|本期目录/Table of Contents|

[1]邹宏睿,任佳,潘海鹏,等.基于改进YOLOv5s的轻量化布匹瑕疵检测算法[J].浙江理工大学学报,2024,51-52(自科三):389-398.
　ZOU Hongrui,REN Jia,PAN Haipeng,et al.A lightweight fabric defect detection algorithm  based on improved YOLOv5s[J].Journal of Zhejiang Sci-Tech University,2024,51-52(自科三):389-398.
点击复制

基于改进YOLOv5s的轻量化布匹瑕疵检测算法()
分享到：

浙江理工大学学报[ISSN:1673-3851/CN:33-1338/TS]

卷:
第51-52卷
期数:
2024年自科第三期
页码:
389-398
栏目:
出版日期:
2024-05-10

文章信息/Info

Title:
A lightweight fabric defect detection algorithm  based on improved YOLOv5s
文章编号:
1673-3851 (2024) 05-0389-10
作者:
邹宏睿; 任佳; 潘海鹏; 周传辉
1.浙江理工大学信息科学与工程学院，杭州 310018；2.浙江理工大学常山研究院有限公司，衢州 324299
Author(s):
ZOU Hongrui ;  REN Jia ;  PAN Haipeng ;  ZHOU Chuanhui
1.School of Information Science and Engineering, Zhejiang Sci-Tech University, Hangzhou 310018, China; 2.Zhejiang Sci-Tech University Changshan Research  Institute Co., Ltd., Quzhou 324299, China
关键词:
布匹瑕疵检测; YOLOv5s; GhostNet; 注意力机制; 高精度; 实时性
分类号:
TP183
文献标志码:
A
摘要:
针对纺织生产中布匹瑕疵检测高精度、实时性的需求，提出了一种基于改进YOLOv5s的轻量化布匹瑕疵检测算法(GhostNet CBAM Partial convolution YOLOv5s, GCP YOLOv5s)。该算法首先引入GhostNet中的GhostConv模块，对原主干网络进行优化重构，大幅减少网络参数；其次，在主干特征提取网络中加入CBAM(Convolutional block attention module)注意力机制，增加网络的特征提取能力；最后，设计了基于Partial convolution的改进C3模块(C3 Partial convolution, C3-P)，在降低模型参数量的同时提高特征融合能力。在自建布匹瑕疵数据集上进行了对比测试，结果表明：与基准模型YOLOv5s相比，GCP YOLOv5s的参数量降低了41.6%，计算量降低了43.1%，检测速度提高了12 FPS，检测精度提升了1.7%。GCP YOLOv5s算法在保证模型轻量化的同时具有较高的检测精度，可以满足布匹瑕疵检测的高精度和实时性要求。

参考文献/References:

［ 1 ］时造雄 , 茅正冲 . 基于改进 Yolov5 的花色布匹瑕疵检测方法［ J ］ . 计算机测量与控制 , 2023, 31(4): 56 - 62.

［ 2 ］许玉格 , 钟铭 , 吴宗泽 , 等 . 基于深度学习的纹理布匹瑕疵检测方法［ J ］ . 自动化学报 , 2023, 49(4): 857 - 871.

［ 3 ］俞文静 , 刘航 , 李梓瑞 , 等 . 基于图像增强和 CNN 的布匹瑕疵检测算法［ J ］ . 计算机技术与发展 , 2021, 31(5): 90 - 95.

［ 4 ］ Jia D Y, Zhou J L, Zhang C W. Detection of cervical cells based on improved SSD network ［ J ］ . Multimedia Tools and Applications, 2022, 81(10): 13371 - 13387.

［ 5 ］ Diwan T, Anirudh G, Tembhurne J V. Object detection using YOLO: Challenges, architectural successors, datasets and applications ［ J ］ . Multimedia Tools and Applications, 2023, 82(6): 9243 - 9275.

［ 6 ］ Sharma V K, Mir R N. Saliency guided faster - RCNN (SGFr - RCNN)model for object detection and recognition ［ J ］ . Journal of King Saud University - Computer and Information Sciences, 2022, 34(5): 1687 - 1699.

［ 7 ］ 蔡兆信 , 李瑞新 , 戴逸丹 , 等 . 基于 Faster RCNN 的布匹瑕疵识别系统［ J ］ . 计算机系统应用 , 2021, 30(2): 83 - 88.

［ 8 ］ Zhou S, Zhao J, Shi Y S, et al. Research on improving YOLOv5s algorithm for fabric defect detection ［ J ］ . International Journal of Clothing Science and Technology, 2023, 35(1): 88 - 106.

［ 9 ］ Liu J H, Wang C Y, Su H, et al. Multistage GAN for fabric defect detection ［ J ］ . IEEE Transactions on Image Processing, 2019, 29: 3388 - 3400.

［ 10 ］李辉 , 吕祥聪 , 申贝贝，等 . 双路高分辨率转换网络的花色布匹瑕疵检测［ J ］ . 计算机工程与设计 , 2023, 44(9): 2731 - 2739.

undefined

备注/Memo

备注/Memo:
收稿日期： 2023-12-08
网络出版日期：2024-03-13
基金项目： 浙江省“尖兵”研发攻关计划项目（2023C01002）；浙江省教育厅一般科研项目（Y202147717）；浙江理工大学研究生优秀学位论文培育基金（LW-YP2022080）
作者简介： 邹宏睿(1999-)，男，广东惠州人，硕士研究生，主要从事故障诊断方面的研究
通信作者： 任佳，E-mail：jren@zstu.edu.cn
更新日期/Last Update: 2024-06-19