一种人造合成木板质量检测方法、装置及存储介质制造方法及图纸

本发明专利技术揭示了一种人造合成木板质量检测方法、装置及存储介质，方法包括：首先，制作仿真数据集，并构建卷积神经网络；其次，利用所述仿真数据集训练所述卷积神经网络；再次，利用真实数据集对预训练后的卷积神经网络进行迭代训练；最后，利用训练后的卷积神经网络对人造合成木板进行质量检测。本发明专利技术能够对人造合成木板的质量进行检测，提高检测准确率的同时降低数据集制作成本。降低数据集制作成本。降低数据集制作成本。

【技术实现步骤摘要】
一种人造合成木板质量检测方法、装置及存储介质


[0001]本专利技术涉及木板检测
，尤其涉及一种人造合成木板质量检测方法及实现该人造合成木板质量检测方法的装置和存储介质。

技术介绍

[0002]随着家具产业的高速发展，促进了人造合成木板工业的快速发展。人造合成木板是利用木材在加工过程中产生的边角废料，添加化工胶黏剂而制作成的板材。人造合成木板在制作完成后需要进行质量检测，以检测木板表面完整性和尺寸是否符合要求，进而可将不符合相应质量要求的木板去除。人造合成木板的质量检测主要分为人工目检和机器检测。对于人工目检而言，存在准确率误差大、检测效率低下等问题，而机器检测的准确率及效率均高，因而机器检测逐渐代替人工目检。
[0003]目前，机器检测系统由多个图形学算法组合而成，每个算法实现不同的功能，如使用边缘检测算法对缺陷进行定位，使用对比算法获取产品表面异常情况。然而，目前的机器检测系统想要获得较高的检测准确率，使用的算法通常是复杂且冗杂的，这必然需要花费较长的运算时间且对不同类型木纹兼容能力差，使得该机器检测系统在实际生产流水线实时检测的能力较差。此外，当前深度学习算法研究都是针对普通实木木材表面的缺陷，如木结、死结和裂纹等缺陷在图形中尺寸占比较大，检测能够达到较高的准确率，但面对人造合成木板表面的尺寸占比较小的缺陷则需要较高的硬件要求和时间成本，无法满足人造合成木板质量检测的需求。而且在实际的木板质量检测过程中，往往因为真实数据集中样本数量较少等问题使得最终的检测准确率不尽人意。而一些为了提高检测准确率，通过大量的人力进行手工标注，以制作所需数量的真实数据集，这大大提高了数据集制作成本。

技术实现思路

[0004]本专利技术的目的在于提供一种人造合成木板质量检测方法，能够对人造合成木板的质量进行检测，提高检测准确率的同时降低数据集的制作成本。同时，还提供一种实现该方法的装置和存储介质。
[0005]为实现上述目的，本专利技术提出一种人造合成木板质量检测方法，所述人造合成木板质量检测方法包括：
[0006]S100，获取人造合成木板图像并进行预处理，在预处理后的人造合成木板图像上制作仿真缺陷，形成仿真数据集；
[0007]S200，构建卷积神经网络；
[0008]S300，利用所述仿真数据集训练所述卷积神经网络；
[0009]S400，利用真实数据集对预训练后的卷积神经网络进行训练，所述真实数据集的缺陷类型与仿真数据集的缺陷类型一致；
[0010]S500，利用步骤S400训练后的卷积神经网络对人造合成木板进行质量检测。
[0011]优选地，步骤S100中，所述仿真数据集通过如下步骤形成：
[0012]S101，根据真实缺陷数据库构建仿真缺陷数学模型，并利用所述仿真缺陷数据模型生成随机仿真缺陷，所述真实缺陷数据库包括真实表面油污数据库和/或真实表面划痕数据库，所述仿真缺陷数学模型选自表面油污数学模型、表面划痕数学模型中的一种或多种，其中，
[0013]所述表面油污模型的表达式为：
[0014][0015]D(x,y)＝N(μ1,μ2,σ12,σ22,ρ)
[0016]F
oil
为表面油污模型，F
oil,i
为第i个从真实表面油污数据库中随机选择的真实表面油污样本，D(x,y)为F
oil
的中心坐标，其呈二维正态分布，μ1，μ2，σ1，σ2，ρ均为常数；
[0017]所述表面划痕数学模型的表达式为：
[0018]F
scr
＝F
scr,i
×
P
[0019]F
scr
为生成的表面划痕模型，F
scr
,i为从真实表面划痕数据库中随机选择的真实表面划痕样本，P为缺陷的矩阵位移量；
[0020]S102，将随机仿真缺陷放在预处理的人造合成木板图像上，形成仿真缺陷图像，多个仿真缺陷图像形成仿真数据集。
[0021]优选地，所述卷积神经网络为基于残差网络Resnet18优化的卷积神经网络，所述卷积神经网络包括17个卷积层，所述17个卷积层分为五个卷积组，第一个卷积组包含一个卷积层，该卷积层使用7*7卷积核，第二个卷组至第五个卷积组均包含四个卷积层，且每个卷积组包含2个残差块。
[0022]优选地，在利用仿真数据集对卷积神经网络进行训练之前，还使ImageNet数据集对卷积神经网络进行训练。
[0023]优选地，在所述卷积神经网络中，在激活函数层时使用Leaky ReLU激活函数或在ReLU之前使用最大池化层。
[0024]优选地，步骤S100中，所述预处理包括：
[0025]通过标定板图像对人造合成木板图像进行修复；
[0026]根据不同相机之间的外参数关系，将多个人造合成木板图像进行拼接处理；
[0027]对拼接后的人造合成木板图像进行感兴趣区域提取，获得仅存在木板区域的人造合成木板图像。
[0028]优选地，S400中，利用训练后的卷积神经网络对人造合成木板进行质量检测包括：
[0029]获取人造合成木板的原始图像并进行预处理；
[0030]利用训练后的卷积神经网络对预处理后的人造合成木板图像进行识别，以检测人造合成木板是否存在缺陷。
[0031]本专利技术还揭示了一种人造合成木板质量检测装置，所述人造合成木板质量检测装置包括：
[0032]数据集建立模块，用于获取人造合成木板图像并进行预处理，在预处理后的人造合成木板图像上制作仿真缺陷，形成仿真数据集；
[0033]神经网络构建模块，用于构建卷积神经网络；
[0034]第一训练模块，用于利用所述仿真数据集训练所述卷积神经网络；
[0035]第二训练模块，用于利用真实数据集对预训练后的卷积神经网络进行训练，所述真实数据集的缺陷类型与仿真数据集的缺陷类型一致；
[0036]质量检测模块，用于利用第二训练模块训练后的卷积神经网络对人造合成木板进行质量检测。
[0037]本专利技术还揭示了一种人造合成木板质量检测装置，所述人造合成木板质量检测装置包括：
[0038]至少一个处理器；以及
[0039]至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理器并且存储用于由所述至少一个处理器执行的计算机程序，所述计算机程序由所述至少一个处理器执行时，使得所述装置执行上述所述的方法。
[0040]本专利技术还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现上述所述的方法。
[0041]本专利技术的有益效果是：
[0042](1)本专利技术通过制作仿真数据集，以对卷积神经网络进行预训练，一方面可使卷积神经网络能够更好的提取木板缺陷特征，提高卷积神经网络提取人造合成木板缺陷特征的准确性，另一方面，通过制作仿真数据集以对训练卷积神经网络的数据集进行扩展，解决了实际检测过程中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人造合成木板质量检测方法，其特征在于，所述人造合成木板质量检测方法包括：S100，获取人造合成木板图像并进行预处理，在预处理后的人造合成木板图像上制作仿真缺陷，形成仿真数据集；S200，构建卷积神经网络；S300，利用所述仿真数据集训练所述卷积神经网络；S400，利用真实数据集对预训练后的卷积神经网络进行训练，所述真实数据集的缺陷类型与仿真数据集的缺陷类型一致；S500，利用步骤S400训练后的卷积神经网络对人造合成木板进行质量检测。2.根据权利要求1所述的人造合成木板质量检测方法，其特征在于，步骤S100中，所述仿真数据集通过如下步骤形成：S101，根据真实缺陷数据库构建仿真缺陷数学模型，并利用所述仿真缺陷数据模型生成随机仿真缺陷，所述真实缺陷数据库包括真实表面油污数据库和/或真实表面划痕数据库，所述仿真缺陷数学模型选自表面油污数学模型、表面划痕数学模型中的一种或多种，其中，所述表面油污模型的表达式为：D(x,y)＝N(μ1,μ2,σ12,σ22,ρ)F
oil
为表面油污模型，F
oil,i
为第i个从真实表面油污数据库中随机选择的真实表面油污样本，D(x,y)为F
oil
的中心坐标，其呈二维正态分布，μ1，μ2，σ1，σ2，ρ均为常数；所述表面划痕数学模型的表达式为：F
scr
＝F
scr,i
×
PF
scr
为生成的表面划痕模型，F
scr,i
为从真实表面划痕数据库中随机选择的真实表面划痕样本，P为缺陷的矩阵位移量；S102，将随机仿真缺陷放在预处理的人造合成木板图像上，形成仿真缺陷图像，多个仿真缺陷图像形成仿真数据集。3.根据权利要求1所述的人造合成木板质量检测方法，其特征在于，所述卷积神经网络为基于残差网络Resnet18优化的卷积神经网络，所述卷积神经网络包括17个卷积层，所述17个卷积层分为五个卷积组，第一个卷积组包含一个卷积层，该卷积层使用7*7卷积核，第二个卷积组至第五个卷积组均包含四个卷积层，且每个卷...

【专利技术属性】
技术研发人员：黄立波，林李兴，夏振平，陈桂章，孙家伟，龚裕海，陈安泽，
申请(专利权)人：苏州科技大学，
类型：发明
国别省市：