本发明涉及织物染色瑕疵检测，具体涉及一种基于改进yolo的织物染色瑕疵轻量化检测方法及系统。
背景技术：
1、在纺织印染行业中，织物在染色后、印花后、连续平幅处理后都会出现各类瑕疵问题。其中，织物染色后瑕疵检测是生产流程的关键环节。目前的检测方法主要分为传统的机器视觉技术和基于深度学习的技术。传统的机器视觉方法依赖人工特征提取，通常仅适用于部分织物染色后瑕疵检测，存在可靠性不足、泛化能力有限、且检测速度较慢等弊端。相比之下，深度学习方法能从大量数据中自我学习和提取深层图像特征，在复杂环境中实现更高效、更精准的检测。但目前基于深度学习的织物染色瑕疵检测算法有很多，都存在计算量大、耗时长、依赖图形处理单元(gpu)等高计算能力设备的缺点，且一套检测设备需要具备多个工业相机来完成检测任务，而工业相机的成本都比较高昂。
技术实现思路
1、本发明目的是提供一种基于改进yolo的织物染色瑕疵轻量化检测方法及系统。
2、本发明所采取的技术方案为：基于改进yolo的织物染色瑕疵轻量化检测方法，包括以下步骤：
3、采集织物染色瑕疵图片；
4、对采集到的织物染色瑕疵图片按照对应的瑕疵类别进行打标并划分数据集，获得样本图像数据；
5、对样本图像数据进行数据增强；
6、采用fasternet中的patchembed、fasternet-block、patchmerge结构代替yolov5s模型中的conv和c3结构；
7、将coordinate attention插入并融入yolov5s模型的neck层中的c3模块中，获得改进yolov5s模型；
8、使用样本图像数据训练改进yolov5s模型；
9、对训练好的改进yolo模型进行结构化剪枝，获得轻量化模型；
10、将所述轻量化模型部署到目标移动设备上，进行织物染色瑕疵检测。
11、作为优选，采集织物染色瑕疵图片的方法包括：
12、在保证相同生产条件下，采集不同瑕疵种类的织物染色瑕疵图片。
13、作为优选，对采集到的织物染色瑕疵图片按照对应的瑕疵类别进行打标并划分数据集，获得样本图像数据的方法包括：
14、使用最小外接矩形框对每个织物染色瑕疵进行类别和位置标注，其中，目标最小外接矩形框包围瑕疵，所述最小外接矩形框被标记为(class,xmin,ymin,xmax,ymax)，其中class表示瑕疵类别，xmin和ymin表示所述最小外接矩形框的左上角顶点坐标，xmax和ymax表示所述最小外接矩形框的右下角顶点坐标。
15、作为优选，对样本图像数据进行数据增强的方法包括：
16、对所述样本图像数据进行随机旋转、随机缩放、随机裁剪、动态调整亮度对比度和mosaic增强中的一个或多个操作后，关联所述样本图像数据的瑕疵类别，获得新的样本图像数据。
17、作为优选，采用fasternet中的patchembed、fasternet-block、patchmerge结构代替yolov5s模型中的conv和c3结构的方法包括：
18、使用patchembed、patchmerge模块替代预先导入的yolov5模型的cbs模块；
19、使用fasternet-block模块代替所述yolov5模型的c3模块，所述fasternet-block模块包括pconv模块。
20、作为优选，对训练好的改进yolo模型进行结构化剪枝，获得轻量化模型的方法包括：
21、对训练好的所述改进yolo模型进行稀疏正则化；
22、设置一个speed-up p参数来控制模型剪枝率
23、
24、其中，speed-up的数值控制网络瘦身比例，flops1为未剪枝模型的浮点运算量，flops2为剪枝后模型的浮点运算量。
25、作为优选，还包括步骤：
26、多次使用样本图像数据训练改进yolov5s模型，获得多个训练好的改进yolo模型，对多个训练好的改进yolo模型进行性能对比，选择最优模型作为最终的训练好的改进yolo模型。
27、作为优选，对多个训练好的改进yolo模型进行性能对比的方法包括：
28、通过如下性能指标中的一个或多个，对多个训练好的改进yolo模型进行性能对比：精确度(p)、召回率(r)、平均精度(map)、浮点运算量(flops)、参数量(parameters)、fps和latency。
29、作为优选，将所述轻量化模型部署到目标移动设备上，进行织物染色瑕疵检测的方法包括：
30、使用改进yolo模型的相应文件替换预先导入的原检测软件的yolo模型文件，查看模型输入输出数据维度，修改输入输出维度和标签文件，设置app名称和图标，导出获得安装包；
31、将安装包导入并安装到目标移动设备上，获得目标app，打开所述目标app进行织物染色瑕疵检测。
32、基于改进yolo的织物染色瑕疵轻量化检测系统，包括：
33、采集模块，用于采集织物染色瑕疵图片；
34、样本模块，用于对采集到的织物染色瑕疵图片按照对应的瑕疵类别进行打标并划分数据集，获得样本图像数据；
35、样本增强模块，用于对样本图像数据进行数据增强；
36、替换模块，用于采用fasternet中的patchembed、fasternet-block、patchmerge结构代替yolov5s模型中的conv和c3结构；
37、融入模块，用于将coordinate attention插入并融入yolov5s模型的neck层中的c3模块中，获得改进yolov5s模型；
38、训练模块，用于使用样本图像数据训练改进yolov5s模型；
39、剪枝模块，用于对训练好的改进yolo模型进行结构化剪枝，获得轻量化模型；
40、部署模块，用于将所述轻量化模型部署到目标移动设备上，进行织物染色瑕疵检测。
41、本发明的实质性效果是：
42、1.本发明使用快速网络fasternet代替原始yolov5的骨干网络，在保证检测精度的同时加快了模型的推理速度，大大提高了检测的实时性；
43、2.考虑到织物染色瑕疵大多都是小目标，由此引入ca注意力机制来充分获取织物染色瑕疵的位置信息，提高模型的准确率且模型参数量的增加较少；
44、3.为了部署在算力较小的移动设备上，对训练好的模型进行结构化剪枝，将模型的参数量缩小至原模型的1/4，且剪枝后的模型推理速度提升近一倍；
45、4.将轻量化模型部署在移动设备上完成瑕疵检测任务，降低了工业生产成本。
46、本发明通过创新性提出基于改进yolo的织物染色瑕疵轻量化检测方法及系统较好的解决了目前在织物染色瑕疵行业所面临的问题，有望显著提升织物行业的生产效率和经济效益。
1.基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
3.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
4.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
5.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
6.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
7.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
8.根据权利要求7所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
9.根据权利要求1所述的基于改进yolo的织物染色瑕疵轻量化检测方法，其特征在于，
10.基于改进yolo的织物染色瑕疵轻量化检测系统，其特征在于，包括：
