一种利用图像分类模型分检桉木单板的方法

本发明涉及计算机视觉和人造板生产，具体是一种利用图像分类模型分检桉木单板的方法。

背景技术：

1、单板是由原木通过旋切或锯制方法制得的木质薄片状材料，其主要用作生产胶合板和其他胶合层积材。一般优质单板用于胶合板、细木工板等人造板的面板，品质较差的单板用作背板和芯板。因此将木材单板进行准确快速的分检，是提高人造板产品质量和生产效率的有效手段。

2、目前人造板生产厂家采用的单板分检方法仍以人工分检为主。然而，人类易疲劳，导致人工分检效率、精度不稳定。目前少有报道利用图像分类算法技术对木单板分检的方法，但目前领域内不乏利用计算机视觉对木单板进行缺陷检测的方法。学者们首先对基于机器学习的木材缺陷分类算法进行了研究。然而在实际生产中，不仅应做到对木材缺陷的准确分类，同时应做到对木材缺陷的准确定位，故学者们对目标检测算法应用于木材缺陷识别展开了研究。根据上述研究可知，深度学习已具备足够的能力应用于胶合板工业生产。但前人学者瞄准方向为单板缺陷的分类、识别，并未准确做到单板的分类、识别，本发明根据生产线中实际需求，建立了基于图像分类算法的桉木单板智能分检模型。

技术实现思路

1、针对目前行业内木质薄板分检效率低、精度差、利用率低的问题，本发明的目的是提供一套基于图像分类算法技术的桉木单板智能分检模型，能够实现对桉木单板准确、快速的分级，所提供的方法智能化水平高，能够应用于人造板企业的自动化生产线。

2、为解决上述技术问题，本发明的技术方案是：一种利用图像分类模型分检桉木单板的方法，包括如下步骤：

3、(1)采集桉木单板原始图像数据集并进行预处理，将处理后的数据集以7-8:2-3的比例划分，作为模型的训练集和测试集；

4、(2)对图像分类算法进行模型选择分析，选择适用于桉木单板分检任务的模型；

5、(3)对选择的模型进行提升效率、精度、稳定性层面的优化；

6、(4)采用训练集对优化后的图像分类模型进行训练，并利用测试集对模型性能进行测试，利用图像分类算法对桉木单板进行分级；所述优化后的图像分类模型是在模型中添加空间金字塔池化模块，

7、(5)将图像分类算法封装，将桉木单板分检系统部署，与生产线运动控制系统协同作业，形成一整套桉木单板智能分检系统。

8、步骤(1)所述桉木单板数据集预处理是采用伽马变换、拉普拉斯变换、随机裁剪、随机水平翻转、高斯模糊、高斯噪声和椒盐噪声处理进行数据增强。

9、步骤(2)所述的模型选择分析是对基于视觉自注意力模型架构和卷积神经网络架构的前沿算法进行对比训练，选出精度、效率优的算法应用于分检系统，该分检系统具有持续的改进通道。

10、步骤(3)所述的对选择的模型进行优化是指首先在移动视觉自注意力模型中引入空间注意力机制模块和通道注意力机制模块，以提高网络关注关键信息的能力，使网络自适应地聚焦感兴趣的区域，抑制不必要的特征，减少纹理对分类精度的干扰，在模型中添加空间金字塔池化模块，该模块可以忽略输入尺寸并且产生固定长度的输出，以增加图像的尺度不变，降低过拟合，其次对优化后的移动视觉自注意力模型进行训练，模型训练过程中，采用反向传播算法计算模型的梯度并优化模型参数，以增强模型对不同薄板类型的分类能力，同时，采用数据增强、噪声处理技术对原始数据进行预处理，提高模型的鲁棒性和泛化能力。

11、步骤(4)中，空间金字塔池化模块采用了两层3×3卷积和一层1×1卷积，用于提取特征并压缩通道数。同时使用了轻量化设计，将卷积层的通道数减半，以降低模型的复杂度。在池化层方面，采用了最大池化和平均池化相结合的方式，用于提取不同尺度的特征。使用了relu作为激活函数，提高模型的非线性拟合能力。

12、步骤(4)中，将空间金字塔池化模块加入移动视觉自注意力机制模型的卷积层第三层中，因为移动视觉自注意力机制模型的前半部分包含了多个轻量化的卷积层和注意力机制，可以很好地提取图像特征。而空间金字塔池化则是对这些特征进行更全面的处理，提取特征的不同尺度信息。因此将空间金字塔池化模块加入移动视觉自注意力机制模型卷积层第三层中，可以更好地提取特征，从而提高模型的性能。

13、步骤(5)所述的将图像分类算法封装，与生产线运动控制系统协同作业是指首先选择选择配置高性能gpu服务器，将已经训练好的算法部署到选定的gpu服务器上，使用张量流模型服务(tensorflow serving)将算法部署到gpu服务器上，通过流水线设备的控制系统控制算法的执行，调用分类模型对木质薄板进行分等，算法的输出结果通过设备接口输出到流水线设备的控制系统中，流水线设备的控制系统会根据算法的输出结果，将木质薄板分配到相应的加工流程中进行处理，最终实现桉木单板智能分检。

14、本发明提出的图像分类算法对桉木单板进行分等的技术，解决了人造板厂单板分检效率低、精度差的问题，提高了生产的效率和材料的利用率。

技术特征：

1.一种利用图像分类模型分检桉木单板的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的利用图像分类模型分检桉木单板的方法，其特征在于，步骤(1)所述桉木单板数据集预处理是采用伽马变换、拉普拉斯变换、随机裁剪、随机水平翻转、高斯模糊、高斯噪声和椒盐噪声处理进行数据增强。

3.根据权利要求1所述的利用图像分类模型分检桉木单板的方法，其特征在于，步骤(2)所述的模型选择分析是对基于视觉自注意力模型架构和卷积神经网络架构的前沿算法进行对比训练，选出精度、效率优的算法应用于分检系统，该分检系统具有持续的改进通道。

4.根据权利要求1所述的利用图像分类模型分检桉木单板的方法，其特征在于，步骤(3)所述的对选择的模型进行优化是指首先在移动视觉自注意力模型中引入空间注意力机制模块和通道注意力机制模块，以提高网络关注关键信息的能力，使网络自适应地聚焦感兴趣的区域，抑制不必要的特征，减少纹理对分类精度的干扰，在模型中添加空间金字塔池化模块，该模块可以忽略输入尺寸并且产生固定长度的输出，以增加图像的尺度不变，降低过拟合，其次对移动视觉自注意力模型进行训练，模型训练过程中，采用反向传播算法计算模型的梯度并优化模型参数，以增强模型对不同薄板类型的分类能力，同时，采用数据增强、噪声处理技术对原始数据进行预处理，提高模型的鲁棒性和泛化能力。

5.根据权利要求1所述的利用图像分类模型分检桉木单板的方法，其特征在于，所述的空间金字塔池化模块采用两层3×3卷积和一层1×1卷积，用于提取特征并压缩通道数，同时使用了轻量化设计，将卷积层的通道数减半，以降低模型的复杂度，在池化层方面，采用最大池化和平均池化相结合的方式，用于提取不同尺度的特征，使用relu作为激活函数，提高模型的非线性拟合能力，将空间金字塔池化模块加入移动视觉自注意力机制模型的卷积层第三层中，因为移动视觉自注意力机制模型的前半部分包含了多个轻量化的卷积层和注意力机制，可以很好地提取图像特征，而空间金字塔池化则是对这些特征进行更全面的处理，提取特征的不同尺度信息，因此将空间金字塔池化模块加入移动视觉自注意力机制模型卷积层第三层中，可以更好地提取特征，从而提高模型的性能。

6.根据权利要求1所述的利用图像分类模型分检桉木单板的方法，其特征在于，步骤(5)所述的将图像分类算法封装，与生产线运动控制系统协同作业是首先选择选择配置高性能gpu服务器，将已经训练好的算法部署到选定的gpu服务器上，使用张量流模型服务(tensorflow serving)将算法部署到gpu服务器上，通过流水线设备的控制系统控制算法的执行，调用分类模型对木质薄板进行分等、调用目标检测算法对缺陷进行检测、调用缺陷轮廓分割算法进行分割，算法的输出结果通过设备接口输出到流水线设备的控制系统中，进行下一步智能挖补处理。

技术总结
一种利用图像分类模型分检桉木单板的方法，包括如下步骤：(1)采集桉木单板原始图像数据集并进行预处理，将数据集以7‑8:2‑3的比例划分，作为模型的训练集和测试集；(2)对图像分类算法进行模型选择分析，选择适用于桉木单板分检任务的模型；(3)对选择的模型进行提升效率、精度、稳定性层面的优化；(4)采用训练集对优化后的图像分类模型进行训练，并利用测试集对模型性能进行测试，利用图像分类算法对桉木单板进行分级；(5)将图像分类算法封装，与生产线运动控制系统协同作业，形成一整套桉木单板智能分检系统。采用本发明能够实现对桉木单板准确、快速的分级，所提供的方法智能化水平高，能够应用于人造板企业的自动化生产线。

技术研发人员：孙建平,王炳桢,尤广林,庄鹏燕,牛佳顺
受保护的技术使用者：广西大学
技术研发日：
技术公布日：2024/1/13