木板AI视觉缺陷检测装置、方法、设备及介质

技术领域

本发明属于机器视觉检测技术领域，尤其涉及木板AI视觉缺陷检测装置、方法、设备及介质。

背景技术

随着现代制造业自动化生产的高速发展，在工业生产中，许多行业都对检查和测量方面提出了更高的要求。例如，印刷包装工序的检测、半导体芯片的封装检测、工厂生产线产品合格检测、高精密零配件的检测等。在这些应用中，多数自动化的工厂需要大批量的生产，其中一部分的配件精确度的要求是非常高的。传统的人工检测方法已经无法满足目前的工艺需求，很大程度上限制了制造业的发展和进步。这一方面来源于传统的人工检测方法效率低下，出错率高，人工成本大；另一方面，人类眼睛的生理极限也导致人类在该方面上无法达到计算机检测技术的精度。而计算机的快速性、可靠性、精确性与人类视觉的智能化相结合，使得机器视觉在工业检测中应用的越来越广泛。

机器视觉主要用计算机来模拟人的视觉功能，但并不仅仅是人眼的简单延伸，更重要的是具有人脑的一部分功能一一从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。

木材缺陷是指存在于木材中的能影响木材质量和使用价值的各种缺陷。包括木材天然缺陷、干燥缺陷、加工缺陷。其中，采用人工检测的方法对加工缺陷的检测，效率低下，出错率高，且消耗大量的人工成本。

在对木板进行切割的过程中，工厂的产线上通常会出现N种不同类型缺陷木板。由于每种木板都有着其特殊的纹理，传统工厂在对木板进行缺陷分类时，通常采用人工经验判断的方法，该方法效率较低且可能出现缺陷难以追溯等问题，无法实现流水化作业。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了木板AI视觉缺陷检测装置、方法、设备及介质,本发明通过自动化系统与视觉系统的融合，该系统省去了人工分类木板的过程，提高了生产效率及分类的准确性，同时也可为质量追溯提供了保障。

本发明目的通过下述技术方案来实现：

木板AI视觉缺陷检测装置，包括：正面检测流水线和反面检测流水线，正面检测流水线和反面检测流水线之间通过翻转机构连接，正面检测流水线入口处设置有摆盘给料机构，正面检测流水线设有正面视觉缺陷检测装置，反面检测流水线设有反面视觉缺陷检测装置。

进一步的，反面检测流水线出口还连接有剔除流水线，剔除流水线设有一个或多个剔除工位。

进一步的，正面视觉缺陷检测装置包括正面线扫相机、光源和用于将正面线扫相机、光源固定在流水线上的支架；所述反面视觉缺陷检测装置包括反面线扫相机、光源和用于将反面线扫相机、光源固定在流水线上的支架；正面线扫相机和反面线扫相机与数据处理中心通讯连接。

另一方面，本发明还提供了木板AI视觉缺陷检测方法，包括：

S11：待检测木板放在摆盘给料机构，经过正面检测流水线的正面视觉缺陷检测装置时进行高清成像；

S12：对高清图像预处理后进行检测定位，送入木板视觉缺陷检测模型进行AI算法缺陷识别；

S13：若木板有缺陷则会进行记录，有缺陷的木板经过剔除流水线时会被剔除，若木板没有缺陷，则木板通过翻转机构进入反面检测流水线，经过反面检测流水线的反面视觉缺陷检测装置时进行高清成像；

S14：执行步骤S12，若木板有缺陷则会进行记录，有缺陷的木板经过剔除流水线时会被剔除，若木板没有缺陷，进入步骤S15；

S15：当木板正反两面均没有检测到缺陷，则木板进入生产线。

进一步的，木板视觉缺陷检测模型具体构建方法包括：

S21：通过正面视觉缺陷检测装置或反面视觉缺陷检测装置采集拍摄木板表面图片数据；

S22：对木板表面图片数据进行数据标注；

S23：对标注后的数据进行训练，获得木板视觉缺陷检测模型。

进一步的，木板表面图片数据包括木板缺陷图片和正常木板图片。

进一步的，方法还包括准确率核验步骤：

S24：将模型部署到数据处理中心；

S25：由木板视觉缺陷检测模型对若干木板进行缺陷检测；

S26：对木板视觉缺陷检测模型的检测准确率进行复查，误差绝对值在1％内为合格，反之则不合格；

S27：判断木板视觉缺陷检测模型的检测准确率是否达到95％，若达到则为合格，反之则不合格。

进一步的，木板视觉缺陷检测模型进行AI算法缺陷识别具体包括：

S121：输入预处理后的木地板图片至预训练好的ResNet50神经网络中获得对应feature map；

S122：将获得的feature map中的每一点设定一个对应到木地板图片上的ROI，从而每张木地板图片可以获得多个候选的ROI；

S123：将候选的ROI送入RPN网络进行二值分类和BB回归，过滤掉部分候选的ROI；

S124：对剩下的ROI进行ROIAlign操作；

S125：对剩下的ROI进行分类、BB回归和MASK生成，得到最终的缺陷识别结果。

另一方面，本发明还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如上述任一项所述的木板AI视觉缺陷检测方法。

另一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如上述任一项所述的木板AI视觉缺陷检测方法。

本发明的有益效果在于：

本发明通过自动化系统与视觉系统的融合，该系统省去了人工分类木板的过程，提高了生产效率及分类的准确性，同时也可为质量追溯提供了保障。

该方法实现成本低，且具有很强的柔性和可扩展性，整套系统的准确性可在运行过程中不断提高。企业可根据自己的实际情况在该系统上实现自生长，在降低人力成本的同时提高产线带来的经济价值。

附图说明

图1是本发明实施例1提供的木板AI视觉缺陷检测装置投影示意图；

图2是本发明实施例1提供的木板AI视觉缺陷检测装置侧面示意图；

图3是本发明实施例2提供的木板AI视觉缺陷检测方法流程框图；

图4是本发明实施例2提供的木板AI视觉缺陷检测方法中算法模型设计实现流程框图；

图5是本发明实施例2提供的木板AI视觉缺陷检测方法中木板视觉缺陷检测模型进行AI算法缺陷识别流程框图。

附图标记：1-摆盘给料机构，2-正面视觉缺陷检测装置，3-正面检测流水线，4-翻转机构，5-反面视觉缺陷检测装置，6-反面检测流水线。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明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发明一部分实施例，而不是全部的实施例。

因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如附图1、2所示，是本实施例提供的木板AI视觉缺陷检测装置投影示意图及侧面示意图，该装置具体包括正面检测流水线和反面检测流水线，正面检测流水线和反面检测流水线之间通过翻转机构连接，正面检测流水线入口处设置有摆盘给料机构，正面检测流水线设有正面视觉缺陷检测装置，反面检测流水线设有反面视觉缺陷检测装置。反面检测流水线出口还连接有剔除流水线，剔除流水线设有一个或多个剔除工位，剔除流水线在图中未示出。

其中，正面视觉缺陷检测装置包括正面线扫相机、光源和用于将正面线扫相机、光源固定在流水线上的支架；反面视觉缺陷检测装置包括反面线扫相机、光源和用于将反面线扫相机、光源固定在流水线上的支架；正面线扫相机和反面线扫相机与数据处理中心通讯连接。

需检测的木板放在摆盘给料机构，木板通过传送带通过视觉镜头下方，首先进行高清成像，再进行图像预处理，再经过检测定位，送入神经网络模型进行AI算法缺陷识别。如果该木板是有缺陷，则算法会记录下来该木板有缺陷，在经过剔除机构的时候剔除。如果该木板没有缺陷，则木板通过翻转机构来到木板反面检测机构，如果该木板也反面没有缺陷，则木板通过分料流水线进入下一生产线。如果反面有缺陷，则再剔除工位剔除不进入下一生产线。

本实施例提供的木板AI视觉缺陷检测装置，通过自动化系统与视觉系统的融合，该系统省去了人工分类木板的过程，提高了生产效率及分类的准确性，同时也可为质量追溯提供了保障。

实施例2

如附图3所示，是本实施例提供的木板AI视觉缺陷检测方法流程框图，该方法具体包括：

S11：待检测木板放在摆盘给料机构，经过正面检测流水线的正面视觉缺陷检测装置时进行高清成像；

S12：对高清图像预处理后进行检测定位，送入木板视觉缺陷检测模型进行AI算法缺陷识别；

S13：若木板有缺陷则会进行记录，有缺陷的木板经过剔除流水线时会被剔除，若木板没有缺陷，则木板通过翻转机构进入反面检测流水线，经过反面检测流水线的反面视觉缺陷检测装置时进行高清成像；

S14：执行步骤S12，若木板有缺陷则会进行记录，有缺陷的木板经过剔除流水线时会被剔除，若木板没有缺陷，进入步骤S15；

S15：当木板正反两面均没有检测到缺陷，则木板进入生产线。

其中，木板视觉缺陷检测模型具体构建方法包括：

S21：通过正面视觉缺陷检测装置或反面视觉缺陷检测装置采集拍摄木板表面图片数据；预先准备设备采集拍摄木板表面图片数据。按要求大量采集木板图片，图片中要包含木板缺陷图片和正常木板图片。

S22：对木板表面图片数据进行数据标注；

S23：对标注后的数据进行训练，获得木板视觉缺陷检测模型。木板视觉识别算法难点在于准确的找到木板缺陷的位置。在实际场景中，受到光照和遮挡的影响，算法模型不能很好的定位到木板的位置，并且还会存在误检，漏检的情况。因此为了准确的预测出每个木板上的缺陷数量，分别实验了检测和分割两种不同的算法定位木板缺陷。检测算法可以检测到木板在图像中的具体位置，分割算法能够计算出哪一些像素属于缺陷，哪一些又属于背景。其中，实例分割算法不仅能定位到木板的位置，还能算出属于缺陷的那部分像素区域。在设计中同时对比了目标检测算法和实力实例分割算法,最后为了提高识别木板缺陷的准确性,取10张图片作为一组测试数据，然后取这十张图片预测结果的众数作为该组图片的盘点数量。测试结果证明实力分割算法可以很好的完成木板缺陷检测任务，各项指标都满足要求。

木板视觉缺陷检测模型具体构建后，还包括准确率核验步骤：

S24：将模型部署到数据处理中心；

S25：由木板视觉缺陷检测模型对若干木板进行缺陷检测；取2000张图片作为测试集，进行缺陷预测推理。先对这2000张木板进行人为分类挑选，挑选结束后，视觉设备也处理这一批2000块木板。另选一人进行详细复查，在相同时间内，机器检测准确率与人工检测准确率误差绝对值在1％内为合格。

S26：对木板视觉缺陷检测模型的检测准确率进行复查，误差绝对值在1％内为合格，反之则不合格；

S27：判断木板视觉缺陷检测模型的检测准确率是否达到95％，若达到则为合格，反之则不合格。

对已经达到要求的AI模型进行封装交付，并上线使用。

本实施例提供的木板AI视觉缺陷检测方法结合实施例1提供的木板AI视觉缺陷检测装置，可以得到一整套木板自动化视觉识别机器设备。需检测的木板放在摆盘给料机构，木板通过传送带通过视觉镜头下方，首先进行高清成像，再进行图像预处理，再经过检测定位，送入神经网络模型进行AI算法缺陷识别。如果该木板是有缺陷，则算法会记录下来该木板有缺陷，在经过剔除机构的时候剔除。如果该木板没有缺陷，则木板通过翻转机构来到木板反面检测机构，如果该木板也反面没有缺陷，则木板通过分料流水线进入下一生产线。如果反面有缺陷，则再剔除工位剔除不进入下一生产线。

整套设备在运行过程中是具有很强的扩展性和自优化能力的，在不断运行的过程中，算法的识别准确性将可以不断提高，即便由于某缺陷类型木板的某个特例出现偶然的无法识别或识别错误，将该木板特征加入训练样本后同样能保证在下次遇到这样特殊情况时能准确识别。而由于在算法得到前就进行了足够的样本训练，这样的情况出现概率本身就很低，系统在初始阶段可以稳定运行。

实施例3

本优选实施例提供了一种计算机设备，该计算机设备可以实现本申请实施例所提供的木板AI视觉缺陷检测方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的木板AI视觉缺陷检测方法的有益效果，详见前面的实施例，在此不再赘述。

实施例4

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的木板AI视觉缺陷检测方法中任一实施例的步骤。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一木板AI视觉缺陷检测方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一木板AI视觉缺陷检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

前述本发明基本例及其各进一步选择例可以自由组合以形成多个实施例，均为本发明可采用并要求保护的实施例。本发明方案中，各选择例，与其他任何基本例和选择例都可以进行任意组合。本领域技术人员可知有众多组合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。