基于DSCI-YOLOv8的纺织品材质分类方法

作     者：王敏 许永琪 曹小萌 曹冉 欧翔 Wang Min;Xu Yongqi;Cao Xiaomeng;Cao Ran;Ou Xiang

作者机构：南京信息工程大学电子与信息工程学院南京210044 安徽建筑大学电子与信息工程学院合肥230601 

出 版 物：《电子测量技术》 (Electronic Measurement Technology)

年 卷 期：2024年第47卷第18期

页      面：130-137页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 080902[工学-电路与系统] 0809[工学-电子科学与技术（可授工学、理学学位）] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(41775165,41775039) 安徽省高校杰出青年科研项目(2023AH020022)资助 

主　　题：深度学习 纺织品分类 注意力机制 YOLOv8 分布偏移卷积 

摘      要：为了实现工厂的无人化生产,需要高效地对纺织品进行分类。针对传统纺织品生产厂的人工分类方法存在着效率低下、难以满足大规模生产需求的问题。将人工智能和计算机视觉先进技术应用到纺织品材质分类中,提出了一种基于DSCI-YOLOv8的纺织材质分类算法。在YOLOv8模型原有分类网络的基础上添加坐标信息注意力模块,增强模型对不同尺度纺织品材质特征的提取能力,提高了网络分类的准确率,同时减少了计算所需的一部分计算量和参数量;其次将分布偏移卷积加入到C2f网络模块,改进了分类神经部分的网络结构,从而存储器的使用得到降低,计算速度也得到提高。实验结果表明,在自制的纺织品材质分类数据集FMCD上进行测试,改进后的模型相较于YOLOv8模型准确率提高了2.09个百分点,每秒处理图片数提高13.5%。大幅减少计算成本的同时,有效提高了纺织品材质分类的精度和速度。可以满足纺织工业对产品类别分类和质量的检测需求。