CN110458814A - 一种木材单板缺陷的检测方法、装置及系统 - Google Patents

Abstract

本申请公开了一种木材单板缺陷的检测方法、装置及系统，以提高木板单板缺陷检测的效率。所述检测方法，包括：基于若干预设单板的图像生成若干第一图像；基于各所述第一图像对预设模型进行训练，生成检测模型；基于目标单板的图像生成第二图像；基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。本申请实施例中，通过结合深度学习，对预设模型进行训练，并基于训练得到的检测模型对目标单板进行检测，从而提高木板单板缺陷检测的效率。

Description

一种木材单板缺陷的检测方法、装置及系统

技术领域

本申请涉及木板单板检测技术公，尤其涉及一种木材单板缺陷的检测方法、装置及系统。

背景技术

胶合板是由多层旋切单板按照木纤维的方向纵横交错热压胶合而成。上下两个表层单板称为面板和底板，中间层单板称为芯板，面底板及芯板统称为单板。单板一般由速生树木如速生杨、速生柳、桉树等树干旋切而成。由于旋切过程中遇到树皮树芯、虫眼、结疤、树干弯曲等多种原因，旋切出来的单板会存在各种缺陷。

目前板材加工生产过程中，单板的缺陷尚无成熟的自动识别分类方法，单板缺陷的识别与修复通常依赖工人肉眼识别缺陷的位置，然后用刀片在缺陷位置手工挖补修复，效率非常低。

发明内容

本申请的目的是提供一种木材单板缺陷的检测方法、装置及系统，以提高对木板单板缺陷进行检测的效率。

本申请的目的是通过以下技术方案实现的：

第一方面，本申请实施列提供一种木材单板缺陷的检测方法，包括：

基于若干预设单板的图像生成若干第一图像；

基于各所述第一图像对预设模型进行训练，生成检测模型；

基于目标单板的图像生成第二图像；

基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。

可能的实现方式中，所述基于若干预设单板的图像生成若干第一图像，包括：

对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；

以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；

对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；

基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；

基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。

可能的实现方式中，所述图形标识包括二维码、方框套、实心正方形、三角形、圆形中任意一种图形或组合图形；其中，所述原点和所述标识点的图形不相同。

可能的实现方式中，所述基于各所述第一图像对预设模型进行训练，生成所述检测模型，包括：

将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；

初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；

将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；

将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；

并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。

可能的实现方式中，所述基于所述第二图像和所述检测模型，确定所述目标单板的缺陷，包括：

基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；

基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。

第二方面，本申请实施例提供一种木材单板缺陷的检测装置，包括：

预处理单元，用于基于若干预设单板的图像生成若干第一图像；以及，基于目标单板的图像生成第二图像；

模型训练单元，用于基于各所述第一图像对预设模型进行训练，生成检测模型；

缺陷检测单元，用于基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。

可能的实现方式中，所述预处理单元，基于若干预设单板的图像生成若干第一图像，包括：

对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；

以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；

对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；

基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；

基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。

可能的实现方式中，所述模型训练单元，具体用于：

将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；

初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；

将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；

将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；

并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。

可能的实现方式中，所述缺陷检测单元，具体用于：

基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；

基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。

第三方面，本申请实施例提供一种木材单板缺陷的检测系统，包括如上的所述检测装置，还包括采集装置、控制装置和客户端，所述客户端与所述检测装置和所述采集装置电连接，所述控制装置和所述采集装置电连接；

所述采集装置，用于采集预设单板的图像和目标单板的图像；

所述控制装置，用于控制所述采集装置的动作；

所述客户端，用于将所述采集装置采集的数据发送给所述检测装置，以及接收所述检测装置返回的检测结果。

本申请实施例中，通过结合深度学习，对预设模型进行训练，并基于训练得到的检测模型对目标单板进行检测，从而提高木板单板缺陷检测的效率。

附图说明

图1为本申请实施例提供的一种木材单板缺陷的检测系统的架构示意图；

图2为本申请实施例提供的一种木材单板缺陷的检测方法的流程图；

图3为本申请实施例提供的基于若干预设单板的图像生成若干第一图像的流程图；

图4为本申请实施例提供的定位点所包括图形标识的示意图；

图5为本申请实施例提供的较具体的基于若干预设单板的图像生成若干第一图像的流程图；

图6为本申请实施例提供的基于各第一图像对预设模型进行训练，生成检测模型的流程图；

图7为本申请实施例提供的基于第二图像和检测模型，确定目标单板的缺陷的流程图；

图8为本申请实施例提供的一种木材单板缺陷的检测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种木材单板缺陷的检测系统的架构示意图，包括检测装置1、采集装置2、控制装置3和客户端4；客户端4与检测装置1和采集装置2电连接，控制装置3和采集装置2电连接。需要说明的是，本申请实施例中的“电连接”可以是基于线路的线路连接，也可以基于网络信号的通信连接，例如可以通过导线连接，又例如通过RS232口由导线连接，又例如通过RS485口由网线连接，又例如通过无线网络接口由蓝牙、4G/5G网络或WIFI连接。

在一些实施例中，客户端4可以包括一台可以联网的微型计算机(可以是由单片机或树莓派作为运算单元)；采集装置2可以包括一个或多个广角摄像头；控制装置3包括与采集装置2配合的拍照按钮，或者包括由客户端4能够控制进行自动拍照的部件。可以理解，在一些实施例中，控制装置3可以与客户端4结合，以便实现由客户端4对采集装置2的自动控制。客户端4可以运行程序，在按下拍照按钮或自动拍照时，客户端4可以调用采集装置2采集木材单板的图片，并调用服务接口，可以通过电连接将采集的图片传到检测装置1，并从检测装置1返回的数据中解析出缺陷信息列表，显示和/或打印出来(前提是客户端4具有显示功能和/或打印功能)。检测装置1可以包括用于进行图像处理和计算的服务器或主机，检测装置1可以设置在本地，即与客户端4相同地点，也可以设置在其他地点，进行远程的连接并调用资源，该资源包括对图像处理、运行程序和计算等等，检测装置1的具体硬件部分可以包括高性能NVIDIA显卡，具体软件部可以是计算机视觉(CV)相关的算法，包括直线检测算法(霍夫变换)用于检测皮子边界、边缘检测算子(canny、sobel等)用于识别孔洞结疤的边界，并可以基于深度学习的方法(例如yolo,CNN)进行孔洞结疤的识别、定位和分类。具体实施时，采集装置2首先对大量的木材单板进行图像采集，客户端4与检测装置1进行交互通信，将采集的图像传到检测装置1。检测装置1的软件程序对采集的数据进行预处理，包括图像灰度化、二值化、卷积、差分、图像开/闭运算、泛洪填充法、轮廓标记算法、透视变换和霍夫变换等中的任意一种或组合，从而对预设模型进行训练。预设模型训练完成得到检测模型，可以封装成图像识别服务接口，采集装置2所采集的每一张图像，都可以通过调用图像识别服务接口在检测装置1进行缺陷检测，并将检测结果实时返回客户端4。

结合图1，举例说明如下：以采集装置2包括摄像头，检测装置1包括服务器为例，木板单板缺陷的检测系统进行检测时，可以包括步骤如下：

客户端4监测拍照按钮；是否按下按钮，若是则拍照，若否，继续监测拍照按钮；在拍照后向服务器端调用图像识别服务接口，向服务器发送图像；客户端4接收服务器返回的缺陷检测结果，并展示。

在服务器端，深度学习阶段：服务器等客户端4调用接口；若接收到客户端4传来图像，则利用深度学习生成检测模型；根据目标单板的图像预测缺陷的位置、种类以及大小；将结果返回客户端。进一步的，在接收到客户端传来图像时，利用新的数据更新检测模型。

在一些实施例中，检测装置可以用于实现木材单板缺陷的检测方法的各实施例的步骤，例如如图2所示，包括以上步骤201至204：

201，基于若干预设单板的图像生成若干第一图像。

202，基于各第一图像对预设模型进行训练，生成检测模型。

203，基于目标单板的图像生成第二图像。

204，基于第二图像和检测模型，确定目标单板的缺陷。

可能的实施例中，该木材单板缺陷的检测方法，可以应用于木材加工成木板单板的过程中，也可以用于以木板单板作为原料进行拼接的过程中，在此不再赘述。

一些实施例中，步骤201中，基于若干预设单板的图像生成若干第一图像，可以包括如图3所示的步骤，具体包括步骤301至305：

301，对预设单板的图像进行定位点检测；其中，定位点为设置于预设单板的图像上，用于限定区域的图形标志，定位点包括原点和标识点。

302，以定位点限定的区域作为目标区域，排除目标区域之外的图像。

303，对目标区域的图像进行图像校正，通过透视变换将目标区域的图像转换成标准的矩形，裁切出目标区域的图像对应的裁切图像。

304，基于原点的位置，以及各标识点距原点的距离，通过线性变换将裁切图像中的各像素点转换成坐标点。

305，基于转换的坐标点，将裁切图像转化为目标图像；其中，目标图像包括灰度化图像或者RGB三个通道的图像。

其中，图形标识包括二维码、方框套、实心正方形、三角形、圆形中任意一种图形或组合图形；其中，原点和标识点的图形不相同。

为了更清楚的了解生成若干第一图像的过程，参考图4进行说明如下：

图4中所示的图形标识包括标识点A和原点B，其中标识点A为方框套和实心正方形的组合，原点B为实心三角形，步骤如图5所示，包括步骤501至505：

501，对预设单板的图像中的标识点A和原点B进行定位点检测。

502，以标识点A和原点B限定的区域作为目标区域，排除目标区域之外的图像。

503，对目标区域的图像进行图像校正，通过透视变换将目标区域的图像转换成标准的矩形，裁切出目标区域的图像对应的裁切图像。

504，基于原点B的位置，以及各标识点A距原点B的距离，通过线性变换将裁切图像中的各像素点转换成坐标点。

505，基于转换的坐标点，将裁切图像转化灰度化图像或者RGB三个通道的图像，作为目标图像。

通过对预设单板的图像的预处理，可以提高木材单板的缺陷的识别率，且可以提高检测效率。此外，图4所示的图形仅是为了进行说明，当然可以采用其他图形作为图形标识。

需要说明的是，步骤501至505，仅是为了更详细的描述在深度学习之前，基于得到深度学习的数据所进行的，在后续的木材单板检测过程中，可以对步骤501至505进行改变或仅采用部分步骤。例如，在实施检测时，是对目标单板进行检测，此时目标单板上不存在图形标识，因此对图形标识进行定位的步骤可以省略，而需要增加基于深度学习后的检测模型确定缺陷的区域的步骤。

在一些实施列中，步骤202中，基于各第一图像对预设模型进行训练，生成检测模型，可以包括如图6所示的步骤，具体包括步骤601至605：

601，将缺陷的单标签数据转换成符合神经网络的格式，基于单标签数据的识别标签和检测需求生成第一神经网络。

602，初始化第一神经网络，并基于目标图像进行预测，以预测的结果更新第一神经网络，直到第一神经网络的准确度达到预设阈值。

603，将缺陷的多标签数据转换成神经网络需要的格式，基于多标签数据的识别标签和检测需求生成第二神经网络。

604，将第一神经网络的权重去掉最后的卷积层，作为第二神经网络的初始权重。

605，并基于目标图像进行预测，以预测的结果更新第二神经网络，直到第二神经网络的准确度达到预设阈值，得到检测模型。

在一些实施列中，步骤204中，基于第二图像和检测模型，确定目标单板的缺陷，可以包括如图7所示的步骤，具体包括步骤701至702：

701，基于第二图像和检测模型，得到缺陷所在的目标区域和置信度。

702，基于置信度置信度的阈值确定缺陷的类型；其中，具有重合的目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取置信度最高的缺陷作为合并后的缺陷类型。

需要说明的是，基于深度学习所建立的检测模型，在实施过程中可以进行更新，例如以预设检测次数的数据对检测模型进行训练并更新模型，生成新的检测模型，其实现过程与预设模型的训练相似，在此不再赘述。

第二方面，本申请实施例提供一种木材单板缺陷的检测装置，如图8所示，包括：

预处理单元801，用于基于若干预设单板的图像生成若干第一图像；以及，基于目标单板的图像生成第二图像；

模型训练单元802，用于基于各第一图像对预设模型进行训练，生成检测模型；

缺陷检测单元803，用于基于第二图像和检测模型，确定目标单板的缺陷。

可能的实现方式中，预处理单元801，基于若干预设单板的图像生成若干第一图像，包括：

对预设单板的图像进行定位点检测；其中，定位点为设置于预设单板的图像上，用于限定区域的图形标志，定位点包括原点和标识点；

以定位点限定的区域作为目标区域，排除目标区域之外的图像；

对目标区域的图像进行图像校正，通过透视变换将目标区域的图像转换成标准的矩形，裁切出目标区域的图像对应的裁切图像；

基于原点的位置，以及各标识点距原点的距离，通过线性变换将裁切图像中的各像素点转换成坐标点；

基于转换的坐标点，将裁切图像转化为目标图像；其中，目标图像包括灰度化图像或者RGB三个通道的图像。

可能的实现方式中，模型训练单元802，具体用于：

将缺陷的单标签数据转换成符合神经网络的格式，基于单标签数据的识别标签和检测需求生成第一神经网络；

初始化第一神经网络，并基于目标图像进行预测，以预测的结果更新第一神经网络，直到第一神经网络的准确度达到预设阈值；

将缺陷的多标签数据转换成神经网络需要的格式，基于多标签数据的识别标签和检测需求生成第二神经网络；

将第一神经网络的权重去掉最后的卷积层，作为第二神经网络的初始权重；

并基于目标图像进行预测，以预测的结果更新第二神经网络，直到第二神经网络的准确度达到预设阈值，得到检测模型。

可能的实现方式中，缺陷检测单元803，具体用于：

基于第二图像和检测模型，得到缺陷所在的目标区域和置信度；

基于置信度置信度的阈值确定缺陷的类型；其中，具有重合的目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取置信度最高的缺陷作为合并后的缺陷类型。

本申请实施例中，通过结合深度学习，对预设模型进行训练，并基于训练得到的检测模型对目标单板进行检测，从而提高木板单板缺陷检测的效率。

需要说明的是，本申请实施例中，检测装置1和客户端4可以包括与用户交互的接口，该接口可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)或者触感板等。

本申请实施例中，检测装置1和客户端4也可以包括的存储器，用于存储数据和图像，该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(ProgrammableROM，PROM)、可擦除可编程只读存储器(ErasablePROM，EPROM)、电可擦除可编程只读存储器(ElectricallyEPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(RandomAccessMemory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，SRAM)、动态随机存取存储器(DynamicRAM，DRAM)、同步动态随机存取存储器(SynchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambusRAM，DRRAM)。本文描述的存储器202旨在包括但不限于这些和任意其它适合类型的存储器。

本申请实施例中，检测装置1和客户端4的存储器也可以存储相应的程序，并可以运行该程序，尤其检测装置1应理解为可以运行步骤201至204的木材单板缺陷的检测方法，也可以运行步骤301至305、步骤501至505、步骤601至605以及步骤701至702的相应方法。

本申请实施例中，对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，方法实施例的步骤之间除非存在明确的先后顺序，否则执行顺序可任意调整。所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

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，本申请实施例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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种木材单板缺陷的检测方法，其特征在于，包括：

基于若干预设单板的图像生成若干第一图像；

基于各所述第一图像对预设模型进行训练，生成检测模型；

基于目标单板的图像生成第二图像；

基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。

2.如权利要求1所述的检测方法，其特征在于，所述基于若干预设单板的图像生成若干第一图像，包括：

对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；

以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；

对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；

基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；

基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。

3.如权利要求2所述的检测方法，其特征在于，所述图形标识包括二维码、方框套、实心正方形、三角形、圆形中任意一种图形或组合图形；其中，所述原点和所述标识点的图形不相同。

4.如权利要求2所述的检测方法，其特征在于，所述基于各所述第一图像对预设模型进行训练，生成所述检测模型，包括：

将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；

初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；

将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；

将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；

并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。

5.如权利要求4所述的检测方法，其特征在于，所述基于所述第二图像和所述检测模型，确定所述目标单板的缺陷，包括：

基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；

基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。

6.一种木材单板缺陷的检测装置，其特征在于，包括：

预处理单元，用于基于若干预设单板的图像生成若干第一图像；以及，基于目标单板的图像生成第二图像；

模型训练单元，用于基于各所述第一图像对预设模型进行训练，生成检测模型；

缺陷检测单元，用于基于所述第二图像和所述检测模型，确定所述目标单板的缺陷。

7.如权利要求6所述的检测装置，其特征在于，所述预处理单元，基于若干预设单板的图像生成若干第一图像，包括：

对所述预设单板的图像进行定位点检测；其中，所述定位点为设置于所述预设单板的图像上，用于限定区域的图形标志，所述定位点包括原点和标识点；

以所述所述定位点限定的区域作为目标区域，排除所述目标区域之外的图像；

对所述目标区域的图像进行图像校正，通过透视变换将所述目标区域的图像转换成标准的矩形，裁切出所述目标区域的图像对应的裁切图像；

基于所述原点的位置，以及各所述标识点距所述原点的距离，通过线性变换将所述裁切图像中的各像素点转换成坐标点；

基于转换的坐标点，将所述裁切图像转化为目标图像；其中，所述目标图像包括灰度化图像或者RGB三个通道的图像。

8.如权利要求7所述的检测装置，其特征在于，所述模型训练单元，具体用于：

将缺陷的单标签数据转换成符合神经网络的格式，基于所述单标签数据的识别标签和检测需求生成第一神经网络；

初始化所述第一神经网络，并基于所述目标图像进行预测，以预测的结果更新所述第一神经网络，直到所述第一神经网络的准确度达到预设阈值；

将缺陷的多标签数据转换成神经网络需要的格式，基于所述多标签数据的识别标签和检测需求生成第二神经网络；

将所述第一神经网络的权重去掉最后的卷积层，作为所述第二神经网络的初始权重；

并基于所述目标图像进行预测，以预测的结果更新所述第二神经网络，直到所述第二神经网络的准确度达到预设阈值，得到所述检测模型。

9.如权利要求8所述的检测装置，其特征在于，所述缺陷检测单元，具体用于：

基于所述第二图像和检测模型，得到缺陷所在的所述目标区域和置信度；

基于所述置信度置信度的阈值确定缺陷的类型；其中，具有重合的所述目标区域进行合并；若重合范围内包括不同的缺陷类型，则选取所述置信度最高的缺陷作为合并后的缺陷类型。

10.一种木材单板缺陷的检测系统，其特征在于，包括如权利要求6至9任意一项所述的检测装置，还包括采集装置、控制装置和客户端，所述客户端与所述检测装置和所述采集装置电连接，所述控制装置和所述采集装置电连接；

所述采集装置，用于采集预设单板的图像和目标单板的图像；

所述控制装置，用于控制所述采集装置的动作；

所述客户端，用于将所述采集装置采集的数据发送给所述检测装置，以及接收所述检测装置返回的检测结果。