一种人造板表面缺陷检测系统技术方案

本实用新型专利技术公开了一种人造板表面缺陷检测系统，涉及应用机器视觉进行表面缺陷检测领域，本实用新型专利技术通过摄像头高速采集图片，利用多目标多尺度表面缺陷识别神经网络实现了人造板在线连续自动双面表面缺陷检测和评级，完全取代人工检板，减轻了工人的劳动强度。多目标多尺度表面缺陷识别神经网络比其他现有算法有更好的鲁棒性和稳定性，提高了人造板表面缺陷自动检测准确率，经测试目前的表面缺陷识别准确率已达到90％以上。

A detection system of wood-based panel surface defects

【技术实现步骤摘要】
一种人造板表面缺陷检测系统
本技术涉及神经网络深度学习
，尤其涉及一种人造板表面缺陷检测系统。
技术介绍
人造板是以木材或其他非木材植物为原料，经一定机械加工分离成各种单元材料后，施加或不施加胶粘剂和其他添加剂胶合而成的板材或模压制品。人造板主要包括胶合板、刨花(碎料)板和纤维板等三大类产品，其延伸产品和深加工产品达上百种。因为后续加工的要求，人造板需要经过严格的质量检测。关于人造板质量检测，国家出台了一系列国家标准：GB/T2828逐批检查计数抽样程序及抽样表(适用于连续批的检查)，GB/T4897-2015刨花板标准，GB/T17657－2013人造板及饰面人造板理化性能试验方法，GB18580室内装饰装修材料――人造板及其制品中甲醛释放限量。每个人造板生产厂也制定自己的检测标准。人造板的检测，特别是表面质量检测，都是用人工来完成的。因为人造板的表面面积大，且质量也大，因此人工翻板需要消耗巨大的体力，人工检板的劳动强度非常大，而且效率低下。目前，针对人造板表面缺陷的自动检测有很多的研究和专利。在早期，表面缺陷检测多用传统的图像分析方法，申请号CN201711153444.9，一种板材表面缺陷双面检测装置及其检测方法，提出通过对人造板图像进行滤波和图像亮度特征提取来识别表面缺陷，这些算法存在对不同人造板纹理和光照敏感，需要人为设定很多阈值等缺点。随着神经网络在机器学习算法中的崛起，也有研究者尝试在人造板缺陷识别中使用简单的神经网络。申请号CN201811079391.5,一种木板表面缺陷检测装置及检测方法，使用的方法是，首先，对采集图像进行单个缺陷分割，并提取22个特征，再用一个三层的BP网络进行分类。这类方法还是需要人工提取图像特征，并且提取特征较多，与传统的图像分析方法一样，其鲁棒性较差。最近，随着深度学习算法的普及，也有人把深度学习应用到人造板表面缺陷识别，CN201811496896.1，一种基于深度学习算法的缺陷检测识别装置和方法，使用神经网络模型Inception和MobileNet，但这种神经网络只适合单目标的识别，无法独立完成对人造板表面存在的多个缺陷的同时识别。
技术实现思路
针对现有技术的以上缺陷和改进需求，本技术提供了一种人造板表面缺陷的检测系统，其采用了多目标多尺度识别神经网络系统。这种神经网络既不需要像传统图像分析方法那样人工提取特征，也不需要像单目标识别神经网络那样需要先进行单个缺陷的像素分割，实现了输入图像。同时，本技术方法及其系统还能兼顾识别人造板不同尺度的缺陷。本技术提供了一种人造板表面缺陷的检测系统，其包括检测平台模块、图像采集模块、图像分析模块；检测平台模块包括传送机构，控制台，安装支架，图像采集模块包括线光源、光电传感器、编码器和摄像头，图像分析模块包括上位计算机、多目标多尺度识别神经网络系统、人造板综合评级系统。传送机构用于在一定的方向上传送待检测板，控制台上配置有多目标多尺度识别神经网络系统、人造板综合评级系统；光电传感器配置为当待检测板到达目的地时，光电传感器给摄像头传递信号，摄像头开始拍摄待检测板，编码器控制摄像头拍摄的速度与传送机构的速度同步；摄像头将拍摄到的图片经过一定的处理后将数据发送给多目标多尺度识别神经网络系统，多目标多尺度识别神经网络系统用于对所述数据的识别，并得到待检测板的缺陷结果优选地，光源优选为线光源，可以保证木板上的多种缺陷被摄像头所捕获。优选地，摄像头为线阵摄像头，便于快速地获取尺寸较大的人造板图像。优选地，摄像头为多个，例如在人造板的上下方均设置一个或多个摄像头，用于同时获取人造板上下表面的图像，大大提高了检测效率。优先地，安装支架还用于固定光源，为配合摄像头捕捉待检测板的图像。本技术的技术效果如下：(1)、通过高分辨率线阵摄像头高速采集图片，实现了人造板在线连续自动双面表面缺陷检测和评级，完全取代人工检板，减轻了工人的劳动强度；(2)、多目标多尺度表面缺陷识别神经网络比其他现有算法有更好的鲁棒性和稳定性，将多目标多尺度表面缺陷识别神经网络运用到人造板表面缺陷检测中，提高了人造板表面缺陷自动检测准确率，经测试目前的表面缺陷识别准确率已达到90％以上，大大提高了人造板表面缺陷检测行业的效率。以下将结合附图对本技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本技术的目的、特征和效果。附图说明图1是本技术一实施例方法流程示意图；图2是本技术一实施例系统结构示意图；图3是本技术一实施例多目标多尺度识别深度学习模型示意图；在所有附图中，相同的附图标记是用来表示相同的结构，其中101，传送机构；102，控制台；103，安装支架；201、光源；202，光电传感器；203，编码器；204，摄像头；301，上位计算机。具体实施方式为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。此外，下面所描述的本技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。图1示出了本技术实施例提供的一种人造板表面缺陷的检测方法，为了便于说明，仅示出了与本技术实施例相关的部分，详述如下：其包括以下步骤：S101，采集多张人造板各种表面缺陷样本图片，并由人工标注缺陷参数，将所述参数保存在数据库中。在步骤S101中，表面缺陷参数包括缺陷的类型、位置、面积、数量的至少一项。具体而言，人造板的表面缺陷属于外观质量类型，一般通过肉眼是能够察觉。其中，所述表面缺陷包括但不限于胶斑、石腊斑、油渍、砂痕、振纹、裂纹、软松点、分层鼓泡、粗刨花等不同的种类。应理解的是，覆盖在人造板表面的胶斑、石腊斑、油渍等可以统称为污染点，而杂物是人造板本身所含有的且能够被肉眼看见的颗粒。在实例性实施例中，在步骤S101之前，摄像头采集带有表面缺陷的人造板之前需要对摄像头的位置进行校准，使得摄像头采集的区域能够覆盖到完整的一块人造板。可选地，摄像头优选为线阵摄像头。S102，将所述数据库中的数据用于多目标多尺度识别深度学习模型的训练，得到对应的多目标多尺度识别深度学习模型。在一个实施例中，图3为多目标多尺度识别深度学习模型示意图，所述多目标多尺度识别深度学习模型是基于残差网络、特征金字塔网络、区域候选网络的学习模型。应理解地是，残差网络(ResNet)、特征金字塔网络(featurepyramidnetworks，FPN)、区域候选网络(RegionProposalNetwork，RPN)是本领域技术人员应当知晓的神经网络模型。具体地，残差网络用于对人造板图像的特征提取。对于图像特征提出来说，目前最常用的是“卷积神经网络(ConvolutionalNeuralNetworks，CNN本文档来自技高网...

【技术保护点】
1.一种人造板表面缺陷检测系统，包括检测平台模块、图像采集模块、图像分析模块，其特征在于：/n所述检测平台模块包括传送机构，控制台，安装支架；/n所述图像采集模块包括光源、光电传感器、编码器和摄像头；/n所述图像分析模块包括上位计算机、多目标多尺度识别神经网络系统、人造板综合评级系统；/n所述传送机构用于在一定的方向上传送待检测板，控制台上配置有多目标多尺度识别神经网络系统、人造板综合评级系统；/n所述光电传感器配置为当所述待检测板到达目的地时，所述光电传感器给所述摄像头传递信号，所述摄像头开始拍摄待检测板，所述编码器控制所述摄像头拍摄的速度与传送机构的速度同步；/n所述摄像头将拍摄到的图片经过一定的处理后将数据发送给所述多目标多尺度识别神经网络系统，所述多目标多尺度识别神经网络系统用于对所述数据的识别，并得到所述待检测板的缺陷结果；/n所述人造板综合评级系统根据所述缺陷结果对所述待检测板进行定级。/n

【技术特征摘要】
1.一种人造板表面缺陷检测系统，包括检测平台模块、图像采集模块、图像分析模块，其特征在于：
所述检测平台模块包括传送机构，控制台，安装支架；
所述图像采集模块包括光源、光电传感器、编码器和摄像头；
所述图像分析模块包括上位计算机、多目标多尺度识别神经网络系统、人造板综合评级系统；
所述传送机构用于在一定的方向上传送待检测板，控制台上配置有多目标多尺度识别神经网络系统、人造板综合评级系统；
所述光电传感器配置为当所述待检测板到达目的地时，所述光电传感器给所述摄像头传递信号，所述摄像头开始拍摄待检测板，所述编码器控制所述摄像头拍摄的速度与传送机构的速度同步；
所述摄像头将拍摄到的图片经过一定的处理后将数据发送给所述多目标多尺度识别神经网络系统，所述多目标多尺度识别神经网络系统用于对所述数据的识别，并得到所述待检测板的缺陷结果；
所述人造板综...

【专利技术属性】
技术研发人员：肖书浩，王东，何为，彭杨，吴蕾，余明友，
申请(专利权)人：南宁市威锐康商贸有限公司，
类型：新型
国别省市：广西;45