一种基于改进DINO网络模型的木材表面缺陷检测方法技术

一种基于改进DINO网络模型的木材表面缺陷检测方法，涉及基于深度学习的木板原材料表面缺陷检测的技术领域，包括：实地采集木材表面缺陷数据集；对数据集进行预处理；对数据集进行标注、数据增强和划分；设计基于改进DINO的木材表面缺陷检测模型；利用训练集、验证集对DINO模型进行训练和验证；根据实验结果进行模型调优；利用调优好的模型进行木材缺陷检测。本发明专利技术有效提高了木材表面缺陷检测的识别准确率和识别效率，同时模型可以在极少训练轮数下达到收敛，极大降低了模型训练时间，并且模型具有较低的计算量，易于工业现场的木材缺陷实时检测。陷实时检测。陷实时检测。

【技术实现步骤摘要】
一种基于改进DINO网络模型的木材表面缺陷检测方法


[0001]本专利技术公开一种基于改进DINO网络模型的木材表面缺陷检测方法，具体涉及基于深度学习的木板原材料表面缺陷检测的


技术介绍

[0002]木材是一种生活中常见的原材料，在众多行业中发挥着十分重要的作用，例如家具生产、房屋建造和乐器制造等行业。但是木材的经济价值极大程度上受木材质量的影响，而评价木材质量的好坏主要取决于该木材是否存在缺陷。木材表面的缺陷主要包括死节、裂缝、树皮、干疤、缺口等，附图1a
‑
附图1f展示了6种常见的木材表面缺陷，这些带有缺陷的木材需要被筛选出来，否则极其不利于后续的加工生产。目前，木材表面的缺陷检测主要由受过训练的木材相关行业工人进行，如附图2所示，但是人工识别木材缺陷时劳动强度大，同时对于缺陷的判定非常依赖人的主观性，这也就导致了木材质量判定效果差、木材筛选效率低等问题，一项研究表明，在木材缺陷检测中人为错误导致了22％的废木材，使得木材产品总产量从63.5％下降到了47.4％；除此之外，随着劳动力价格的不断上升，人工检测所带来的生产成本也在不断增加。因此，准确、高效地检测出带有缺陷的木材并且减少成本的过度消耗，对于木材加工企业来说十分关键。
[0003]随着近几年深度学习技术的飞速发展，利用深度学习的知识来实现检测木材表面缺陷的方法不断被提出。相比于传统的机器视觉方法、传统的计算机视觉方法，以及统计机器学习方法等，深度学习具有更强大的特征学习和表示能力。深度学习能够利用深层神经网络来模仿人类认知外界的行为，比如：根据给定的输入图像，利用神经网络进行图像中物体的特征自动提取、识别与分类，其端到端的学习范式以及在处理图像上的特殊优势，使其在木材缺陷检测领域得到广泛应用。
[0004]深度学习中的卷积神经网络凭借其局部感知和参数共享等特点，在图像的特征提取和识别分类上具有良好的效果，是目前木材缺陷检测领域中一种常用的神经网络。中国专利文献CN112819771A提出了一种基于改进YOLOv3模型的木材缺陷检测方法，涉及的缺陷种类有裂缝、虫洞和结节三类，该方法以YOLOv3模型为基础，利用ChostBlock结构替换原模型中的大量残差结构，并且使用Focalloss改进原模型中的损失函数，以上改进使得模型对缺陷的预测速度、预测精度有所提高；中国专利文献CN114359235A提出了一种基于改进YOLOv51网络的木材表面缺陷检测方法，涉及的缺陷种类有死节、活节、树脂、裂纹、裂纹结、腐朽、健全结、色差、虫眼九类，该方法以YOLOv5模型为基础，对原模型中的Neck部分进行修改，使用空洞卷积对FPN的顶层特征图进行处理，改善了不同尺寸的缺陷的检测效果，并且将NMS中的IOU度量方式改为NWD度量方式，改善了检测时预测框重叠的现象。
[0005]以上方法均是采用基于卷积神经网络的YOLO系列模型来检测与识别木材表面的缺陷，其包括手工设计的锚框生成和非极大值抑制NMS组件，虽然检测缺陷的效果不错，但是模型中的卷积神经网络在提取全局数据间的长距离特征时效果不佳，因此模型需要使用更大的卷积核、更深的卷积层来扩大感受野，这也就导致了模型的计算效率大幅下降，让模
型的复杂度剧烈上升；除此之外，模型在后处理操作的过程中，需要利用NMS去除冗余的预测框，这会导致调参十分复杂，并且当多个groud truth框重叠度很高时，NMS会将具有较低置信度的框去掉。
[0006]近几年Transformer
‑
like模型广泛应用于计算机视觉领域，此类模型凭借self
‑
attention机制，通过堆叠Encoder
‑
Decoder结构，有效弥补了卷积神经网络在提取全局数据之间的长距离特征时效果不佳的问题。其中，现有技术DINO：Detr with Improved DeNoising Anchor Boxes for End
‑
to
‑
End Object Detection所提出的DINO目标检测模型便是基于Transformer结构而设计的，其采用“端到端”的检测思想，去除了手工设计的锚框生成和NMS组件，利用对比降噪训练、混合查询选择等方法，在COCO数据集上展现了极好的效果。但是DINO网络模型在检测木材表面缺陷时，会出现冗余的预测框，如附图3所示，并且对于小面积缺陷的识别效果较差，而且由于Transformer模型设计的原因，参数量较大，较难移植至工业嵌入式平台。

技术实现思路

[0007]一种基于改进DINO网络模型的木材表面缺陷检测方法，其特征在于，包括：
[0008]步骤一：采集木材表面缺陷数据集；在山东临沂汇丰木材加工现场采集带有缺陷的木材图片，缺陷包括死节、活节、树皮、裂缝、缺口和干疤6类；
[0009]步骤二：对木材表面缺陷数据集中的图片进行预处理，以删除干扰图片；将无木材图片、模糊图片、木板摆放位置错误的图片以及重复图片作为干扰图片删除；
[0010]步骤三：数据集的标注、数据增强与划分：利用roboflow对数据集中的缺陷进行缺陷类别和缺陷位置的标注，标注框尽量贴合缺陷的边缘；扩充数据集，标注完成后，对数据集的部分图片进行90
°
旋转、添加噪声、增加可变性亮度等操作；然后按照6：2：2的比例，再将数据集划分为训练集、验证集和测试集；最后将木材表面缺陷数据集导出为数据集格式，优选为coco数据集格式；
[0011]步骤四：构建基于改进DINO的目标检测网络模型：
[0012]原始DINO模型(Zhang H，Li F，Liu S，et al.Dino：Detr with improved denoising anchor boxes for end
‑
to
‑
end object detection[C]//The Eleventh International Conference on Learning Representations.2022.)是一个端到端的目标检测模型，原始DINO模型如图5，其包含一个backbone层、一个多层Transformer
‑
Encoder(基于自注意力机制的编码器)、一个多层Transformer
‑
Decoder(基于自注意力机制的解码器)和多个FFN预测头，并且带有positionencoding(位置编码)、Mixed Query Selection(混合查询选择)；
[0013]在原始DINO模型中加入改进的骨干网络convnext
‑
tiny；
[0014]步骤五：利用改进的DINO网络模型对木材表面缺陷数据集进行训练：
[0015]将导出后的coco数据集格式的木材表面缺陷数据集中的RGB图像输入至改进的DINO网络模型中：
[0016]首先，利用所述backbone层提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DINO网络模型的木材表面缺陷检测方法，其特征在于，包括：步骤一：采集木材表面缺陷数据集；步骤二：对木材表面缺陷数据集中的图片进行预处理，以删除干扰图片；步骤三：数据集的标注、数据增强与划分：对数据集中的缺陷进行缺陷类别和缺陷位置的标注；扩充数据集，再将数据集划分为训练集、验证集和测试集；最后将木材表面缺陷数据集导出为数据集格式，优选为coco数据集格式；步骤四：构建基于改进DINO的目标检测网络模型：原始DINO模型包含一个backbone层、一个多层Transformer
‑
Encoder、一个多层Transformer
‑
Decoder和多个FFN预测头，并且带有position encoding、Mixed Query Selection；在原始DINO模型中加入改进的骨干网络convnext
‑
tiny；步骤五：利用改进的DINO网络模型对木材表面缺陷数据集进行训练：将导出后的coco数据集格式的木材表面缺陷数据集中的RGB图像输入至改进的DINO网络模型中：首先，利用所述backbone层提取木材表面缺陷图像的特征图；其次，利用原始DINO模型中的位置编码Positional Encoding为所述特征图加入位置信息，将带有位置信息的特征图按照像素展平，输入至所述多层Transformer
‑
Encoder中进行特征增强，最终得到所述Transformer
‑
Encoder的输出作为第一输出；然后，利用原始DINO模型的Mixed Query Selection方法筛选出所述第一输出中出现木材表面缺陷的前K个位置，英文为position queries；利用所述前K个位置进行初始化锚框anchor boxes(x，y，w，h)，其中x和y为锚框anchor box的中心点的坐标，h和w分别为锚框anchor box的高和宽；同时把训练中学习到的特征作为内容查询content queries，将Transformer
‑
Encoder的输出、position queries和content queries，三者一同输入至所述Transformer
‑
Decoder中，其中原始...

【专利技术属性】
技术研发人员：白金强，卞存翔，程广河，郝凤琦，李保菊，李正春，朱瑞雪，程大全，
申请(专利权)人：齐鲁工业大学山东省科学院临沂众为智能科技有限公司，
类型：发明
国别省市：