖；為輸出的注意力值；outca(f)為通道注意力輸出值；outsa(f)為空間注意力輸出值；σ為sigmoid函數(shù)；w0和w1為mlp的權(quán)重；和為沿通道平均池化特征；和為沿通道最大池化特征；為軟空間池化特征；為沿通道寬度方向池化特征；為沿通道高度方向池化特征。

10、作為本發(fā)明的一種輕量化unet的紗線質(zhì)量在線檢測(cè)方法的進(jìn)一步改進(jìn)：

11、所述交叉條形卷積模塊的計(jì)算過(guò)程為：

12、

13、其中，convk1×k2表示卷積核為k1×k2的卷積，x為輸入，y為輸出，gelu為基于高斯誤差函數(shù)的非線性激活函數(shù)，bn為批歸一化。

14、作為本發(fā)明的一種輕量化unet的紗線質(zhì)量在線檢測(cè)方法的進(jìn)一步改進(jìn)：

15、所述miniunet網(wǎng)絡(luò)的離線訓(xùn)練過(guò)程為：

16、采集企業(yè)紗線生產(chǎn)過(guò)程的圖片，在計(jì)算機(jī)中將采集到的圖片進(jìn)行縮放操作后經(jīng)手工標(biāo)注后按0.8:0.2比例劃分為訓(xùn)練集和測(cè)試集；

17、將訓(xùn)練集中的圖片輸入miniunet網(wǎng)絡(luò)，訓(xùn)練過(guò)程中計(jì)算損失函數(shù)值并反向傳播迭代優(yōu)化模型參數(shù)，并在每輪訓(xùn)練結(jié)束后，輸入測(cè)試集檢查輪訓(xùn)練效果，計(jì)算相應(yīng)f1分?jǐn)?shù)；到達(dá)預(yù)設(shè)epoch次數(shù)后結(jié)束訓(xùn)練，并根據(jù)最佳測(cè)試效果保留最佳權(quán)重。

18、作為本發(fā)明的一種輕量化unet的紗線質(zhì)量在線檢測(cè)方法的進(jìn)一步改進(jìn)：

19、所述損失函數(shù)為：

20、

21、其中，loss為總損失、為交叉熵?fù)p失函數(shù)，為骰子損失，為預(yù)測(cè)結(jié)果，y為標(biāo)簽圖。

22、本發(fā)明的有益效果主要體現(xiàn)在：

23、1、本發(fā)明構(gòu)建了交叉條形卷積模塊，并將其應(yīng)用于unet網(wǎng)絡(luò)的encoder部分，使得encoder在輕量化的同時(shí)，保證了特征提取能力；

24、2、本發(fā)明改進(jìn)了cbam機(jī)制，強(qiáng)化了注意力機(jī)制的性能，并將其應(yīng)用于unet網(wǎng)絡(luò)的bottleneck部分，簡(jiǎn)化了高級(jí)特征的處理過(guò)程，在幾乎不影響檢測(cè)精度的情況下，極大地減少了模型的參數(shù)量；

25、3、本發(fā)明使用了深度可分離卷積對(duì)unet網(wǎng)絡(luò)的decoder進(jìn)行重構(gòu)，去掉了冗余的3×3的普通卷積，使得decoder在維持相同解碼效果的情況下，更加輕量化；

26、4、本發(fā)明基于unet進(jìn)行非對(duì)稱結(jié)構(gòu)設(shè)計(jì)，通過(guò)引入交叉條形卷積、soft-cbam注意力機(jī)制和深度可分離卷積，構(gòu)建了輕量化紗線質(zhì)量在線監(jiān)測(cè)網(wǎng)絡(luò)miniunet，該網(wǎng)絡(luò)參數(shù)量?jī)H為35.11k，內(nèi)存占用量?jī)H為0.27mb，平均交并比(miou)可達(dá)84.50％，f1分?jǐn)?shù)可達(dá)91.24％，使得該模型在紗線質(zhì)量的圖像語(yǔ)義分割任務(wù)中具有更好的表現(xiàn)。

技術(shù)特征：

1.一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，其特征在于：過(guò)程包括在線采集紗線生產(chǎn)過(guò)程的紗線圖片，在計(jì)算機(jī)中將采集的圖片進(jìn)行尺寸縮小后輸入至離線訓(xùn)練好的miniunet網(wǎng)絡(luò)中，輸出帶有異常位置和種類的語(yǔ)義分割檢測(cè)結(jié)果圖；

2.根據(jù)權(quán)利要求1所述的一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，其特征在于：

3.根據(jù)權(quán)利要求2所述的一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，其特征在于：

4.根據(jù)權(quán)利要求3所述的一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，其特征在于：

5.根據(jù)權(quán)利要求4所述的一種基于輕量化unet的紗線質(zhì)量在線檢測(cè)方法，其特征在于：

技術(shù)總結(jié)
本發(fā)明涉及紗線檢測(cè)和深度學(xué)習(xí)技術(shù)領(lǐng)域，公開(kāi)了一種基于輕量化UNet的紗線質(zhì)量在線檢測(cè)方法，包括在線采集紗線生產(chǎn)過(guò)程的紗線圖片，在計(jì)算機(jī)中將采集的圖片進(jìn)行尺寸縮小后輸入至離線訓(xùn)練好的MiniUNet網(wǎng)絡(luò)中，輸出帶有異常位置和種類的語(yǔ)義分割檢測(cè)結(jié)果圖；Bottleneck部分包括Soft?CBAM注意力機(jī)制和最近鄰插值；Decoder部分的每個(gè)上采樣模塊包括深度可分離卷積、激活函數(shù)GELU和Pixelshuffle操作。本發(fā)明基于UNet進(jìn)行非對(duì)稱結(jié)構(gòu)設(shè)計(jì)，減少了大量參數(shù)量和內(nèi)存占用量的同時(shí)，保持了高精度的檢測(cè)效果，更適合于部署在低算力的移動(dòng)設(shè)備上。

技術(shù)研發(fā)人員：黃垚,潘海鵬,任佳,李尚杰
受保護(hù)的技術(shù)使用者：浙江理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15