System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于语义分割网络的木材表面颜色缺陷检测方法技术_技高网

一种基于语义分割网络的木材表面颜色缺陷检测方法技术

技术编号:43942974 阅读:2 留言:0更新日期:2025-01-07 21:33
本发明专利技术提出一种基于语义分割网络的木材表面颜色缺陷检测方法,基于木材表面颜色缺陷检测模型,该模型以HRNet作为基础网络结构,以多分支特征编码模块MFEM作为网络的编码层;在基础网络HRNet中使用并行多分辨率架构来防止木材表面图像的低对比度变色缺陷特征被稀释,通过并行多分辨率架构中多尺度特征的反复交叉融合来增强模糊特征的全局表示,提高木材表面颜色缺陷检测的鲁棒性;在多分支特征编码模块中以多个分支并发提取特征,生成具有互补特性的特征图,以增强网络对缺陷细微细节的识别能力;本发明专利技术应用到木材表面颜色缺陷检测时,可以有效实现木材颜色缺陷的识别。

【技术实现步骤摘要】

本专利技术涉及工业木材缺陷检测,尤其是一种基于语义分割网络的木材表面颜色缺陷检测方法


技术介绍

1、木材颜色缺陷是一种常见的自然缺陷,其不仅影响了木材外观的完整性,还会降低木材的冲击强度,甚至造成腐烂,需要将其切除,以保证木材的质量和安全性。

2、颜色缺陷对比度低,缺陷颜色呈现渐变特征,尤其是缺陷边缘的颜色和木材底色几乎相近,难以区分缺陷边界,造成边缘分割结果不准确。而部分缺陷呈细长条状,在两端,缺陷区域变得微小,很难被完全分割,出现漏检。因此对颜色缺陷的准确检测存在挑战。

3、利用机器学习方法对木材表面颜色缺陷进行检测,不仅能有效避免人为主观因素的干扰,还能显著提升检测的准确性和效率。因此,开发一种木材表面颜色缺陷的自动化检测方法,对于木材工业的发展具有重要意义。

4、中国专利申请号为:cn202110276650.9,名称为:一种基于改进mask r-cnn的木材缺陷识别和分割方法。该方法通过改进maskr-cnn模型,实现木材缺陷的识别与分割,主要包括数据集采集、样本平衡、数据扩充、网络结构选取与训练、模型优化等步骤,适用于木材加工流水线上的自动化检测。但该方法在训练过程中对计算资源的需求较高,且在处理缺陷时无法实现精确的像素级分割。同时,该方法无法有效检测木材表面的颜色缺陷,限制了其在更复杂缺陷类型下的应用。

5、中国专利申请号为:202310927878.9,名称为:一种木材表面缺陷识别方法。该方法在木材表面的灰度图像上分析灰度图像中的连通域,提取亮度和角度特征,进而判断缺陷区域。该方法依赖传统图像处理技术,对复杂背景、噪声和多样化的缺陷类型表现较弱,难以实现高精度的分类和检测。此外,缺乏自适应性,无法通过大量数据进行优化和提升,在处理更多样的木材表面缺陷(如颜色、纹理等)时效果有限。


技术实现思路

1、本专利技术提出一种基于语义分割网络的木材表面颜色缺陷检测方法,应用到木材表面颜色缺陷检测时,可以有效实现木材颜色缺陷的识别。

2、本专利技术采用以下技术方案。

3、一种基于语义分割网络的木材表面颜色缺陷检测方法,所述检测方法基于木材表面颜色缺陷检测模型,该模型以hrnet作为基础网络结构,以多分支特征编码模块mfem作为网络的编码层;在基础网络hrnet中使用并行多分辨率架构来防止木材表面图像的低对比度变色缺陷特征被稀释,通过并行多分辨率架构中多尺度特征的反复交叉融合来增强模糊特征的全局表示,提高木材表面颜色缺陷检测的鲁棒性;在多分支特征编码模块中以多个分支并发提取特征,生成具有互补特性的特征图,以增强网络对缺陷细微细节的识别能力。

4、所述检测方法包括以下步骤;

5、步骤s1、图像采集与预处理,生成木材表面颜色缺陷数据集;

6、步骤s2、mfe-hrnet结构模型搭建;

7、步骤s3、训练木材表面颜色缺陷检测模型;

8、步骤s4、将训练好的模型用于木材表面颜色缺陷检测。

9、步骤s1包括以下步骤;

10、步骤s1-1、图像获取:通过线阵相机获取木材图像;

11、步骤s1-2、图像切割:根据木材图像宽度,将木材图像裁剪成长宽比2:1的长方形;

12、步骤s1-3、数据集制作:为带有颜色缺陷的木材图像手动添加像素级的标签,制作成木材表面颜色缺陷数据集。

13、步骤s2中,mfe-hrnet结构模型包括基础网络hrnet和并行多分辨率架构;所述基础网络hrnet的编码器部分,由两个连续的步长为2,核大小为3×3卷积层组成,每个卷积层之后进行批归一化bn和修正线性单元激活函数relu的运算。以将输入图像分辨率降低为原图的从而降低网络的计算成本;

14、并行多分辨率架构由4个分支组成,每个分支对应不同的分辨率,每个分支内部采用多个3×3,卷积后接批归一化bn和修正线性单元激活函数relu;各分支的特征图通道数逐层递增,分支之间通过上采样和下采样实现特征交换和融合,低分辨率特征图通过双线性插值上采样,高分辨率特征图通过步长为2的核大小为3×3的卷积进行下采样;不同分辨率的特征在融合后进行逐像素相加,并经过relu激活。

15、并行多分辨率架构的4个分支对应的分辨率,分别为原木材图像的各分支的特征图通道数分别为64、128、256、512。

16、所述多分支特征编码模块工作时包括以下步骤;

17、步骤a1、通过一个步长为1的7×7卷积层,让原始图片分辨率不变,通道数从3通道rgb转换为最终输出通道数c的倍。特征图经过三个并列的编码分支:卷积编码分支convdown、平均池化编码分支avgdown、切片编码分支cutdown;

18、步骤a2、卷积编码分支convdown:特征图经过步长为1,卷积核为3×3分组卷积处理后,使用步长为2,卷积核为3×3的深度可分离卷积进行下采样,随后进行批归一化bn操作;

19、步骤a3、平均池化编码分支avgdown:特征图经过平均池化模块进行下采样之后,使用卷积核为3×3的卷积层进行特征提取,随后进行批归一化bn操作。

20、步骤a4、切片编码分支cutdown:通过对相邻像素点进行切片处理,再进行级联,特征图通道数由增加到c,分辨率由h×w降低到

21、步骤a5、经过三分支得到的特征图沿通道维度拼接在一起后,应用卷积核为1×1的卷积运算来降低通道层面的维度;

22、步骤a6、将下采样两倍特征图再经过三个并列的编码路径,分别为convdown分支,cutdown分支和maxdown分支;新添加的maxdown分支包含最大池化下采样模块、卷积核为3×3的卷积和批归一化bn组成。

23、步骤s3包括以下步骤;

24、步骤s3-1.参数初始化设置:在训练过程中,将图像大小调整为hi×wi。训练轮数、初始学习速率和批量大小也分别设置为a、b和c。采用余弦退火学习率调整策略(cosineannealing)更新学习率,使用adam优化器进行参数优化。在训练阶段,应用多种数据增强策略,数据增加策略包括随机裁剪、随机亮度调整和随机旋转等;

25、步骤s3-2.开始训练:将颜色缺陷数据集随机选取输入mfe-hrnet结构网络中;

26、步骤s3-3.更新参数:采用适用于像素级分类任务的交叉熵损失函数(cross-entropy loss)作为损失函数;训练过程中,计算预测图与标签图之间的损失值,然后通过反向传播(backpropagation)将误差逐层传播,逐步更新mfe-hrnet网络中的权重参数,以最小化损失函数。具体的损失函数公式如下:

27、

28、其中,c表示不同类别,xi表示真实标签的第i个元素,yi表示模型预测x属于第i个类别的概率;

29、步骤s3-4.输出模型:重复步骤s3-2、步骤s3-3,当训练次数达到本文档来自技高网...

【技术保护点】

1.一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:所述检测方法基于木材表面颜色缺陷检测模型,该模型以HRNet作为基础网络结构,以多分支特征编码模块MFEM作为网络的编码层;在基础网络HRNet中使用并行多分辨率架构来防止木材表面图像的低对比度变色缺陷特征被稀释,通过并行多分辨率架构中多尺度特征的反复交叉融合来增强模糊特征的全局表示,提高木材表面颜色缺陷检测的鲁棒性;在多分支特征编码模块中以多个分支并发提取特征,生成具有互补特性的特征图,以增强网络对缺陷细微细节的识别能力。

2.根据权利要求1所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:所述检测方法包括以下步骤;

3.根据权利要求2所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:步骤S1包括以下步骤;

4.根据权利要求3所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:步骤S2中,MFE-HRNet结构模型包括基础网络HRNet和并行多分辨率架构;

5.根据权利要求4所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:并行多分辨率架构的4个分支对应的分辨率,分别为原木材图像的各分支的特征图通道数分别为64、128、256、512。

6.根据权利要求3所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:所述多分支特征编码模块工作时包括以下步骤;

7.根据权利要求3所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:步骤S3包括以下步骤;

...

【技术特征摘要】

1.一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:所述检测方法基于木材表面颜色缺陷检测模型,该模型以hrnet作为基础网络结构,以多分支特征编码模块mfem作为网络的编码层;在基础网络hrnet中使用并行多分辨率架构来防止木材表面图像的低对比度变色缺陷特征被稀释,通过并行多分辨率架构中多尺度特征的反复交叉融合来增强模糊特征的全局表示,提高木材表面颜色缺陷检测的鲁棒性;在多分支特征编码模块中以多个分支并发提取特征,生成具有互补特性的特征图,以增强网络对缺陷细微细节的识别能力。

2.根据权利要求1所述的一种基于语义分割网络的木材表面颜色缺陷检测方法,其特征在于:所述检测方法包括以下步骤;

3.根据权利要求2所述的一种基于语义分割网络的木材表面颜色缺陷检...

【专利技术属性】
技术研发人员:刘欣翔徐哲壮张浩然林烨朱宇航吴堃
申请(专利权)人:福建顺景机械工业有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1