一种木材单板缺陷的检测方法、装置及系统制造方法及图纸

本申请公开了一种木材单板缺陷的检测方法、装置及系统，以提高木板单板缺陷检测的效率。所述检测方法，包括：基于若干预设单板的图像生成若干第一图像；基于各所述第一图像对预设模型进行训练，生成检测模型；基于目标单板的图像生成第二图像；基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。本申请实施例中，通过结合深度学习，对预设模型进行训练，并基于训练得到的检测模型对目标单板进行检测，从而提高木板单板缺陷检测的效率。

A detection method, device and system of wood veneer defects

The application discloses a detection method, device and system of wood veneer defects, so as to improve the efficiency of detection of wood veneer defects. The detection method includes: generating a number of first images based on the images of a number of preset boards; training the preset models based on the first images to generate a detection model; generating a second image based on the images of the target boards; and determining the defects of the target boards based on the second image and the detection model. In the embodiment of the application, the preset model is trained by combining the in-depth learning, and the target veneer is detected based on the detection model obtained by the training, so as to improve the efficiency of veneer defect detection.

【技术实现步骤摘要】
一种木材单板缺陷的检测方法、装置及系统
本申请涉及木板单板检测技术公，尤其涉及一种木材单板缺陷的检测方法、装置及系统。
技术介绍
胶合板是由多层旋切单板按照木纤维的方向纵横交错热压胶合而成。上下两个表层单板称为面板和底板，中间层单板称为芯板，面底板及芯板统称为单板。单板一般由速生树木如速生杨、速生柳、桉树等树干旋切而成。由于旋切过程中遇到树皮树芯、虫眼、结疤、树干弯曲等多种原因，旋切出来的单板会存在各种缺陷。目前板材加工生产过程中，单板的缺陷尚无成熟的自动识别分类方法，单板缺陷的识别与修复通常依赖工人肉眼识别缺陷的位置，然后用刀片在缺陷位置手工挖补修复，效率非常低。
技术实现思路
本申请的目的是提供一种木材单板缺陷的检测方法、装置及系统，以提高对木板单板缺陷进行检测的效率。本申请的目的是通过以下技术方案实现的：第一方面，本申请实施列提供一种木材单板缺陷的检测方法，包括：基于若干预设单板的图像生成若干第一图像；基于各所述第一图像对预设模型进行训练，生成检测模型；基于目标单板的图像生成第二图像；基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。可能的实现方式中，所述基于若干预设单板的图像生成若干第一图像，包括：对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。可能的实现方式中，所述图形标识包括二维码、方框套、实心正方形、三角形、圆形中任意一种图形或组合图形；其中，所述原点和所述标识点的图形不相同。可能的实现方式中，所述基于各所述第一图像对预设模型进行训练，生成所述检测模型，包括：将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。可能的实现方式中，所述基于所述第二图像和所述检测模型，确定所述目标单板的缺陷，包括：基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。第二方面，本申请实施例提供一种木材单板缺陷的检测装置，包括：预处理单元，用于基于若干预设单板的图像生成若干第一图像；以及，基于目标单板的图像生成第二图像；模型训练单元，用于基于各所述第一图像对预设模型进行训练，生成检测模型；缺陷检测单元，用于基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。可能的实现方式中，所述预处理单元，基于若干预设单板的图像生成若干第一图像，包括：对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。可能的实现方式中，所述模型训练单元，具体用于：将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。可能的实现方式中，所述缺陷检测单元，具体用于：基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。第三方面，本申请实施例提供一种木材单板缺陷的检测系统，包括如上的所述检测装置，还包括采集装置、控制装置和客户端，所述客户端与所述检测装置和所述采集装置电连接，所述控制装置和所述采集装置电连接；所述采集装置，用于采集预设单板的图像和目标单板的图像；所述控制装置，用于控制所述采集装置的动作；所述客户端，用于将所述采集装置采集的数据发送给所述检测装置，以及接收所述检测装置返回的检测结果。本申请实施例中，通过结合深度学习，对预设模型进行训练，并基于训练得到的检测模型对目标单板进行检测，从而提高木板单板缺陷检测的效率。附图说明图1为本申请实施例提供的一种木材单板缺陷的检测系统的架构示意图；图2为本申请实施例提供的一种木材单板缺陷的检测方法的流程图；图3为本申请实施例提供的基于若干预设单板的图像生成若干第一图像的流程图；图4为本申请实施例提供的定位点所包括图形标识的示意图；图5为本申请实施例提供的较具体的基于若干预设单板的图像生成若干第一图像的流程图；图6为本申请实施例提供的基于各第一图像对预设模型进行训练，生成检测模型的流程图；图7为本申请实施例提供的基于第二图像和检测模型，确定目标单板的缺陷的流程图；图8为本申请实施例提供的一种木材单板缺陷的检测装置的结构示意图。具体实施方式...

【技术保护点】
1.一种木材单板缺陷的检测方法，其特征在于，包括：/n基于若干预设单板的图像生成若干第一图像；/n基于各所述第一图像对预设模型进行训练，生成检测模型；/n基于目标单板的图像生成第二图像；/n基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。/n

【技术特征摘要】
1.一种木材单板缺陷的检测方法，其特征在于，包括：
基于若干预设单板的图像生成若干第一图像；
基于各所述第一图像对预设模型进行训练，生成检测模型；
基于目标单板的图像生成第二图像；
基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。


2.如权利要求1所述的检测方法，其特征在于，所述基于若干预设单板的图像生成若干第一图像，包括：
对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；
以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；
对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；
基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；
基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。


3.如权利要求2所述的检测方法，其特征在于，所述图形标识包括二维码、方框套、实心正方形、三角形、圆形中任意一种图形或组合图形；其中，所述原点和所述标识点的图形不相同。


4.如权利要求2所述的检测方法，其特征在于，所述基于各所述第一图像对预设模型进行训练，生成所述检测模型，包括：
将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；
初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；
将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；
将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；
并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。


5.如权利要求4所述的检测方法，其特征在于，所述基于所述第二图像和所述检测模型，确定所述目标单板的缺陷，包括：
基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；
基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。


6.一种木材单板缺陷的检测装置，其特征在于，包括：
预处理单元，用于基于若干预设单板的图像生成若干第一...

【专利技术属性】
技术研发人员：邓友辉，张辉，许兰帅，
申请(专利权)人：山东艾雷维特智能科技有限公司，
类型：发明
国别省市：山东;37