自适应DeepLab木材表面缺陷分割模型算法制造技术

本发明专利技术公开了自适应DeepLab木材表面缺陷分割模型算法，涉及木材表面缺陷分割模型算法技术领域，该分割模型算法旨在解决现有技术下无法满足木材行业智能优选备料成套装备中分类任务的需求，切割后得到的木材价值无法最大化，并且不能对木板的双面同时同步进行检测，不能自主训练，影响精度的技术问题，该分割模型算法，其步骤如下：S1：通过16k工业线扫相机获取木材双面的图像信息；S2：多源数据自训练学习，S3：通过DeepLabv3+模型进行木材图像分割，S4：根据木材正反面的缺陷分布情况，然后得出带缺陷木材的切割方案，该分割模型算法通过优化的轻量级高效智能网络PPLCNet对木材进行缺陷分类，精准定位缺陷位置，能够获得畸变低、照度均匀的理想图像。照度均匀的理想图像。

【技术实现步骤摘要】
自适应DeepLab木材表面缺陷分割模型算法


[0001]本专利技术属于木材表面缺陷分割模型算法
，具体涉及自适应DeepLab木材表面缺陷分割模型算法。

技术介绍

[0002]木材优选备料行业属于劳动密集型，毛利低，对成本极其敏感，这就需要降低设备成本，提高生产效率，目前行业内亟需解决的痛点问题，具体包括缺陷识别准确性差，检测效率低、成本高昂和建模设定时间长、普适性不足等。
[0003]目前，专利号为CN202110938503.3的专利技术专利公开了一种基于深度学习的木材优选锯视觉检测方法，该方法包括以下具体步骤：设置检测区域，采集所述检测区域内木材的表面图像；利用损失函数训练木材语义分割网络，将所述表面图像输入训练好的所述木材语义分割网络得到缺陷分割图像；所述木材语义分割网络包含三个分支，其中第一分支输出所述缺陷分割图像、第二分支输出非缺陷分割图像、第三分支输出木材纹理的变化曲线；根据所述缺陷分割图像获取所述木材的切割定位点；所述损失函数的构建方法为：由所述缺陷分割图像和所述非缺陷分割图像中像素点的像素值构建像素点分类损失函数；利用卷积核与所述非缺陷分割图像中像素点的像素值构建所述第二分支的非缺陷区域连通性损失函数；由所述表面图像的总像素点数量、非缺陷像素点数量和缺陷像素点数量构建像素点数量损失函数；基于所述缺陷分割图像和所述非缺陷分割图像中对应像素点的像素值构建像素点类别损失函数；利用所述变化曲线构建所述第一分支的缺陷边缘损失函数；结合所述像素点分类损失函数、所述非缺陷区域连通性损失函数、所述像素点数量损失函数、所述像素点类别损失函数和所述缺陷边缘损失函数得到所述损失函数，其采用对抗的方式对木材语义分割网络的损失函数进行设计，且结合木材的纹理信息对由木材语义分割网络得到的分割结果进行监督，分割结果更加准确，避免误检或漏检的情况，但该方法硬件需求高、运算成本高，无法满足木材行业智能优选备料成套装备中分类任务的需求，切割后得到的木材价值无法最大化，采用多个面阵相机采图拼接耗费更多时间同时降低了图片精度，并且不能对木板的双面同时同步进行检测，对缺陷的检测效率低，不能自主训练，目标木材图像与训练的木材图像不一致，影响精度。
[0004]因此，针对上述无法满足木材行业智能优选备料成套装备中分类任务的需求和不能自主训练的问题，亟需得到解决，以改善缺陷分割模型算法的使用场景。

技术实现思路

[0005](1)要解决的技术问题
[0006]针对现有技术的不足，本专利技术的目的在于提供自适应DeepLab木材表面缺陷分割模型算法，该分割模型算法旨在解决现有技术下无法满足木材行业智能优选备料成套装备中分类任务的需求，切割后得到的木材价值无法最大化，并且不能对木板的双面同时同步进行检测，不能自主训练，影响精度的技术问题。
[0007](2)技术方案
[0008]为了解决上述技术问题，本专利技术提供了这样自适应DeepLab木材表面缺陷分割模型算法，其步骤如下：
[0009]S1：结合Intel
‑
CPU端侧推理特性设计轻量高性能网络PP
‑
LCNet，通过16k工业线扫相机获取木材双面的图像信息；
[0010]S2：多源数据自训练学习：
[0011]S21：图片数据选择：选择合适的数据对象来进行数据自训练学习，根据设备实际运行中模型预测的结果对选择的数据进行判断，确保选择的数据标签标注正确；
[0012]S22：数据的预处理：对图像使用形态学和Blob分析处理提取出需要的ROI区域：
[0013]S221：图像分割：分割技术包括：直接输入、固定硬阈值、相对硬阈值、动态硬阈值、固定软阈值、相对软阈值、像素映射和阈值图像，图像分割后进行形态学处理，形态学处理包括：连通、膨胀、腐蚀、开操作、闭操作、顶帽变换、击中与不击中变换、交集、差异、骨架和边界；
[0014]S222：连通性分析：根据目标的连通性对目标区域进行标记；
[0015]S223：特征量计算：包括区域特征和灰度特征，其中区域特征包括面积、力矩、平行于主轴的最小矩形、任意方向的最小矩、最小圆形、凸包面积、区域边界长度、形状特征，灰度特征包括区域的平均灰度值、区域的最小和最大灰度值，提取出需要的ROI区域；
[0016]S23：数据自训练学习：借助深度学习目标识别手段来对预处理过的多种数据进行自训练学习，然后对数据自训练学习得到的结果进行分析，分析时以图像处理技术和数据分析技术为基础结合深度学习决策分析结果最后给出评价：
[0017]S231：将标记的数据实例拆分为训练集和测试集，然后对标记的训练数据训练一个分类算法；
[0018]S232：使用经过训练的分类器来预测所有未标记数据实例的类标签，在这些预测的类标签中，正确率最高称为伪标签；
[0019]S233：将伪标签数据与正确标记的训练数据连接起来，在组合的伪标签和正确标记训练数据上重新训练分类器；
[0020]S234：使用经过训练的分类器来预测已标记的测试数据实例的类标签；
[0021]234：重复S232至S234，直至S232中的预测类标签不再满足设定的概率阈值，或者直到没有更多未标记的数据保留。
[0022]S3：通过DeepLabv3+模型进行木材图像分割，DeepLabv3+模型的Encoder的主体是带有空洞卷积的DCNN，采用常用的分类网络ResNet和带有空洞卷积的空间金字塔池化模块，DeepLabv3+模型引入了Decoder模块：
[0023]S31：在Encoder中，对压缩四次的初步有效特征层利用并行的空洞卷积，分别用不同rate的空洞卷积进行特征提取，再进行concat合并，然后进行1x1卷积压缩特征，Encoder得到绿色特征图，称之为ASPP加强特征提取网络的构建；
[0024]S32：在Decoder中，对压缩两次的初步有效特征层利用1x1卷积调整通道数，再和空洞卷积后的有效特征层上采样的结果进行堆叠，在完成堆叠后，进行两次深度可分离卷积，获得了一个最终的有效特征层；
[0025]S33：得到最终的有效特征层后，利用一个1x1卷积进行通道调整，调整到Num_
Classes，然后利用resize进行上采样使得最终输出层，宽高和输入图片一样；
[0026]S4：根据木材正反面的缺陷分布情况，设定客户需求的最小切割长度，木材两个面以带缺陷和不带缺陷进行分段，利用排列组合的方式得到所有的组合，再根据切割规则求解所有组合的价值，得出价值最大的组合，然后得出带缺陷木材的切割方案。
[0027]进一步地，所述S1中16k工业线扫相机采用上下双线扫相机对射架构，16k工业线扫相机搭配低畸变拟镜头。
[0028]进一步地，所述S21中对选择的数据判断标签标注正确的方式有两种，其一是通过设置高阈值，确保选择的数据标签标注正确，其二是由人工来确定数据的标签标注。
[0029]进一步地，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.自适应DeepLab木材表面缺陷分割模型算法，其特征在于，其步骤如下：S1：结合Intel
‑
CPU端侧推理特性设计轻量高性能网络PP
‑
LCNet，通过16k工业线扫相机获取木材双面的图像信息；S2：多源数据自训练学习：S21：图片数据选择：选择合适的数据对象来进行数据自训练学习，根据设备实际运行中模型预测的结果对选择的数据进行判断，确保选择的数据标签标注正确；S22：数据的预处理：对图像使用形态学和Blob分析处理提取出需要的ROI区域：S221：图像分割：分割技术包括：直接输入、固定硬阈值、相对硬阈值、动态硬阈值、固定软阈值、相对软阈值、像素映射和阈值图像，图像分割后进行形态学处理，形态学处理包括：连通、膨胀、腐蚀、开操作、闭操作、顶帽变换、击中与不击中变换、交集、差异、骨架和边界；S222：连通性分析：根据目标的连通性对目标区域进行标记；S223：特征量计算：包括区域特征和灰度特征，其中区域特征包括面积、力矩、平行于主轴的最小矩形、任意方向的最小矩、最小圆形、凸包面积、区域边界长度、形状特征，灰度特征包括区域的平均灰度值、区域的最小和最大灰度值，提取出需要的ROI区域；S23：数据自训练学习：借助深度学习目标识别手段来对预处理过的多种数据进行自训练学习，然后对数据自训练学习得到的结果进行分析，分析时以图像处理技术和数据分析技术为基础结合深度学习决策分析结果最后给出评价：S231：将标记的数据实例拆分为训练集和测试集，然后对标记的训练数据训练一个分类算法；S232：使用经过训练的分类器来预测所有未标记数据实例的类标签，在这些预测的类标签中，正确率最高称为伪标签；S233：将伪标签数据与正确标记的训练数据连接起来，在组合的伪标签和正确标记训练数据上重新训练分类器；S234：使用经过训练的分类器来预测已标记的测试数据实例的类标签；234：重复S232至S234，直至S232中的预测类标签不再满足设定的概率阈值，或者直到没有更多未标记的数据保留。S3：通过DeepLabv3+模型进行木材图像分割，DeepLabv3+模型的Encoder的主体是带有空洞卷积的DCNN，采用常用的分类网络ResNet和带有空洞卷积的空间金字塔池化模块，DeepLabv3+模型引入了Decoder模块：S31：在Encoder...

【专利技术属性】
技术研发人员：丁安波，程昊，
申请(专利权)人：苏州智颂智能装备有限公司，
类型：发明
国别省市：