一种优化目标检测模型的桉木单板缺陷检测方法

1.本发明属于智能化木材加工技术领域，涉及一种优化目标检测模型的桉木单板缺陷检测方法。


背景技术：

2.木材因其天然可再生、保温、电绝缘、强重比高等特性，长期以来一直被用作家具和建筑结构材料。在进行木制品加工前，要对木材单板进行缺陷检测，而传统人工检测受客观因素如视觉疲劳、周边环境等，以及自身主观判断的影响，效率不高。因此，木材缺陷检测逐渐被机器取代，并向智能化转变。从20世纪90年代开始，伴随着对现代科学和自动化的深入研究，计算机技术越来越被重视，人工智能也逐渐兴起并快速发展。人工智能是集合多种算法，并结合统计学理论，模拟人的思维进行计算机智能化的技术。人工智能以机器学习为核心，通过算法实现持续的自我学习，从海量数据中寻找潜在关系，搭建模型。
3.目前国内外对木材缺陷的识别大多数采用传统的数字图像处理方式。首先，采用灰度变换，直方图均衡化，空间域或者频域滤波等对图像进行增强等预处理，然后对木材缺陷图像进行木材缺陷分割和木材缺陷特征提取，最后采用传统的机器学习算法对图像进行识别。学者基于特征的方法在快速检测木材缺陷方面做了大量研究。然而传统数字图像处理方式对木材缺陷识别只能检测木材缺陷的种类，不能识别木材缺陷的大小、位置，故其不能满足工业化生产需要。
4.以上方法的共同特点是需要手动设计木材缺陷的颜色、形状和尺寸等特征。随着机器视觉技术从特征工程方法到深度学习方法的发展，基于木材缺陷检测也由基于传统机器学习的数字图像处理升级为基于深度学习的图像目标检测、图像分割任务。深度学习技术的特点是不需要人类设计，网络自行学习所需，同时在检测大数据方面表现出巨大优势。深度学习与木材缺陷检测理论相结合，在木材缺陷检测领域具有巨大潜力。liu等人提出了一个基于分裂洗牌残留模块的cnn，在木材颜色和纹理分类方面准确率为94.86％；gao等人使用迁移学习和resnet34对七种类型的节子进行分类；yang等人使用深度极限学习对死节、活节、腐烂节进行分类，准确率为96.72％。以上方法一方面只做到对缺陷进行分类，不能识别木材缺陷的大小和位置，存在一定局限性；另一方面，其识别准确率在应用到工业化木材加工领域中时，仍存在较大的识别误差率，从而造成加工成本提升。


技术实现要素：

5.针对上述现有技术中的问题，本发明提供一种优化目标检测模型的桉木单板缺陷检测方法，构建高效率、高精度的桉木单板缺陷智能检测系统。通过采用目标检测算法对分等后的缺陷可挖补单板进行缺陷检测，可以自动化地检测出缺陷区域，同时也可以识别出不同类型的缺陷，以数字化形式，输出方便后续的挖补处理。
6.为实现上述目的，本发明是采用由以下技术措施构成的技术方案来实现的。
7.本发明提供了一种优化目标检测模型的桉木单板缺陷检测方法，主要包括以下步
骤：
8.sⅰ、采集桉木单板原始图像数据集；
9.sⅱ、将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理；
10.sⅲ、将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集；
11.sⅳ、基于改进yolov7模型针对训练集进行训练，得到训练好的优化目标检测模型model；
12.其中，所述改进yolov7模型其具体改进方法如下：
13.ⅳ‑
1、在原始yolov7模型基础上，分别增加1～5个卷积层和1～5个池化层，从而增加模型的深度；将卷积核大小由3*3修改为由1*1递增至9*9，以扩展模型的宽度；
14.ⅳ‑
2、将aspp模块代码添加到common文件末尾，在yolo文件中加入类名，并将[-1，1，aspp，[1024]]添加到yolov7_aspp.yaml文件backbone模块的卷积层后；
[0015]
ⅳ‑
3、先将se模块代码添加到yolov7.models文件末尾并加入se类名，将[-1，1，se，[1024]]添加到sppf前一层，该层网络后续的编号将发生改变，因此要对head部位中detect的from参数进行修改为[18，21，24]；同样，因为把se加入到了第9层，所以9层之后的编号都要加1，因此head部位中concat的from系数要修改为[-1，15]和[-1，11]；在train.py文件中把
‑‑
cfg默认参数后的default增加se模块文件路径；
[0016]sⅴ
、将需要进行检测的桉木单板图像数据输入到优化目标检测模型model中，优化目标检测模型model输出带有缺陷标记文件的桉木单板图像数据。
[0017]
在本文中，所述改进yolov7模型是基于原始yolov7目标检测算法模型进行改进，该原始yolov7目标检测算法模型来源于网络开源平台。
[0018]
在本文中，步骤sⅰ中所述采集桉木单板原始图像数据集，是按照本技术领域常规的图像数据采集方式，例如通过常规摄影方式或是工业成像方式进行采集。
[0019]
在其中一种技术方案中，步骤sⅰ中所述采集桉木单板原始图像数据集，其具体可通过工业相机对幅面1.27m
×
0.63m的桉木单板进行拍摄，所得原始图像数据的分辨率不低于1920
×
1080，图像位深度不低于8。拍摄所得原始图像数据中包含数量不等的活节、死节、漏节、毛刺等常规桉木单板缺陷。
[0020]
在本文中，步骤sⅱ中所述将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理，目的是为了扩大数据集，以增加模型的泛化能力及鲁棒性，从而提高训练效率和加快训练速度，其中预处理的方式具体可以参考本技术领域中常规的预处理方式，或是基于深度卷积神经网络的图像识别算法中常规的图像预处理方式，本领域技术人员可直接查询相关文献获得。
[0021]
在其中一种技术方案中，步骤sⅱ中所述将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理，其中所述预处理具体为将原始图像数据采用伽马变换、拉普拉斯变换、随机裁剪、随机水平翻转、高斯模糊、高斯噪声和椒盐噪声其中任意一种或多种的处理方式进行预处理。
[0022]
在本文中，步骤sⅲ中所述将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，其中所述进行标记的方式包括但不限于人工标记和软件辅助标记。需要说明的是，其标记的内容包括桉木单板缺陷类型(例
如活节、死节、漏节、毛刺等常规桉木单板缺陷)，桉木单板缺陷大小(例如通过缺陷轮廓面积计算大小)及桉木单板缺陷位置(例如采用缺陷中心点或轮廓点坐标值)。
[0023]
在其中一种技术方案中，步骤sⅲ中所述将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，其中所述进行标记的方式为采用软件辅助标记，具体为使用labelme软件对经过预处理的原始图像数据进行人工标注，并采用该软件生成带有缺陷标记文件的图像数据，其中缺陷标记文件内容包括缺陷类型、缺陷大小及缺陷位置。
[0024]
在其中一种技术方案中，步骤sⅲ中还包括对经过预处理的原始图像数据进行筛选，从而提高训练的准确率和效率，其具体的筛选方式是按照桉木单板缺陷分类，使得经过预处理的原始图像数据集中每种桉木单板缺陷数量趋于一致。例如是以sⅲ步骤中所标记的桉木单板缺陷，使得活节标记数＝死节标记数＝毛刺标记数。每类缺陷数量的不均衡会降低模型的学习效果，当某一种缺陷标记数量过多而另一种过少时，模型会对标记数量大的特征表现出更好的学习率即为识别效果更优，反之则会对标记数量小的特征识别效果较差，造成总体识别准确率的下降。
[0025]
在其中一种优选的技术方案中，步骤sⅳ中所述基于改进yolov7模型针对训练集进行训练，发明人在实验过程中还发现，在针对桉木单板缺陷检测这一单一技术目的时，通过设置特殊的超参数和学习率，能够显著进一步提高训练的准确率和效率，其具体是设置超参数的批样本数量batch size 24，学习率0.001。此外，为了防止模型过拟合，还包括采用正则化处理，具体为采用l1和l2正则化。其中，l1正则化通过增加模型参数的绝对值之和来降低模型复杂度；l2正则化通过增加模型参数的平方和来降低模型复杂度。这两种正则化技术都可以有效地避免模型过拟合，但l1正则化还可以用于特征选择，因为它倾向于使一些特征的权重为零，从而实现特征选择的目的。正则化处理可以提高模型的泛化能力，使得模型不仅能够很好地拟合训练数据，还能够适应新的未见过的数据。
[0026]
需说明的是，本发明所采用的aspp(atrous spatial pyramid pooling，空洞空间卷积池化金字塔)模块代码，优选对原始aspp模块代码进行修改，具体代码如下：
[0027]
[0028][0029]
需说明的是，本发明所采用的se(squeeze-and excitation)模块代码，优选对原始se模块代码进行修改，具体代码如下：
[0030]
[0031][0032]
本发明具有如下有益效果：
[0033]
1、本发明技术方案所提供的桉木单板缺陷检测方法，通过对原始yolov7模型进行改进，首先调整模型结构，通过增加模型深度、宽度，提高模型的表示能力和学习能力，从而提高模型的检测准确率和鲁棒性；其次，采用更加精细的特征图金字塔结构，提取缺陷的更多、更丰富的特征信息，并引入注意力机制多尺度融合等技术手段，加强模型对缺陷区域的关注和识别能力；最后，结合数据增强、多任务学习等方法，综合提高模型的检测能力和准确率。通过上述改进方式，进一步显著增强最终模型的识别准确率。
[0034]
2、本发明技术方案基于桉木单板缺陷检测这一深挖领域，进一步通过改进原始yolov7模型以进一步适应桉木单板缺陷检测，并且通过对比发现，aspp模块和se模块的选择及设置位置都将极大地影响到最终模型的识别准确率。
[0035]
3、本发明技术方案所针对的桉木单板缺陷(例如死节、活节和毛刺)，其缺陷大小、位置和数量具有随机性偶然性，不同的单板样式不同，在没有预知大小、位置和数量情况下，所得优化目标检测模型仍可以准确迅速框选不同单板上的缺陷。
附图说明
[0036]
图1为本发明具体实施方式中改进yolov7模型的结构示意图。
[0037]
图2为本发明具体实施方式中一种优化目标检测模型的桉木单板缺陷检测方法的流程示意图。
[0038]
图3为本发明实施例1中输出带有缺陷标记文件的桉木单板图像数据的视觉示意图。其中，上图为需要进行检测的桉木单板图像，下图为输出带有缺陷标记文件的桉木单板图像数据的视觉示意图。
具体实施方式
[0039]
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为了进一步说明本发明的特征和优点，而不是对发明权利要求的限制。本领域技术人员可以借鉴本文内容，适当改进工艺参数实现。特别需要指出的是，所有类似的替换和改动对本领域技术人员来说是显而易见的，它们都被视为包括在本发明内。本发明的方法及应用已经通过较佳实施例进行了描述，相关人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和应用进行改动或适当变更与组合，来实现和应用本发明技术。虽然相信本领域普通技术人员充分了解以下术语，但仍陈述以下定义以有助于说明本发明所公开的主题。
[0040]
本发明提供了一种优化目标检测模型的桉木单板缺陷检测方法，主要包括以下步骤：
[0041]
sⅰ、采集桉木单板原始图像数据集；
[0042]
sⅱ、将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理；
[0043]
sⅲ、将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集；
[0044]
sⅳ、基于改进yolov7模型针对训练集进行训练，得到训练好的优化目标检测模型model；
[0045]
其中，所述改进yolov7模型其具体改进方法如下：
[0046]
ⅳ‑
1、在原始yolov7模型基础上，分别增加1～5个卷积层和1～5个池化层，从而增加模型的深度；将卷积核大小由3*3修改为由1*1递增至9*9，以扩展模型的宽度；
[0047]
ⅳ‑
2、将aspp模块代码添加到common文件末尾，在yolo文件中加入类名，并将[-1，1，aspp，[1024]]添加到yolov7_aspp.yaml文件backbone模块的卷积层后；
[0048]
ⅳ‑
3、先将se模块代码添加到yolov7.models文件末尾并加入se类名，将[-1，1，se，[1024]]添加到sppf前一层，该层网络后续的编号将发生改变，因此要对head部位中detect的from参数进行修改为[18，21，24]；同样，因为把se加入到了第9层，所以9层之后的编号都要加1，因此head部位中concat的from系数要修改为[-1，15]和[-1，11]；在train.py文件中把
‑‑
cfg默认参数后的default增加se模块文件路径；
[0049]sⅴ
、将需要进行检测的桉木单板图像数据输入到优化目标检测模型model中，优化目标检测模型model输出带有缺陷标记文件的桉木单板图像数据。
[0050]
在本文中，所述改进yolov7模型是基于原始yolov7目标检测算法模型进行改进，该原始yolov7目标检测算法模型来源于网络开源平台。
[0051]
在本文中，步骤sⅰ中所述采集桉木单板原始图像数据集，是按照本技术领域常规的图像数据采集方式，在其中一种实施方式中，选择通过常规摄影方式或是工业成像方式进行采集。
[0052]
在其中一种实施方式中，步骤sⅰ中所述采集桉木单板原始图像数据集，其具体可通过工业相机对幅面1.27m
×
0.63m的桉木单板进行拍摄，所得原始图像数据的分辨率不低于1920
×
1080，图像位深度不低于8。拍摄所得原始图像数据中包含数量不等的活节、死节、漏节、毛刺等常规桉木单板缺陷。
[0053]
在本文中，步骤sⅱ中所述将原始图像数据，根据桉木单板的颜色、缺陷特性进行
预处理，目的是为了扩大数据集，以增加模型的泛化能力及鲁棒性，从而提高训练效率和加快训练速度，其中预处理的方式具体可以参考本技术领域中常规的预处理方式，或是基于深度卷积神经网络的图像识别算法中常规的图像预处理方式，本领域技术人员可直接查询相关文献获得。
[0054]
在其中一种实施方式中，步骤sⅱ中所述将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理，其中所述预处理具体为将原始图像数据采用伽马变换、拉普拉斯变换、随机裁剪、随机水平翻转、高斯模糊、高斯噪声和椒盐噪声其中任意一种或多种的处理方式进行预处理。
[0055]
在本文中，步骤sⅲ中所述将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，其中所述进行标记的方式包括但不限于人工标记和软件辅助标记。在其中一种实施方式中，其标记的内容包括桉木单板缺陷类型(例如活节、死节、漏节、毛刺等常规桉木单板缺陷)，桉木单板缺陷大小(例如通过缺陷轮廓面积计算大小)及桉木单板缺陷位置(例如采用缺陷中心点或轮廓点坐标值)。
[0056]
在其中一种实施方式中，步骤sⅲ中所述将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，其中所述进行标记的方式为采用软件辅助标记，具体为使用labelme软件对经过预处理的原始图像数据进行人工标注，并采用该软件生成带有缺陷标记文件的图像数据，其中缺陷标记文件内容包括缺陷类型、缺陷大小及缺陷位置。
[0057]
在其中一种实施方式中，步骤sⅲ中还包括对经过预处理的原始图像数据进行筛选，从而提高训练的准确率和效率，其具体的筛选方式是按照桉木单板缺陷分类，使得经过预处理的原始图像数据集中每种桉木单板缺陷数量趋于一致。在其中一种优选的实施方式中，是以sⅲ步骤中所标记的桉木单板缺陷，使得活节标记数＝死节标记数＝毛刺标记数。每类缺陷数量的不均衡会降低模型的学习效果，当某一种缺陷标记数量过多而另一种过少时，模型会对标记数量大的特征表现出更好的学习率即为识别效果更优，反之则会对标记数量小的特征识别效果较差，造成总体识别准确率的下降。
[0058]
在其中一种优选的实施方式中，步骤sⅳ中所述基于改进yolov7模型针对训练集进行训练，发明人在实验过程中还发现，在针对桉木单板缺陷检测这一单一技术目的时，通过设置特殊的超参数和学习率，能够显著进一步提高训练的准确率和效率，其具体是设置超参数的批样本数量batch size 24，学习率0.001。此外，为了防止模型过拟合，还包括采用正则化处理，具体为采用l1和l2正则化。其中，l1正则化通过增加模型参数的绝对值之和来降低模型复杂度；l2正则化通过增加模型参数的平方和来降低模型复杂度。这两种正则化技术都可以有效地避免模型过拟合，但l1正则化还可以用于特征选择，因为它倾向于使一些特征的权重为零，从而实现特征选择的目的。正则化处理可以提高模型的泛化能力，使得模型不仅能够很好地拟合训练数据，还能够适应新的未见过的数据。
[0059]
在其中一种实施方式中，本发明所采用的aspp(atrous spatial pyramid pooling，空洞空间卷积池化金字塔)模块代码，是基于原始aspp模块代码修改后所得，具体代码如下：
[0060][0061][0062]
在其中一种实施方式中，本发明所采用的se(squeeze-and excitation)模块代码，是基于原始se模块代码修改后所得，具体代码如下：
[0063][0064]
以下将参考实施例对本技术进行进一步的详细解释。然而，本领域技术人员应理解，这些实施例仅为了说明的目的提供，而不是意图限制本技术。
[0065]
实施例
[0066]
下面将结合实施例对本技术的实施方案进行详细描述，但是本领域技术人员将会理解，下列实施例仅用于说明本技术，而不应视为限定本技术的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。本技术不应解释为受限于所述的具体实施例。
[0067]
实施例1
[0068]
本实施例一种优化目标检测模型的桉木单板缺陷检测方法，包括以下步骤：
[0069]
sⅰ、采集桉木单板原始图像数据集；
[0070]
通过2000万像素的cmos工业相机搭配1英寸8mm镜头，设置拍摄距离0.8m，对幅面1.27m
×
0.63m的桉木单板进行拍摄，所得原始图像数据的分辨率为5472
×
3648，图像位深度24，色彩空间rgb；拍摄所得原始图像数据中包含数量不等的活节、死节、漏节、毛刺等常规桉木单板缺陷；
[0071]
sⅱ、将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理；
[0072]
sⅲ、将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并按照桉木单板缺陷分类，对图像数据进行筛选，使得每种桉木单板缺
陷标记总数量趋于一致，作为训练集；
[0073]
其中，标记具体为使用labelme软件对经过预处理的原始图像数据进行人工标注，并采用该软件生成带有缺陷标记文件的图像数据，其中缺陷标记文件内容包括缺陷类型、缺陷大小及缺陷位置；
[0074]
sⅳ、基于改进yolov7模型针对训练集进行训练，得到训练好的优化目标检测模型model；
[0075]
其中，所述改进yolov7模型其具体改进方法如下：
[0076]
ⅳ‑
1、在原始yolov7模型基础上，分别增加5个卷积层和5个池化层，从而增加模型的深度；将卷积核大小由3*3修改为由1*1递增至9*9，以扩展模型的宽度；
[0077]
ⅳ‑
2、将aspp模块代码添加到common文件末尾，在yolo文件中加入类名，并将[-1，1，aspp，[1024]]添加到yolov7_aspp.yaml文件backbone模块的卷积层后；
[0078]
ⅳ‑
3、先将se模块代码添加到yolov7.models文件末尾并加入se类名，将[-1，1，se，[1024]]添加到sppf前一层，该层网络后续的编号将发生改变，因此要对head部位中detect的from参数进行修改为[18，21，24]；同样，因为把se加入到了第9层，所以9层之后的编号都要加1，因此head部位中concat的from系数要修改为[-1，15]和[-1，11]；在train.py文件中把
‑‑
cfg默认参数后的default增加se模块文件路径；
[0079]
设置超参数的批样本数量batch size 24，学习率0.001，并采用l1和l2正则化；
[0080]sⅴ
、将需要进行检测的桉木单板图像数据输入到优化目标检测模型model中，优化目标检测模型model输出带有缺陷标记文件的桉木单板图像数据。
[0081]
对比例1
[0082]
对比例1采用原始yolov7模型，未进行任何修改，其余步骤与实施例1一致。
[0083]
对比例2
[0084]
对比例2在原始yolov7模型基础上基于实施例1中
ⅳ‑
1步骤进行了改进，其它未进行任何修改，其余步骤与实施例1一致。
[0085]
对比例3
[0086]
对比例3在原始yolov7模型基础上基于实施例1中
ⅳ‑ⅱ
步骤进行了改进，其它未进行任何修改，其余步骤与实施例1一致。
[0087]
对比例4
[0088]
对比例4为基于实施例1，但是将aspp模块代码添加位置处进行了修改，其余步骤与实施例1一致。
[0089]
对比例5
[0090]
对比例5在原始yolov7模型基础上基于实施例1中
ⅳ‑ⅲ
步骤进行了改进，其它未进行任何修改，其余步骤与实施例1一致。
[0091]
对比例6
[0092]
对比例6为基于实施例1，但是将se模块代码添加位置处进行了修改，其余步骤与实施例1一致。
[0093]
基于实施例1的sⅰ～sⅲ步骤一致的方法制作测试集，并将测试集在sⅰ步骤中的原始图像数据集分别输入到实施例1、对比例1～6所得目标检测模型中，分别输出带有缺陷标记文件的桉木单板图像数据，将该数据与测试集进行比对，以评估识别准确率等技术效果，
其具体数据如下表所示：
[0094][0095]
通过上述对比，很明显看出，aspp模块和se模块的加入有利于识别准确率、识别速率、查全率、查准率的提升，并减少识别误差，但是同样地，aspp模块和se模块的添加位置将对上述效果造成显著影响，甚至造成负面影响。
[0096]
本发明的实施例还提供了一种电子设备，该电子设备可以进行基于优化目标检测模型的桉木单板缺陷检测方法。
[0097]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述各个实施例的基于优化目标检测模型的桉木单板缺陷检测方法。
[0098]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图2所示的方法。
[0099]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和
描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0100]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0101]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-on ly memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0102]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0103]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0104]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0105]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的
限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代,组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种优化目标检测模型的桉木单板缺陷检测方法，其特征在于主要包括以下步骤：sⅰ、采集桉木单板原始图像数据集；sⅱ、将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理；sⅲ、将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集；sⅳ、基于改进yolov7模型针对训练集进行训练，得到训练好的优化目标检测模型model；其中，所述改进yolov7模型其具体改进方法如下：
ⅳ‑
1、在原始yolov7模型基础上，分别增加1～5个卷积层和1～5个池化层，从而增加模型的深度；将卷积核大小由3*3修改为由1*1递增至9*9，以扩展模型的宽度；
ⅳ‑
2、将aspp模块代码添加到common文件末尾，在yolo文件中加入类名，并将[-1，1，aspp，[1024]]添加到yolov7_aspp.yaml文件backbone模块的卷积层后；
ⅳ‑
3、先将se模块代码添加到yolov7.models文件末尾并加入se类名，将[-1，1，se，[1024]]添加到sppf前一层，该层网络后续的编号将发生改变，因此要对head部位中detect的from参数进行修改为[18，21，24]；同样，因为把se加入到了第9层，所以9层之后的编号都要加1，因此head部位中concat的from系数要修改为[-1，15]和[-1，11]；在train.py文件中把
‑‑
cfg默认参数后的default增加se模块文件路径；s
ⅴ
、将需要进行检测的桉木单板图像数据输入到优化目标检测模型model中，优化目标检测模型model输出带有缺陷标记文件的桉木单板图像数据。2.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅰ中所述采集桉木单板原始图像数据集，其具体可通过工业相机对幅面1.27m
×
0.63m的桉木单板进行拍摄，所得原始图像数据的分辨率不低于1920
×
1080，图像位深度不低于8。3.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅱ中所述将原始图像数据，根据桉木单板的颜色、缺陷特性进行预处理，其中所述预处理具体为将原始图像数据采用伽马变换、拉普拉斯变换、随机裁剪、随机水平翻转、高斯模糊、高斯噪声和椒盐噪声其中任意一种或多种的处理方式进行预处理。4.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅲ中所述将经过预处理的原始图像数据中的桉木单板缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，其中所述进行标记的方式为采用软件辅助标记，具体为使用labelme软件对经过预处理的原始图像数据进行人工标注，并采用该软件生成带有缺陷标记文件的图像数据，其中缺陷标记文件内容包括缺陷类型、缺陷大小及缺陷位置。5.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅲ中还包括对经过预处理的原始图像数据进行筛选，从而提高训练的准确率和效率，其具体的筛选方式是按照桉木单板缺陷分类，使得经过预处理的原始图像数据集中每种桉木单板缺陷数量趋于一致。6.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅳ中所述基于改进yolov7模型针对训练集进行训练，设置超参数的批样本数量batch size 24，学习率0.001。7.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：步骤sⅳ中所述基于改进yolov7模型针对训练集进行训练，采用l1和l2正则化。
8.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：所述aspp模块代码具体代码如下：码如下：
9.根据权利要求1所述桉木单板缺陷检测方法，其特征在于：所述se模块代码具体代码如下：如下：10.权利要求1所述优化目标检测模型的桉木单板缺陷检测方法应用于桉木单板加工领域。

技术总结
本发明提供一种优化目标检测模型的桉木单板缺陷检测方法，该检测方法是基于改进YOLOv7模型，将采集到的桉木单板原始图像数据集，通过图像预处理并对缺陷进行标记，生成带有缺陷标记文件的图像数据，并作为训练集，利用改进YOLOv7模型针对训练集进行训练，得到训练好的优化目标检测模型，最后将需要进行检测的桉木单板图像数据输入到优化目标检测模型中，优化目标检测模型输出带有缺陷标记文件的桉木单板图像数据。本发明检测方法通过进一步改进YOLOv7模型，显著提高了对桉木单板缺陷的检测能力和准确率。检测能力和准确率。检测能力和准确率。


技术研发人员：孙建平 牛佳顺 王炳桢 庄鹏燕 尤广林
受保护的技术使用者：广西大学
技术研发日：2023.05.17
技术公布日：2023/8/23