一种基于深度学习的木板缺陷检测系统及方法与流程

本发明涉及木板缺陷检测技术领域，特别指一种基于深度学习的木板缺陷检测系统及方法。

背景技术：

在日常生活中，木质产品随处可见，由于木质产品的需求量不断提高，各种木材的消耗量也相应的持续增长，人们已不满足于量的追求，开始也对质提出了严格要求，其中木板的表面缺陷直接影响着产品等级，严重的可能直接导致废弃产品，造成极大的资源浪费和生产成本。木板缺陷类型主要包括节裂、节洞、水裂、胶线裂等。

针对模板缺陷的检测，传统上存在人工目视检测法、机器视觉检测法以及计算机视觉检测法。

人工目视检测法由于不需要专用的夹具和测试设备，应用简便，所以很早就被运用于木板表面的缺陷检测，但存在如下缺点：1、检测速度慢、生产效率低、人工成本高；2、检测精度低，肉眼无法发现细小的缺陷；3、检测标准不统一，容易受检测人员主观因素影响；4、容易出现过判和漏判。

机器视觉检测法是一种典型的集光、机、电、气等为一体的高新检测技术，核心为机器视觉技术，机器视觉检测系统能够提高生产的柔性和自动化程度，虽然一定程度克服了人工目视检测法的缺点，但对于表面纹理复杂的木板，存在如下缺点：1、检测场景单一，对光照背景等要求严格；2、检测参数多，依赖人工经验，调试周期长；3、对复杂纹理的表面缺陷检测效果不佳。

计算机视觉检测法是通过抽象图像的高层语义特征，达到理解图像的目的，它的应用场景相对复杂，可以用于识别形状不规则，规律性不强，类型多的物体，但针对表面纹理复杂且生产价值较高的木板制造，有些缺陷很难用客观量作为识别依据。

因此，如何提供一种基于深度学习的木板缺陷检测系统及方法，实现提升复杂纹理的木板缺陷检测的精度以及效率，成为一个亟待解决的问题。

技术实现要素：

本发明要解决的技术问题，在于提供一种基于深度学习的木板缺陷检测系统及方法，实现提升复杂纹理的木板缺陷检测的精度以及效率。

第一方面，本发明提供了一种基于深度学习的木板缺陷检测系统，包括：

工控机；

显示器，与所述工控机连接；

传送带，与所述工控机连接；

暗箱，底部设有一与投影面积等大的开口；所述暗箱设于传送带的上方；

led光源，设于所述暗箱内部的侧壁，且照射方向朝上；

光源控制器，一端与所述工控机连接，另一端与所述led光源连接；

相机，设于所述暗箱内部的顶端，且拍摄方向朝下；

图像采集卡，一端与所述工控机连接，另一端与所述相机连接；

激光传感器，设于所述传送带侧边的上端，与所述工控机连接，用于检测是否有木板经过。

进一步地，所述显示器为触摸显示器。

进一步地，所述暗箱的内表面设有白色涂层。

进一步地，所述led光源为条形led光源。

进一步地，所述相机为线扫工业相机。

第二方面，本发明提供了一种基于深度学习的木板缺陷检测方法，包括如下步骤：

步骤s10、工控机通过相机采集在传送带上传输的木板的木板图像；

步骤s20、对采集的所述木板图像进行预处理，得到数据集；

步骤s30、基于深度神经网络创建一木板缺陷检测模型，利用所述数据集对木板缺陷检测模型进行训练；

步骤s40、获取待检木板图像，将所述待检木板图像输入训练后的木板缺陷检测模型进行木板缺陷检测。

进一步地，所述步骤s10具体包括：

步骤s11、工控机通过光源控制器设置led光源的亮度，通过图像采集卡对相机进行畸变标定；

步骤s12、工控机启动传送带，将木板依次放在传送带上进行传输，当工控机通过激光传感器检测到有木板经过时，启动led光源和相机采集木板图像。

进一步地，所述步骤s20具体包括：

步骤s21、对采集的所述木板图像进行缺陷位置以及缺陷类别的标注；所述缺陷位置利用缺陷框进行标注；

步骤s22、设定一剪裁尺寸以及一比例阈值，创建一训练数据集，基于所述剪裁尺寸对各木板图像进行剪裁，得到木板子图像；

步骤s23、基于所述缺陷框计算各木板子图像中，被剪裁的缺陷图像占原缺陷图像的第一iou值，判断所述第一iou值是否大于比例阈值，若是，则将对应的所述木板子图像加入数据集；若否，则丢弃对应的所述木板子图像。

进一步地，所述步骤s30具体包括：

步骤s31、基于深度神经网络创建一木板缺陷检测模型；

步骤s32、使用聚类算法将所述缺陷框聚类为9个锚框，随机选择9个所述缺陷框作为各锚框的初始长度和宽度，将各所述缺陷框和锚框的左上角对齐计算第二iou值，利用所述第二iou值对缺陷框进行归类，分别将各类别的所述缺陷框的长度和宽度进行加权求均值，进而更新9个所述锚框的大小；

步骤s33、利用马赛克数据增强方法增加所述数据集的样本量；

步骤s34、将所述数据集按预设比例划分为训练集和验证集，所述木板缺陷检测模型利用锚框对训练集中的木板子图像进行缺陷图像框选的训练；训练过程中利用梯度下降法更新所述木板缺陷检测模型的网络权重；

步骤s35、利用所述验证集对训练后的木板缺陷检测模型进行验证。

进一步地，所述步骤s40具体为：

获取待检木板图像，基于所述剪裁尺寸对待检木板图像进行剪裁，得到待检木板子图像；将各所述待检木板子图像输入训练后的木板缺陷检测模型进行检测，利用所述锚框对各待检木板子图像的缺陷图像进行框选，再将框选后的各所述待检木板子图像进行拼接，得到所述待检木板图像的缺陷框选图像。

本发明的优点在于：

通过将相机置于内表面设有白色涂层的暗箱内，led光源设于暗箱内部的侧壁且照射方向朝上，使得led光源发出的光能够经过暗箱内表面均匀的反射到木板上，在采集木板图像前设置led光源的亮度，并对相机进行畸变标定，极大的提升了木板图像的质量；基于深度神经网络创建木板缺陷检测模型，利用高质量的木板图像产生的数据集对木板缺陷检测模型进行训练，最终利用训练后的木板缺陷检测模型进行木板缺陷检测，极大的提升了复杂纹理的木板缺陷检测的精度；通过设置激光传感器检测是否有木板经过，有木板经过时自动启动led光源和相机采集待检木板图像，再直接利用训练后的木板缺陷检测模型对待检木板图像进行木板缺陷检测，极大的提升了木板缺陷检测的效率，最终实现木板的无接触检测，提前发现木板表面缺陷，及时修复木板表面缺陷，减少木板表面uv涂层材料的浪费，减少人工检测成本。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种基于深度学习的木板缺陷检测系统的电路原理框图。

图2是本发明一种基于深度学习的木板缺陷检测系统的结构示意图。

图3是本发明一种基于深度学习的木板缺陷检测方法的流程图。

标记说明：

100-一种基于深度学习的木板缺陷检测系统，1-工控机，2-显示器，3-传送带，4-暗箱，5-led光源，6-光源控制器，7-相机，8-图像采集卡，9-激光传感器，41-开口。

具体实施方式

请参照图1至图3所示，本发明一种基于深度学习的木板缺陷检测系统100的较佳实施例，包括：

工控机1，用于控制所述检测系统100；

显示器2，与所述工控机1连接，用于显示木板缺陷检测结果；

传送带3，与所述工控机1连接，用于传输木板(未图示)，木板的尺寸规格范围为0.5mx0.5m到1.5mx1.5m之间；

暗箱4，底部设有一与投影面积等大的开口41；所述暗箱4设于传送带3的上方，用于给所述相机7提供良好的拍摄环境；

led光源5，设于所述暗箱4内部的侧壁，且照射方向朝上，用于给木板补光；

光源控制器6，一端与所述工控机1连接，另一端与所述led光源5连接，用于调节所述led光源5的亮度，并控制开关；

相机7，设于所述暗箱4内部的顶端，且拍摄方向朝下，用于采集木板图像；

图像采集卡8，一端与所述工控机1连接，另一端与所述相机7连接，用于控制所述相机7采集图像；

激光传感器9，设于所述传送带3侧边的上端，与所述工控机1连接，用于检测是否有木板经过。

所述显示器2为触摸显示器。

所述暗箱4的内表面设有白色涂层(未图示)，用于将所述led光源5发射的光均匀的反射到木板上。

所述led光源5为条形led光源，用于提供均匀的光线。

所述相机7为线扫工业相机，采集图像分辨率范围为宽：1000～8000，高：1000～8000。

本发明一种基于深度学习的木板缺陷检测方法的较佳实施例，包括如下步骤：

步骤s10、工控机通过相机采集在传送带上传输的木板的木板图像；

步骤s20、对采集的所述木板图像进行预处理，得到数据集；

步骤s30、基于深度神经网络创建一木板缺陷检测模型，利用所述数据集对木板缺陷检测模型进行训练；

步骤s40、获取待检木板图像，将所述待检木板图像输入训练后的木板缺陷检测模型进行木板缺陷检测。

所述步骤s10具体包括：

步骤s11、工控机通过光源控制器设置led光源的亮度，使得成像清晰，通过图像采集卡对相机进行畸变标定；

步骤s12、工控机启动传送带，将木板依次放在传送带上进行传输，当工控机通过激光传感器检测到有木板经过时，启动led光源和相机采集木板图像。

所述步骤s20具体包括：

步骤s21、对采集的所述木板图像进行缺陷位置以及缺陷类别的标注；所述缺陷位置利用缺陷框进行标注；

步骤s22、设定一剪裁尺寸以及一比例阈值，创建一训练数据集，基于所述剪裁尺寸对各木板图像进行剪裁，得到木板子图像；

步骤s23、基于所述缺陷框计算各木板子图像中，被剪裁的缺陷图像占原缺陷图像的第一iou值，判断所述第一iou值是否大于比例阈值，若是，则将对应的所述木板子图像加入数据集；若否，则丢弃对应的所述木板子图像。即对所述木板子图像进行筛选。

所述步骤s30具体包括：

步骤s31、基于深度神经网络创建一木板缺陷检测模型；

所述木板缺陷检测模型利用pytorch搭建，以cspresblock块为主干特征提取网络，利用spp空间金字塔池化和fpn特征金字塔网络作为颈部，用于提取和集成不同高层语义特征，网络头部的位置回归使用diou损失函数，置信度及类别均使用二分类交叉熵损失函数，通过三者的加权求和获得最终的损失函数，并利用gpu进行训练加速。

步骤s32、使用聚类算法将所述缺陷框聚类为9个锚框，随机选择9个所述缺陷框作为各锚框的初始长度和宽度，将各所述缺陷框和锚框的左上角对齐计算第二iou值，利用所述第二iou值对缺陷框进行归类，分别将各类别的所述缺陷框的长度和宽度进行加权求均值，进而更新9个所述锚框的大小；

步骤s33、利用马赛克数据增强方法增加所述数据集的样本量；

即随机拼接4张所述木板子图像得到大图像，对所述大图像进行随机的旋转、平移等变换后，再对所述大图像进行剪裁得到与木板子图像相同大小的图像，以增加样本量。

步骤s34、将所述数据集按预设比例划分为训练集和验证集，所述木板缺陷检测模型利用锚框对训练集中的木板子图像进行缺陷图像框选的训练；训练过程中利用梯度下降法更新所述木板缺陷检测模型的网络权重，并使用梯度裁剪，学习率衰减，批量归一化等技术防止梯度爆炸；

步骤s35、利用所述验证集对训练后的木板缺陷检测模型进行验证。

所述步骤s40具体为：

获取待检木板图像，基于所述剪裁尺寸对待检木板图像进行剪裁，得到待检木板子图像；将各所述待检木板子图像输入训练后的木板缺陷检测模型进行检测，利用所述锚框对各待检木板子图像的缺陷图像进行框选，再将框选后的各所述待检木板子图像进行拼接，得到所述待检木板图像的缺陷框选图像。为防止gpu显存溢出，需要根据所述待检木板图像的分辨率动态设置模型的batchsize，即图像张数。

综上所述，本发明的优点在于：

通过将相机置于内表面设有白色涂层的暗箱内，led光源设于暗箱内部的侧壁且照射方向朝上，使得led光源发出的光能够经过暗箱内表面均匀的反射到木板上，在采集木板图像前设置led光源的亮度，并对相机进行畸变标定，极大的提升了木板图像的质量；基于深度神经网络创建木板缺陷检测模型，利用高质量的木板图像产生的数据集对木板缺陷检测模型进行训练，最终利用训练后的木板缺陷检测模型进行木板缺陷检测，极大的提升了复杂纹理的木板缺陷检测的精度；通过设置激光传感器检测是否有木板经过，有木板经过时自动启动led光源和相机采集待检木板图像，再直接利用训练后的木板缺陷检测模型对待检木板图像进行木板缺陷检测，极大的提升了木板缺陷检测的效率，最终实现木板的无接触检测，提前发现木板表面缺陷，及时修复木板表面缺陷，减少木板表面uv涂层材料的浪费，减少人工检测成本。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。