[发明专利]一种基于改进YOLOv3算法的木结瑕疵检测方法

说明书

本发明公开了一种基于改进YOLOv3算法的木结瑕疵检测方法，属于机器视觉技术领域。通过选取大量有木结瑕疵和无瑕疵图像作为木条表面图像数据集进行数据扩增；采用k‑means++算法对瑕疵目标框进行维度聚类；将YOLOv3网络中3尺度缩减至2尺度检测，同时依据对比度和归一化思想改进loss损失函数；利用训练样本集离线训练改进后YOLOv3算法，高精度在线检测木条表面中不同瑕疵。该方法充分利用了数据扩增的增强样本多样性能力，同时k‑means++使初始候选框个数与尺寸更适合木结瑕疵检测，多尺度检测与损失函数改进显著提高了对不同尺寸目标的识别精确度和检测速度，满足了工业生产的实时性要求。

技术领域

本发明涉及一种基于改进YOLOv3算法的木结瑕疵检测方法，属于机器视觉技术领域。

背景技术

如何合理地充分利用林木资源是我国林业科研工作人员急需解决的重大问题，其中对木材进行瑕疵检测是一种可以提高我国木材综合使用率的有效手段，也是需要研究的重点。木条作为一种普遍存在于自然界中具有高度纹理化的天然材料，其瑕疵表现为嵌入在木条表面纹理中、颜色差异明显的区域。木结瑕疵识别的主要挑战在于从拥有复杂特征的自然纹理中对其进行精准检测与定位，这使得已经进入高投入、低效率阶段的人工检测方法难以胜任。所以研究一种准确度高、检测速度快、成本低的智能检测识别木结瑕疵方法对高质量木条加工有着极为重要的理论意义以及非常迫切的现实需求。

近年来，机器视觉技术得到了快速发展，在工业生产中，人们已经利用该技术成功对各种产品外观检测实现自动化操作。但是木条表面图像反映一种不依赖于色彩或亮度变化的复杂纹理，通过机器视觉系统采集木条表面图像，并利用传统的图像处理算法检测木结瑕疵，会面对巨大的挑战。

随着卷积神经网络在图像领域的普遍应用以及GPU的迅猛发展，人们将注意力越来越多的转移到深度学习方面，已广泛应用于人脸识别、车辆检测、视频中物体检测与识别、无人机导航等许多领域，成为当前的主流算法。由于自然纹理的形状多数不规则，分布位置的不确定性较大，基于深度学习的目标检测算法凭借着速度更快、精确度更高的优点，正逐渐替代传统的图像处理算法。

基于深度学习的目标检测算法分为基于候选区域和基于回归。基于候选区域主要有R-CNN、Fast R-CNN、Faster R-CNN等方法，运用候选区域生成网络(RPN)不断重复训练模型。有研究者使用支持向量机(SVM)分类，整体算法繁琐、运行缓慢，木材瑕疵检测速度为660s，无法满足工业生产的实时性要求。基于回归主要有SSD和YOLO、YOLOv2、YOLOv3等方法。SSD可以解决在提取特征过程中产生的维度灾难问题，但是对小尺寸和模糊的瑕疵目标的检测精确度较低。YOLOv3在YOLO和YOLOv2的基础上进行改进，兼顾了网络复杂度与检测精确度，在COCO数据集上检测速度比SSD快3倍，平均精确度(MAP)可达57.9％的最佳检测效果。因此尝试利用大量木条表面图像数据样本集训练改进的YOLOv3目标检测算法，通过多层特征融合充分提取木结瑕疵特征，再利用训练好的算法模型在线检测木结瑕疵，这是一种行之有效的解决方法，具有高泛化性。

因此提供一种在保证木结瑕疵识别与定位精确度的同时能够减少运算量、从而提高检测的准确性和实时性的检测方法很有必要。

发明内容

本发明针对传统图像算法难以满足了工业生产上的实时性要求的问题，在基于YOLOv3的木结瑕疵检测系统中，木条表面瑕疵识别与定位困难，提出了一种基于改进YOLOv3算法的木结瑕疵检测方法。将改进的方法用于木条表面图像中瑕疵检测，利用YOLOv3的检测速度快的优势，先采集木条表面图像数据集进行数据扩增达到训练数据样本集，采用k-means++聚类算法对人工标注的木结瑕疵目标框进行维度聚类，得到合适的初始候选框个数与尺寸，然后在YOLOv3网络中，将3尺度缩减至2尺度检测，同时依据对比度和归一化思想改进loss损失函数，利用离线训练好的改进后YOLOv3算法在线检测木条表面图像中的不同瑕疵，这样可以有效增强样本多样性能力，提高了系统的精确度和检测速度，可以满足工业生产上的实时性要求。