CN116452501A - 一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 - Google Patents
一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN116452501A CN116452501A CN202310238055.5A CN202310238055A CN116452501A CN 116452501 A CN116452501 A CN 116452501A CN 202310238055 A CN202310238055 A CN 202310238055A CN 116452501 A CN116452501 A CN 116452501A
- Authority
- CN
- China
- Prior art keywords
- surface defects
- shaving board
- color camera
- yolov7
- shaving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000002950 deficient Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 3
- 239000011093 chipboard Substances 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001737 promoting effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,包括以下步骤:(1)数据集制作:收集海量刨花板表面缺陷的图片数据,并按一定比例划分训练集、验证集与测试集;(2)构建网络模型:根据传统网络模型构建刨花板表面缺陷检测的实例分割模型;(3)模型训练;(4)模型推理:将使用彩色相机拍摄的刨花板表面缺陷图片数据输入至训练好的网络进行推理,获得刨花板表面缺陷轮廓的多边形坐标;(5)缺陷多边形面积计算:换算出该缺陷的面积大小。(6)计算原木端面直径实际大小:刨花板表面缺陷的实际大小;(7)输出结果:判别出刨花板质量等级。本发明准确计算出刨花板表面缺陷的面积大小。
Description
技术领域
本发明涉及刨花板表面缺陷检测技术领域,更具体地,涉及一种基于yolov7和彩色相机的刨花板表面缺陷检测方法。
背景技术
由于刨花板数量大,在流水线上过板的速度快,使用人眼观察刨花板缺陷的方法,效率低,成本高,同时还可能发生遗漏的情况。
近年来,随着计算机视觉技术的发展,基于轮廓、纹理、颜色等木板表面缺陷识别的方法被广泛提出用来测量原木直径,但是由于刨花板表面缺陷的多样性和实际情况的复杂性,实际应用效果并不理想,而且在刨花板表面缺陷识别的问题上,还未充分利用刨花板表面缺陷图像本身的信息,因此,急需一种准确并且快速的自动化刨花板缺陷检测的方法。
针对刨花板存在污渍、裂痕和伐痕等问题,发明人从计算机视觉角度分析,设计了yolov7和彩色相机的刨花板表面缺陷检测网络模型,从而实现表面缺陷的精准识别,有效防止了人工观察的低效率,遗漏缺陷,判断不准确等造成人造板行业损失严重的问题。利用yolov7实现缺陷检测,结合彩色相机的拍摄图像信息,将大大提高刨花板表面缺陷自动测量效果,再根据彩色相机拍摄图像的像素大小,可以准确计算出刨花板表面缺陷的面积大小。使用此方法可以快速准确的识别刨花板表面缺陷并计算出其实际缺陷面积大小同时判断出刨花板的质量等级,解决人造板行业的难点;本发明设计的完善高效的检测模型,以及对人造板的精准高效快速识别,有助于促进人造板行业的发展。
发明内容
本发明的目的在于提供一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,设计的完善高效的检测模型,以及对人造板的精准高效快速识别,可以准确计算出刨花板表面缺陷的面积大小,获得精准的刨花板质量等级,有助于促进人造板行业的发展。
为达到上述目的,提供了一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,包括以下步骤:
(1)数据集制作:收集海量刨花板表面缺陷的图片数据,并按一定比例划分训练集、验证集与测试集;
(2)构建网络模型:根据传统网络模型构建刨花板表面缺陷检测的实例分割模型;
(3)模型训练:将步骤(1)的训练集输入至步骤(2)中的实例分割模型中进行参数训练,训练过程中,将步骤(1)的验证集输入至训练好的实例分割模型进行验证;
(4)模型推理:将使用彩色相机拍摄的刨花板表面缺陷图片数据输入至训练好的网络进行推理,获得刨花板表面缺陷轮廓的多边形坐标;
(5)缺陷多边形面积计算:将步骤(4)的多边形坐标转化为多边形,并使用多边形面积计算公式计算出多边形的面积,再根据多边形所占的像素数量比例换算出该缺陷的面积大小。
(6)计算原木端面直径实际大小:获取彩色相机像素信息,将步骤(5)中得到的刨花板表面缺陷的像素大小换算为实际大小,并在图片上显示,此结果即为刨花板表面缺陷的实际大小;
(7)输出结果:根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级。
特别的,所述传统网络模型为yolov7模型。
特别的,所述步骤(1)中,按0.8:0.1:0.1的比例划分训练集、验证集与测试集。
特别的,所述步骤(2)中,构建原木端面实例分割模型的过程中,对原木端面图片数据进行[-1,1]归一化操作。
特别的,所述步骤(3)中,训练过程中,训练参数的优化器为AdamW,学习率设置为0.01。
特别的,所述步骤(5)中,使用多边形面积计算公式计算出多边形的面积,具体包括以下步骤:获取任意多边形的顶点坐标,即可计算出该多边形的面积,其中n表示顶点数量,xi,yi表示多边形的坐标,S表示多边形的面积,通过以下公式计算:
特别的,所述步骤(7)中,根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级的具体方法为:设定若干个刨花板质量等级;建立对照表,所述对照表的表头包括实际大小范围、数量范围和刨花板质量等级;获取所需要判别的刨花板表面缺陷的实际大小和数量分别落于对照表的实际大小范围、数量范围内而获得对应的刨花板质量等级。
本发明的技术原理和有益效果如下所示:
本发明根据原木端面多样性和复杂性的特点,为原木端面自动化识别测量引入先验知识,改进算法模型的网络结构,结合深度相机和椭圆拟合算法,大大提高原木端面直径自动测量效果,提高原木测量的速度和准确度,提升模型泛化性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
如图1所示,一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,包括以下步骤:
(1)数据集制作:收集海量刨花板表面缺陷的图片数据,并0.8:0.1:0.1的比例划分训练集、验证集与测试集。
(2)构建网络模型:根据传统网络模型构建刨花板表面缺陷检测的实例分割模型;传统网络模型为yolov7模型。构建原木端面实例分割模型的过程中,对原木端面图片数据进行[-1,1]归一化操作,能够加快实例分割模型的收敛速度;
(3)模型训练:将步骤(1)的训练集输入至步骤(2)中的实例分割模型中进行参数训练,训练过程中,将步骤(1)的验证集输入至训练好的实例分割模型进行验证;训练过程中,训练参数的优化器为AdamW,学习率设置为0.01。
(4)模型推理:将使用彩色相机拍摄的刨花板表面缺陷图片数据输入至训练好的网络进行推理,获得刨花板表面缺陷轮廓的多边形坐标;
(5)缺陷多边形面积计算:将步骤(4)的多边形坐标转化为多边形,并使用多边形面积计算公式计算出多边形的面积,再根据多边形所占的像素数量比例换算出该缺陷的面积大小。步骤(5)中,使用多边形面积计算公式计算出多边形的面积,具体包括以下步骤:获取任意多边形的顶点坐标,即可计算出该多边形的面积,其中n表示顶点数量,xi,yi表示多边形的坐标,S表示多边形的面积,通过以下公式计算:
(6)计算原木端面直径实际大小:获取彩色相机像素信息,将步骤(5)中得到的刨花板表面缺陷的像素大小换算为实际大小,并在图片上显示,此结果即为刨花板表面缺陷的实际大小;
(7)输出结果:根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级。步骤(7)中,根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级的具体方法为:设定若干个刨花板质量等级;建立对照表,所述对照表的表头包括实际大小范围、数量范围和刨花板质量等级;获取所需要判别的刨花板表面缺陷的实际大小和数量分别落于对照表的实际大小范围、数量范围内而获得对应的刨花板质量等级。
本发明实施例的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,包括虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。
Claims (7)
1.一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于,包括以下步骤:
(1)数据集制作:收集海量刨花板表面缺陷的图片数据,并按一定比例划分训练集、验证集与测试集;
(2)构建网络模型:根据传统网络模型构建刨花板表面缺陷检测的实例分割模型;
(3)模型训练:将步骤(1)的训练集输入至步骤(2)中的实例分割模型中进行参数训练,训练过程中,将步骤(1)的验证集输入至训练好的实例分割模型进行验证;
(4)模型推理:将使用彩色相机拍摄的刨花板表面缺陷图片数据输入至训练好的网络进行推理,获得刨花板表面缺陷轮廓的多边形坐标;
(5)缺陷多边形面积计算:将步骤(4)的多边形坐标转化为多边形,并使用多边形面积计算公式计算出多边形的面积,再根据多边形所占的像素数量比例换算出该缺陷的面积大小。
(6)计算原木端面直径实际大小:获取彩色相机像素信息,将步骤(5)中得到的刨花板表面缺陷的像素大小换算为实际大小,并在图片上显示,此结果即为刨花板表面缺陷的实际大小;
(7)输出结果:根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级。
2.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述传统网络模型为yolov7模型。
3.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述步骤(1)中,按0.8:0.1:0.1的比例划分训练集、验证集与测试集。
4.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述步骤(2)中,构建原木端面实例分割模型的过程中,对原木端面图片数据进行[-1,1]归一化操作。
5.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述步骤(3)中,训练过程中,训练参数的优化器为AdamW,学习率设置为0.01。
6.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述步骤(5)中,使用多边形面积计算公式计算出多边形的面积,具体包括以下步骤:获取任意多边形的顶点坐标,即可计算出该多边形的面积,其中n表示顶点数量,xi,yi表示多边形的坐标,S表示多边形的面积,通过以下公式计算:
7.根据权利要求1所述的一种基于yolov7和彩色相机的刨花板表面缺陷检测方法,其特征在于:所述步骤(7)中,根据刨花板表面缺陷的实际大小和数量可判别出刨花板质量等级的具体方法为:设定若干个刨花板质量等级;建立对照表,所述对照表的表头包括实际大小范围、数量范围和刨花板质量等级;获取所需要判别的刨花板表面缺陷的实际大小和数量分别落于对照表的实际大小范围、数量范围内而获得对应的刨花板质量等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310238055.5A CN116452501A (zh) | 2023-03-13 | 2023-03-13 | 一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310238055.5A CN116452501A (zh) | 2023-03-13 | 2023-03-13 | 一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116452501A true CN116452501A (zh) | 2023-07-18 |
Family
ID=87122815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310238055.5A Pending CN116452501A (zh) | 2023-03-13 | 2023-03-13 | 一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452501A (zh) |
-
2023
- 2023-03-13 CN CN202310238055.5A patent/CN116452501A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN109520706B (zh) | 一种汽车保险丝盒的螺孔坐标提取方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN106204618A (zh) | 基于机器视觉的产品包装表面缺陷检测与分类方法 | |
CN114219794B (zh) | 基于机器视觉的刨花板表面质量评估方法及系统 | |
CN115205290B (zh) | 一种pcb板生产过程在线检测方法及系统 | |
CN106546263A (zh) | 一种基于机器视觉的激光水平仪出射激光线检测方法 | |
CN113012098B (zh) | 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法 | |
CN111507976A (zh) | 基于多角度成像的缺陷检测方法及系统 | |
CN110473184A (zh) | 一种pcb板缺陷检测方法 | |
CN109752392A (zh) | 一种pcb板缺陷类型检测系统和方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN115797361B (zh) | 一种铝模板表面缺陷检测方法 | |
CN102621154A (zh) | 基于改进差分盒多重分形算法的布匹疵点在线自动检测方法及装置 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN115063579A (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN116524002A (zh) | 一种基于深度学习和双目相机的原木直径测量方法 | |
CN114529536A (zh) | 一种实木质量检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
CN113269758A (zh) | 一种基于机器视觉的卷烟外观检测方法及测试装置 | |
CN116452501A (zh) | 一种基于yolov7和彩色相机的刨花板表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |