一种面向家具板材的瑕疵检测方法、系统及装置制造方法及图纸

本发明专利技术公开了一种面向家具板材的瑕疵检测方法、系统及装置，该方法包括：获取样本图像并对样本图像中的瑕疵进行标注，得到瑕疵标签，进而构建样本数据集并对样本数据集进行切片和随机划分，得到训练数据集和测试数据集；对训练数据集进行数据预处理并基于预处理后的训练数据集对预构建的检测器进行训练，得到瑕疵检测模型；基于瑕疵检测模型对测试数据集依次进行特征提取、分类、回归处理和非极大值抑制处理，得到瑕疵检测结果。该系统包括：图像采集模块、预处理模块、瑕疵检测模型训练模块和瑕疵检测模块。通过使用本发明专利技术，能够实现在采样条件有限的情况下对包含复杂纹理的板材表面瑕疵进行精准定位与分类。表面瑕疵进行精准定位与分类。表面瑕疵进行精准定位与分类。

A defect detection method, system and device for furniture plates

【技术实现步骤摘要】
一种面向家具板材的瑕疵检测方法、系统及装置


[0001]本专利技术涉及机器视觉瑕疵检测领域，尤其涉及一种面向家具板材的瑕疵检测方法、系统及装置。

技术介绍

[0002]在家具板材的生产过程中，常常会不可避免的出现崩边、孔槽缺陷、装饰瑕疵等工艺问题，而这些瑕疵问题对于家具板材后续的使用存在重大影响，可能会出现无法装订、影响美观、降低使用寿命等严重问题，因此，如何在实际的生产线上针对纷繁多样且数量众多的家具板材产品进行高效而准确的实时瑕疵检测成为家具行业面临的一个重要难题。
[0003]现有的缺陷检测算法大致分为两类，即传统算法和基于学习的算法。大多数传统算法是基于先验知识的特征工程，涵盖了统计学、结构学、光谱学和基于模型的方法。基于学习的算法可以进一步分为经典的机器学习算法和深度学习算法。机器学习利用数学算法对数据进行学习和分析，从而对待测数据进行预测和决策。然而，这些经典的方法大都需要人工帮助来完成，泛化能力不强，在测试前必须进行仪器调试，而且设备开发成本较高，使其难以适应实际的工业应用环境。
[0004]而随着深度学习的发展，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向家具板材的瑕疵检测方法，其特征在于，包括以下步骤：获取样本图像并对样本图像中的瑕疵进行标注，得到瑕疵标签；根据样本图像和瑕疵标签构建样本数据集并对样本数据集进行切片和随机划分，得到训练数据集和测试数据集；对训练数据集进行数据预处理，得到预处理后的训练数据集；基于预处理后的训练数据集对预构建的检测器进行训练，得到瑕疵检测模型；基于瑕疵检测模型对测试数据集依次进行特征提取、分类和回归处理，得到瑕疵候选信息；基于非极大值抑制方法对瑕疵候选信息进行筛选，得到瑕疵检测结果。2.根据权利要求1所述一种面向家具板材的瑕疵检测方法，其特征在于，所述瑕疵标签包括每个瑕疵所在矩形框区域在图像中左上角的坐标、右下角的坐标和瑕疵的类别。3.根据权利要求1所述一种面向家具板材的瑕疵检测方法，其特征在于，所述对训练数据集进行数据预处理包括数据扩充和数据增强。4.根据权利要求1所述一种面向家具板材的瑕疵检测方法，其特征在于，所述根据样本图像和瑕疵标签构建样本数据集并对样本数据集进行切片和随机划分，得到训练数据集和测试数据集这一步骤，具体包括：对样本数据集中的图像数据进行两次切片，得到第一规格的切片数据和第二规格的切片数据；对第一规格的切片数据进行黑边裁剪，对第二规格的切片数据进行保留黑边；将切片数据进行合并并剔除重复样本，得到样本组；将样本组按预设比例随机划分，得到训练数据集和测试数据集。5.根据权利要求1所述一种面向家具板材的瑕疵检测方法，其特征在于，所述基于预处理后的训练数据集对预构建的检测器进行训练的训练步骤，具体包括：基于改进的Retinanet网络，构建检测器；将预处理后的训练数据集输入至检测器进行特征提取，得到训练数据集的低层特征和高层特征；基于纹理抑制的方式将低层特征和高层特征进行融合，得到融合特征；将融合特征输入至FPN网络，构建特征金字塔；将特征金字塔的每一层特征分别输入分类子网和回归子网，检测不同尺寸的瑕疵目标，得到训练检测信息；将训练检测信息与对应的瑕疵标签进行比对，调整检测...

【专利技术属性】
技术研发人员：陈翔，安小洁，陈华生，江俊锋，谢晓华，付明涛，
申请(专利权)人：广东鑫光智能系统有限公司，
类型：发明
国别省市：