一种基于改进YOLOv5l网络的木材表面缺陷检测方法技术

本发明专利技术涉及一种基于改进YOLOv5l网络的木材表面缺陷检测方法，该方法包括：获取公开的木材缺陷数据集作为数据集一。构建改进的YOLOv5l网络模型，利用数据集一对改进的YOLOv5l网络模型进行训练，得到训练好的网络模型model1。采集实景木材数据作为数据集二，数据集二分为训练集、验证集和测试集。采用model1对测试集进行预测，将测试集中带有缺陷的木材图像标记上标签，将大于设定预测阈值的标签作为伪标签。将数据集二中的训练集和测试集微调后来训练model1，得到model2，采用验证集在model1与model2中选择出最佳的网络模型。利用最佳网络模型对木材表面缺陷进行检测。本发明专利技术能够对各种类别的木材表面缺陷进行检测，有效提高了识别准确率和识别效率。有效提高了识别准确率和识别效率。有效提高了识别准确率和识别效率。

【技术实现步骤摘要】
一种基于改进YOLOv5l网络的木材表面缺陷检测方法


[0001]本专利技术涉及木材表面缺陷检测
，具体涉及一种基于改进YOLOv5l网络的木材表面缺陷检测方法。

技术介绍

[0002]三合板是人造板中最为常见、应用也最为广泛的板材之一。三合板是由不同的薄木板粘贴压制而成的，可以节约大量的木材。在森林资源日益缺乏的今天，使用三合板是非常好的一种节约能源的方式，但是在生产过程中，单个的薄木板表面会存在裂缝、虫眼、死结、活结等缺陷，根据国家标准可将木材缺陷分为10大类。图2给出了几种常见的木材缺陷。这些带有缺陷的木材不利于下一步的生产，会影响薄木贴面制造的进度。在生产线当中检测这种缺陷的方式大部分采用如图1所示的人工检测方式。由于人工检测标准不一、分类精度较差、效率低下等因素，会影响木材质量判定，不能保证产品的生产速度。而且随着劳动力价格的不断上升，人工检测的生产成本也会大大增加。
[0003]针对上述问题，寻找一种高精度、低成本、稳定性较强的方法来实现对木材缺陷进行检测识别，是木材生产行业需要解决的一大难题。为了不受工人主观因素的影响，采用机器视觉和智能识别技术替换人工视觉对木材缺陷进行检测，能有效弥补人工检测的缺点，降低劳动成本，大幅度提高木材的使用率，同时为企业提高经济效益和社会价值。近年来迅速发展的深度学习当中的目标检测算法恰好可以解决这一问题。然而，由于木材表面缺陷具有形态各异、种类繁多、缺陷尺度变化大、小目标居多等情况，现有的检测算法的识别准确率和效率都并没有很理想。如中国专利CN 110310259 A公开了一种基于改进的YOLOv3算法的木结瑕疵检测方法和相关装置，但其针对的木条表面瑕疵类别单一，只有死结与活结两种类型，而实际需求的缺陷类别较多。

技术实现思路

[0004]本专利技术的目的在于提供一种基于改进YOLOv5l网络的木材缺陷检测方法，该检测方法不仅能够对各种类别的木材表面缺陷进行检测，有效提高了识别准确率和识别效率，降低检测延时，还对模型进行了本地部署以及云服务部署工作，能够进行木材缺陷增量式学习，应对缺陷多样性，满足工业实际的需求。
[0005]为实现上述目的，本专利技术采用了以下技术方案：
[0006]一种基于改进YOLOv5l网络的木材表面缺陷检测方法，该方法包括以下步骤：
[0007]S1、获取公开的木材缺陷数据集作为数据集一，对数据集一中的图像和标签进行处理。
[0008]S2、利用改进的YOLOv5l网络模型对数据集一进行预训练，先将数据集一中的图像进行统一缩放并送入改进的YOLOv5l网络模型中，YOLOv5l网络模型先根据木材缺陷图像的大小，采用自适应锚框方法选择合适的锚框，并通过Backbone层进行特征提取，提取木材缺陷图像的特征图，再通过Neck层将上层的特征图进行图像特征混合和组合，最后通过输出
层对图像特征进行预测，并采用NMS方式对多个预测框进行筛选，在筛选过程当中采用NWD计算方法生成边界框和预测类别，得到训练好的网络模型model1。
[0009]S3、采集实景木材数据，作为数据集二，采用滑动窗口方式，在经步骤S1处理后的数据集一中随机选取若干图像进行裁剪，将图像中的缺陷部分单独裁剪下来，将裁剪下来的缺陷部分存入到数据集二中，对数据集二进行扩充。
[0010]S4、将数据集二划分为训练集、验证集和测试集，其中，训练集和验证集为已将木材图像中的缺陷标记出来、图像带有木材缺陷标签，测试集未对木材图像中的缺陷进行标记，图像不带有木材缺陷标签，采用训练好的网络模型model1对测试集进行预测，对测试集中带有缺陷的木材图像标记上标签，并将大于设定预测阈值的标签作为伪标签。
[0011]S5、将数据集二中的训练集和测试集整合后，输入到网络模型model1中对网络模型model1进行训练，得到训练好的网络模型model2，并通过验证集在网络模型model1与model2中选择出最佳的网络模型best mode。
[0012]S6、对网络模型best mode进行本地部署，实时采集薄木板图像输入到网络模型best mode中，网络模型best mode输出木材表面缺陷的类别和数量。
[0013]进一步的，所述改进的YOLOv5l网络模型中的FPN结构的连接层a由3个分支组成，分别为一个1
×
1的卷积层分支和2个空洞率分别为ar＝1,2的3
×
3卷积层分支。
[0014]进一步的，所述自适应锚框方法具体包括以下步骤：
[0015]首先，手动计算锚框的初始值，统计一下数据集一的所有标签框宽高比，得出目标最大的高宽比，对锚框进行重新计算并将得到的新的锚框数据进行默认锚框的替换；然后，对数据集一中的标注信息进行核查，计算此数据集标注信息针对默认锚定框的最佳召回率，当最佳召回率大于或等于0.85，则不需要更新锚定框；如果最佳召回率小于0.85，则需要重新计算符合此数据集的锚定框。
[0016]进一步的，所述NWD计算方法为：
[0017][0018]其中，C是与数据集相关的常数，
[0019][0020]其中，cx
a
,cy
a
,w
a
,h
a
代表预测框A的位置信息，cx
b
,cy
b
,w
b
,h
b
代表预测框B的位置信息，‖
·
‖
F
是Frobenius范数，N
a
表示预测框A的高斯分布模型，N
b
表示预测框B的高斯分布模型，NWD(N
a
，N
b
)表示预测框A与预测框B的相似度量值。利用NMS方式进行预测框的筛选，如对某类缺陷目标预测出两个预测框：预测框A和预测框B，则采用NWD计算方法计算这两个预测框的相似关系，这种预测框的相似关系由框的位置信息进行计算。
[0021]和现有技术相比，本专利技术的优点为：
[0022](1)现有技术对木材的检测缺陷数据集只有死结、活结以及无缺陷的样本，本专利技术
将缺陷提升至9类，分别为死结、活结、树脂、裂纹、裂纹结、腐朽、健全结、色差、虫眼。针对上述的木材缺陷种类多样性，本专利技术采用了两项数据集，并对数据集一中利用滑动窗口的思路进行了缺陷特征提取并以此来扩充数据集二，这种在本质上能够都到充足且高质量的数据样本，在利用伪标签(Pseudo
‑
Labelling)的方法对模型微调，从产生的模型当中选取最为优秀的模型。使最后训练得到的模型性能具有更高的鲁棒性。
[0023](2)模型检测准确率不仅仅与数据集有关，主要与所使用的检测网络结构有关。根据在MC COCO数据集上实验表明的结果显示YOLOv5l模型在测试集中的AP值比YOLOv3高出了2.2，YOLOv5的速度也较快以及模型的大小比YOLOv3缩减了16％，因此，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv5l网络的木材表面缺陷检测方法，其特征在于：该方法包括以下步骤：S1、获取公开的木材缺陷数据集作为数据集一，对数据集一中的图像和标签进行处理；S2、利用改进的YOLOv5l网络模型对数据集一进行预训练，先将数据集一中的图像进行统一缩放并送入改进的YOLOv5l网络模型中，YOLOv5l网络模型先根据木材缺陷图像的大小，采用自适应锚框方法选择合适的锚框，并通过Backbone层进行特征提取，提取木材缺陷图像的特征图，再通过Neck层将上层的特征图进行图像特征混合和组合，最后通过输出层对图像特征进行预测，并采用NMS方式对多个预测框进行筛选，在筛选过程当中采用NWD计算方法生成边界框和预测类别，得到训练好的网络模型model1；S3、采集实景木材数据，作为数据集二，采用滑动窗口方式，在经步骤S1处理后的数据集一中随机选取若干图像进行裁剪，将图像中的缺陷部分单独裁剪下来，将裁剪下来的缺陷部分存入到数据集二中，对数据集二进行扩充；S4、将数据集二划分为训练集、验证集和测试集，其中，训练集和验证集为已将木材图像中的缺陷标记出来、图像带有木材缺陷标签，测试集未对木材图像中的缺陷进行标记，图像不带有木材缺陷标签，采用训练好的网络模型model1对测试集进行预测，对测试集中带有缺陷的木材图像标记上标签，并将大于设定预测阈值的标签作为伪标签；S5、将数据集二中的训练集和测试集整合后，输入到网络模型model1中对网络模型model1进行训练，得到训练好的网络模型model2，并通过验证集在网络模型model1与model2中选择出最佳的网络模型best mode；S6、对网络模型best mode进行本地部署，实时采集薄木板图像输入到网络模型best mode中，网络模型best mode输出木材表面缺陷的类别和数量。2.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：程大全，程广河，郝凤琦，孙瑞瑞，王星星，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：