一种基于神经网络的木地板瑕疵点的检测方法及系统技术方案

本发明专利技术提供了一种基于神经网络的木地板瑕疵点的检测方法及系统，包括以下步骤：S1、生成木地板瑕疵点数据集；S2、生成木地板瑕疵点检测模型；S3、生成多个不同尺度的特征图；S4、将多个经过处理后的特征图的特征信息进行融合，生成多层特征图；S5、通过预测网络输出瑕疵点的类型和位置信息；S6、使用非极大值抑制法，删除非最佳目标框，得到目标框；S7、将实际生产中不需要检测的瑕疵点进行剔除。本发明专利技术有益效果：相较于传统的模板匹配方法通过图像去噪后进行灰度化与二值化，凸显出瑕疵点，或通过模板匹配方法进行检测，采用本检测方法的检测速率更快，通过剔除固定尺寸大小外的所有瑕疵点，提高了检测结果的准确性。提高了检测结果的准确性。提高了检测结果的准确性。

【技术实现步骤摘要】
一种基于神经网络的木地板瑕疵点的检测方法及系统


[0001]本专利技术属于木地板瑕疵点检测领域，尤其是涉及一种基于神经网络的木地板瑕疵点的检测方法及系统。

技术介绍

[0002]在工业板材行业生产过程中，底板的表面存在大量的瑕疵，需要对木地板的瑕疵大小、位置、类型进行检测，这对于分析瑕疵产生的原因及后续的生产工艺改进有着重要的意义。
[0003]当前的板材生产过程中存在着大量需要检测的小型瑕疵，由于小型瑕疵的像素较少，难以提取有效信息，也就造成了小目标难以检测的困难现状。传统的模板匹配方法通过图像去噪后进行灰度化与二值化，凸显出瑕疵点，或通过模板匹配方法进行检测，而实际中的瑕疵具有多样性，其形状不标准，复杂多变，传统识别方法可检测瑕疵种类较少，不能识别全部类型的瑕疵，导致检测结果不准确，且自动化水平低导致检测工作的工作效率低下。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出一种基于神经网络的木地板瑕疵点的检测方法及系统，以期待解决上述部分技术问题中的至少之一。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：本专利技术第一方面提供了一种基于神经网络的木地板瑕疵点的检测方法，包括以下步骤：S1、将真实瑕疵模板中的瑕疵与完好木地板进行数据融合，生成木地板瑕疵点数据集；S2、在ExSimAM
‑
YOLOv5网络模型输入木地板瑕疵数据集进行训练，生成木地板瑕疵点检测模型；S3、在木地板瑕疵点检测模型中输入待检测图像，对木地板瑕疵点检测模型的主干网木地板瑕疵点图像进行特征提取，生成多个不同尺度的特征图；S4、将多个特征图输入到木地板瑕疵点检测模型的颈部网进行处理，将多个经过处理后的特征图的特征信息进行融合，生成多层特征图；S5、通过木地板瑕疵点检测模型的预测网络输出瑕疵点的类型和位置信息；S6、使用非极大值抑制法，删除非最佳目标框，得到目标框，并将瑕疵点目标的类别及位置信息保存并显示；S7、将步骤S6中保存的瑕疵点目标，按照实际生产需求进行剔除，然后生成最终的木地板瑕疵点标记位置。
[0006]进一步的，所述步骤S1中，瑕疵点数据集生成的步骤如下：S11、在真实瑕疵图片上对瑕疵点进行抠图，生成了真实瑕疵模板；S12、使用真实瑕疵模板对输入的无瑕疵模板图像进行贴图生成合成的瑕疵图像，
并且同时保存位置信息；S13、根据瑕疵图像生成木地板瑕疵点数据集。
[0007]进一步的，所述步骤S2和步骤S3中，所述木地板瑕疵点检测模型基于基础的Focus模块、C3模块和SPP模块，并结合ExSimAM注意力模块搭建起主干网，主干网对待检测图像进行处理，生成多个不同尺度的特征图。Focus模块负责从图像中每隔一个像素取一个值，将图像切分为四份。C3模块负责对特征图进行特征提取。SPP模块负责将不同大小的特征图进行融合，加强特征的丰富程度。
[0008]进一步的，SimAM注意力模块为空间通道注意力机制，通过对单个神经元的重要性进行评估，使重要性高的神经元表现出空间抑制现象；重要性的计算公式如下：；其中：代表每个神经元重要性，代表该通道内神经元方差，代表每一个神经元的距离均值的离散程度，为超参数。
[0009]进一步的，所述ExSimAM注意力模块的提出激活函数为：；其中K为设置的阈值，排序在K之上的数值保持不变，在K之下的数值按照公式激活函数的方式进行抑制；计算特征图中特征值的重要性矩阵，获取特征图中的均值，依照重要性矩阵进行排序，选择重要性矩阵中占比前百分之K的特征值，将这些特征值与均值的差值使用自定义激活函数进行抑制，将得到差值矩阵与均值相加得到结果矩阵，该方法使得均值不变，而重要性高的特征点得以凸显；所述阈值K的计算过程如下：首先计算某层特征图上的所有特征点的重要性矩阵，将得到的重要性矩阵按照数值大小进行升序排序，设定百分比阈值K。
[0010]进一步的，所述步骤S5中，所述预测网络的回归损失函数为：；其中，A、B为两个预测框和真值框的中心点，表示欧式距离，表示预测框和真值框的最小外界矩形的对角线距离，是用于做折中的参数，，v是用来衡量长宽比一致性的参数，IOU指预测框和真值框的交并比值，CIOU为度量预测框与真值框的接近程度的指标；
定义，和为真值框的宽和高，w和h为预测框的宽和高；arctan()为三角函数中的反正切函数。
[0011]进一步的，所述步骤S4中，木地板瑕疵点检测模型中的特征融合过程采用FPN和PAN混合融合特征进行融合处理，得到多层特征图；木地板瑕疵点检测模型的颈部网融合多个不同尺度特征图的瑕疵点信息，为后续木地板瑕疵点检测模型的头部网提供包含更多信息的特征图；所述步骤S5中，多层特征图输入到木地板瑕疵点检测模型的目标检测网络中，利用预测网络输出瑕疵点的类型和位置信息；头部网对输入的特征图进行逐特征点预测，根据提前设定的预测框的大小预测目标，根据特征图的数值使用Softmax获取目标的类别，根据特征图的数值调整预测框的位置；所述步骤S6中，通过非极大值抑制方法，删除非最佳目标框，得到最终的精确目标框位置获得目标在原图的位置，判别该目标的类型，并在原图中显示。
[0012]本专利技术第二方面提供了一种电子设备，一种基于神经网络的木地板瑕疵点的检测系统，包括：瑕疵数据自动标注生成模块，所述瑕疵数据自动标注生成模块将真实瑕疵模板中的瑕疵与完好木地板进行数据融合，生成木地板瑕疵点数据集；木地板瑕疵点检测模型获取模块，所述木地板瑕疵点检测模型获取模块用于设定ExSimAM
‑
YOLOv5网络模型的初始参数，将木地板瑕疵点数据集输入ExSimAM
‑
YOLOv5网络模型进行训练，得到深度学习的木地板瑕疵点检测模型；特征图得到模块，所述特征图得到模块用于将多个特征图输入到木地板瑕疵点检测模型的颈部网进行处理，将多个经过处理后的特征图的特征信息进行融合，生成多层特征图；目标类型及位置信息获取模块，所述目标类型及位置信息获取模块通过木地板瑕疵点检测模型的预测网络输出瑕疵点的类型和位置信息；目标框获取模块，所述目标框获取模块使用非极大值抑制法，删除非最佳目标框，得到目标框，并将瑕疵点目标的类别及位置信息保存并显示；数据后处理模块，所述数据后处理模块将步骤目标框获取模块中保存的瑕疵点目标，按照实际生产需求进行剔除，然后生成最终的木地板瑕疵点标记位置。
[0013]本专利技术第三方面提供了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行上述第一方面所述的基于神经网络的木地板瑕疵点的检测方法。
[0014]本专利技术第四方面提供了一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行第一方面所述的基于神经网络的木地板瑕疵点的检测方法。
[0015]本专利技术第五方面提供了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的木地板瑕疵点的检测方法，其特征在于，包括以下步骤：S1、将真实瑕疵模板中的瑕疵与完好木地板进行数据融合，生成木地板瑕疵点数据集；S2、在ExSimAM
‑
YOLOv5网络模型输入木地板瑕疵数据集进行训练，生成木地板瑕疵点检测模型；S3、在木地板瑕疵点检测模型中输入待检测图像，对ExSimAM
‑
YOLOv5主干网木地板瑕疵点图像进行特征提取，生成多个不同尺度的特征图；S4、将多个特征图输入到ExSimAM
‑
YOLOv5颈部网进行处理，将多个经过处理后的特征图的特征信息进行融合，生成多层特征图；S5、通过预测网络输出瑕疵点的类型和位置信息；S6、使用非极大值抑制法，删除非最佳目标框，得到目标框，并将目标的类别及位置信息保存并显示；S7、将实际生产中不需要检测的瑕疵点进行剔除，然后生成最终的木地板瑕疵点标记位置。2.根据权利要求1所述的一种基于神经网络的木地板瑕疵点的检测方法，其特征在于：所述步骤S1中，瑕疵点数据集生成的步骤如下：S11、在真实瑕疵图片上对瑕疵点进行抠图，生成了真实瑕疵模板；S12、使用真实瑕疵模板对输入的无瑕疵模板图像进行贴图生成合成的瑕疵图像，并且同时保存位置信息，瑕疵图像生成木地板瑕疵点数据集。3.根据权利要求1所述的一种基于神经网络的木地板瑕疵点的检测方法，其特征在于：所述步骤S2和步骤S3中，所述ExSimAM
‑
YOLOv5网络模型基于基础的Focus模块、C3模块和SPP模块，并结合ExSimAM注意力模块搭建起主干网，主干网对待检测图像进行处理，生成多个不同尺度的特征图。4.根据权利要求3所述的一种基于神经网络的木地板瑕疵点的检测方法，其特征在于：ExSimAM注意力模块为空间通道注意力机制，通过对单个神经元的重要性进行评估，使重要性高的神经元表现出空间抑制现象；重要性的计算公式如下：；其中：代表每个神经元重要性，代表该通道内神经元方差，代表每一个神经元的距离均值的离散程度，为超参数；所述ExSimAM注意力模块提出的激活函数为：；其中K为设置的阈值，排序在K之上的数值保持不变，在K之下的数值按照公式激活函数
的方式进行抑制；计算特征图中特征值的重要性矩阵，获取特征图中的均值，依照重要性矩阵进行排序，选择重要性矩阵中占比前百分之K的特征值，将这些特征值与均值的差值使用自定义激活函数进行抑制，将得到差值矩阵与均值相加得到结果矩阵，该方法使得均值不变，而重要性高的特征点得以凸显；所述阈值K的计算过程如下：首先计算某层特征图上的所有特征点的重要性矩阵，将得到的重要性矩阵按照数值大小进行升序排序，设定百分比阈值K。5.根据权利要求1所述的一种基于神经网络的木地板瑕疵点的检测方法，其特征在于：所述步骤S5中，所述预测网络的回归损失函数为：；其中，A、B为两个预测框和真值框的中心点，表示欧式距离，c表示预测框和真值框的最小外界矩形的对角线距离，是用于做折中的参数，，v是用来衡量长宽比一致性的参数，IO...

【专利技术属性】
技术研发人员：屈景怡，李浩浩，李云龙，徐健，张峰，
申请(专利权)人：苏州大懿智能装备有限公司，
类型：发明
国别省市：