[发明专利]一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统

说明书

本发明涉及一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统。收集长竹条表面缺陷图像，并分类建立长竹条表面缺陷数据库；将长竹条表面缺陷数据库划分为训练集和测试集，基于YOLOv3网络，利用训练集和测试集进行目标检测模型的训练，得到训练后的长竹条表面缺陷检测模型；输入待测长竹条图像，通过长竹条表面缺陷检测模型进行表面缺陷检测，获得检测结果。本发明可以同时预测多个目标的类别和位置，做到端对端识别，不需要过多的特征提取方法，直接用CNN实现回归问题，能够较好的将背景区域与目标分离。

技术领域

本发明涉及深度学习技术应用领域，特别是一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统。

背景技术

随着国家节能减排政策的推进和人们环保意识的不断增强，利用竹子资源为生产原材料的竹产业成为全球公认的绿色产业。竹材代替木材使用，可以广泛应用在竹子家具、竹制建材、竹制日用品和竹制工艺品等领域，竹产业的经济价值逐渐被人们所重视。

我国是全球最大的竹制品出口国，竹产业的生产规模、质量和数量都遥遥领先其他国家。不过，我国竹产业起始于20世纪90年代，到目前仅经历了二十多年的发展，生产模式和加工技术仍不完善。竹制品的加工过程比较复杂，毛竹先经过截断、剖分、刨光等工序处理为长竹条，再经过分拣、碳化、干燥、涂胶和压板处理后形成竹板，最后才将竹板加工成竹制品。

由于生长环境的原因，导致竹子本身存在虫眼、节苦和节眼缺陷。竹子在上述的加工过程中，由于竹条的形状、大小和厚薄不同，导致加工过程会产生凹片、裂片和竹青等缺陷。竹条在储存过程中也可能出现染片缺陷。

在竹制品加工环节，竹板拼接是一个重要的生产环节。但竹材的缺陷严重影响着竹制品的质量和外观。为了保证竹制品的质量，需要进行竹条分拣工作，将有缺陷的竹条挑出，分拣完再对没有缺陷的竹条进行涂胶压板等工序。

由于没有成熟的设备，只能靠人工分拣，这样的生产方式不仅效率低，而且由于工人分拣标准很难统一，竹条分拣效果难以保证。该过程需要耗费大量的时间和精力，人工成本非常高，工人们挑选全靠肉眼观察，个体差异和视觉疲劳等原因会导致竹条分拣效果变差。

为了解决竹产业表面缺陷人工分拣遇到的难题，已经有研究将机器视觉算法运用在竹条表面缺陷检测中来。机器视觉系统一般通过相机将目标信息转换为数字图像，然后通过数字处理系统对图像的像素分布、位置信息、形态大小和像素值等信息进行运算，从而输出想要的缺陷判断结果，继而驱动分拣装置代替人工进行分拣操作。

目前已有的基于机器视觉的竹条图像缺陷识别算法主要针对缺陷的形状(边缘、轮廓)和纹理特征进行提取识别，虽然能够达到一定的检测识别作用，但是在实际使用中，受竹条图像背景及外界环境变化的影响较大，缺陷检测的准确性和可靠性大大降低。因此，有必要采用一种能够高效快速地提取竹条缺陷特征的方法来处理大量的竹片表面图片，并运用一种高精度的检测算法来识别检测竹片表面图片中缺陷类别及位置。

YOLO是一种实时的目标检测算法。目前，在工业领域中利用目标检测进行缺陷检测，在众多算法中YOLO系列算法成为主流，它是一个兼备检测速度和准确率的算法。这个算法首先是由Redmon在2015年提出，引起了较大的反响，后面不断更新，在2017年CVPR上提出了YOLOv2，2018又提出YOLOv3检测算法。YOLOv3算法可以同时预测多个目标的类别和位置，做到端对端识别，不需要过多的特征提取方法，直接用卷积神经网络(CNN)实现回归问题，能够较好的将背景区域与目标分离。由于该算法的实时性和准确性的特点，受到各种工业检测的追捧，已经成为工业检测算法的主流。

发明内容

本发明的目的在于提供一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及系统，该方法及系统可以同时预测多个目标的类别和位置，做到端对端识别，不需要过多的特征提取方法，直接用CNN实现回归问题，能够较好的将背景区域与目标分离。