一种无损缺陷轻木条密度检测方法与系统

技术领域

本发明涉及轻木条检测领域，尤其涉及一种无损缺陷轻木条密度检测方法与系统。

背景技术

目前，风电的市场规模持续扩大，风力发电机中的叶片直接影响风能利用率，进而影响年发电量。目前，由于轻木具有独特的细胞结构和轻质、高强的特点，已成为风电叶片的核心原材料之一。随着轻木复合材料夹芯结构应用逐渐推广，轻木市场需求量越来越大。轻木在实际应用中，不仅要求表面无缺陷、同时要求密度分布稳定。

木材表面缺陷是指木材在生长或生产加工的过程中，由于生长环境或生产工艺等因素致使木材表面局部区域出现物理或外观缺陷。常见的木材表面缺陷有节子、变色、腐朽、虫害、裂纹、伤疤、木材加工缺陷、变形等。表面缺陷是结构脆弱的关键点，常常成为木材受力断裂的原因，会降低木材的力学性能和抗疲劳强度。因此，在不损害使用性能的前提下，对木材表面缺陷进行检测是十分必要的。传统的木材表面无损缺陷检测主要使用X射线、超声、微波、核磁共振等物理设备进行检测，但这些方法成本过高，并不适用于大规模木材缺陷识别。

木材密度是检验木材质量的关键指标，可用于评估木材力学性能，如湿胀度，硬度和强度等。传统的木材密度检测方法包括排水法、称重法、近红外光谱技术和基于机械力的密度检测法。然而，上述方法过程复杂且耗时，不适用于大量木材的检测。

发明内容

为了实现低成本的轻木条表面无损缺陷检测，并同时对检测出来的无缺陷轻木条的密度进行快速检测，本发明提出了一种无损缺陷轻木条密度检测方法，包括步骤：

S1：采集多张表面有缺陷和无缺陷的轻木表面图像，得到图像集，预处理图像集得到样本集，对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例随机划分样本集得到缺陷检测训练集与测试集，所述样本标签为有缺陷标注或无缺陷标注；测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；所述待测轻木表面图像即训练标签为无缺陷标注的轻木表面图像；

S2：通过主干网络、表面缺陷分类头与密度检测回归头构建轻木表面缺陷与密度检测模型，通过表面缺陷分类头与密度检测回归头对应的损失函数构建目标损失函数，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，得到目标检测模型；

S3：向目标检测模型输入待检测的轻木表面图像，其中：

主干网络，用于接收输入的轻木表面图像，并提取图像特征；

表面缺陷分类头，用于微调主干网络提取的图像特征，根据微调后的图像特征获取分类结果，并在分类结果属于无缺陷类别时，将分类结果输入密度检测回归头；

密度检测回归头，用于微调主干网络提取的图像特征，并根据微调后的图像特征与表面缺陷分类头输入的分类结果预测当前轻木表面图像对应的密度值。

进一步地，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，具体包括：

通过缺陷检测训练集与密度检测训练集利用反向传播和adam梯度下降算法训练轻木表面缺陷与密度检测模型，直至达到最大迭代次数或者目标损失函数对应的损失曲线达到收敛，得到第一检测模型；

通过目标测试集测试第一检测模型，并根据测试结果计算模型准确度，判断模型准确度是否大于等于预设值，若是，则导出第一检测模型为目标检测模型，若否，则继续训练第一检测模型，直至测试后的模型准确度大于等于预设值。

进一步地，所述表面缺陷分类头与密度检测回归头均包括：

第一卷积层，用于对图像特征进行第一次卷积运算得到第一卷积特征；

第二卷积层，用于对第一卷积特征进行第二次卷积运算得到第二卷积特征；

全连接层，用于非线性变换第二卷积特征；

所述表面缺陷分类头还包括：

softmax分类器，用于根据全连接层非线性变换后输出的结果值获取分类结果并输入密度检测回归头。

进一步地，所述表面缺陷分类头对应损失函数的公式表达式为：

所述密度检测回归头对应损失函数的公式表达式为：

其中：

所述目标损失函数的公式表达式为：

Ls＝Ls

式中，σ()为sigmoid函数，log为自然对数，y

进一步地，S1步骤中，预处理图像集，具体包括：

将采集的轻木表面图像进行缩放，并中心裁剪至预设尺寸像素，通过imagenet数据集的均值mean与方差std归一化裁剪后的轻木表面图像，其中：

mean＝[0.485,0.456,0.406]；

std＝[0.229,0.224,0.225]；

式中，img表示裁剪后的轻木表面图像，norm_img表示归一化后的轻木表面图像。

本发明还提出了一种无损缺陷轻木条密度检测系统，包括步骤：

数据集获取模块，用于采集多张表面有缺陷和无缺陷的轻木表面图像，得到图像集，预处理图像集得到样本集，对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例随机划分样本集得到缺陷检测训练集与测试集，所述样本标签为有缺陷标注或无缺陷标注；测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；所述待测轻木表面图像即训练标签为无缺陷标注的轻木表面图像；

目标检测模型获取模块，用于通过主干网络、表面缺陷分类头与密度检测回归头构建轻木表面缺陷与密度检测模型，通过表面缺陷分类头与密度检测回归头对应的损失函数构建目标损失函数，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，得到目标检测模型；

检测模块，用于向目标检测模型输入待检测的轻木表面图像，其中：

主干网络，用于接收输入的轻木表面图像，并提取图像特征；

表面缺陷分类头，用于微调主干网络提取的图像特征，根据微调后的图像特征获取分类结果，并在分类结果属于无缺陷类别时，将分类结果输入密度检测回归头；

密度检测回归头，用于微调主干网络提取的图像特征，并根据微调后的图像特征与表面缺陷分类头输入的分类结果预测当前轻木表面图像对应的密度值。

进一步地，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，具体包括：

通过缺陷检测训练集与密度检测训练集利用反向传播和adam梯度下降算法训练轻木表面缺陷与密度检测模型，直至达到最大迭代次数或者目标损失函数对应的损失曲线达到收敛，得到第一检测模型；

通过目标测试集测试第一检测模型，并根据测试结果计算模型准确度，判断模型准确度是否大于等于预设值，若是，则导出第一检测模型为目标检测模型，若否，则继续训练第一检测模型，直至测试后的模型准确度大于等于预设值。

进一步地，所述表面缺陷分类头与密度检测回归头均包括：

第一卷积层，用于对图像特征进行第一次卷积运算得到第一卷积特征；

第二卷积层，用于对第一卷积特征进行第二次卷积运算得到第二卷积特征；

全连接层，用于非线性变换第二卷积特征；

所述表面缺陷分类头还包括：

softmax分类器，用于根据全连接层非线性变换后输出的结果值获取分类结果并输入密度检测回归头。

进一步地，所述表面缺陷分类头对应损失函数的公式表达式为：

所述密度检测回归头对应损失函数的公式表达式为：

其中：

所述目标损失函数的公式表达式为：

Ls＝Ls

式中，σ()为sigmoid函数，log为自然对数，y

进一步地，数据集获取模块中，预处理图像集，具体包括：

将采集的轻木表面图像进行缩放，并中心裁剪至预设尺寸像素，通过imagenet数据集的均值mean与方差std归一化裁剪后的轻木表面图像，其中：

mean＝[0.485,0.456,0.406]；

std＝[0.229,0.224,0.225]；

式中，img表示裁剪后的轻木表面图像，norm_img表示归一化后的轻木表面图像。

与现有技术相比，本发明至少含有以下有益效果：

(1)本发明通过对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例随机划分样本集得到缺陷检测训练集与测试集；测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；通过上述训练集与测试集训练并测试由主干网络、表面缺陷分类头与密度检测回归头构建的轻木表面缺陷与密度检测模型，得到目标检测模型，并通过目标检测模型在检测出无缺陷的轻木条后预测出密度值，实现了低成本的轻木条表面缺陷检测与密度检测，同时，本发明通过同一个模型实现了轻木条表面缺陷与密度的快速联合检测，极大的提高了轻木板制备的速度；

(2)本发明中所述表面缺陷分类头与密度检测回归头均包括用于微调图像特征的：第一卷积层、第二卷积层与全连接层，实现了自动特征学习和深层特征的提取，在表面缺陷分类头中所述softmax分类器根据全连接层非线性变换后输出的结果值获取分类结果，提高了分类的精准度。

附图说明

图1为一种无损缺陷轻木条密度检测方法流程图；

图2为目标检测模型结构图；

图3为密度检测回归头结构图；

图4为一种无损缺陷轻木条密度检测系统模块图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

为了实现轻木条表面缺陷与密度的快速联合检测，并降低检测成本，如图1所示，本发明提出了一种无损缺陷轻木条密度检测方法，包括步骤：

S1：采集多张表面有缺陷和无缺陷的轻木表面图像，得到图像集，预处理图像集得到样本集，对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例(8:2)随机划分样本集得到缺陷检测训练集与测试集，所述样本标签为有缺陷标注或无缺陷标注；通过称重法测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；通过称重法测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；所述待测轻木表面图像即训练标签为无缺陷标注的轻木表面图像；

本发明中，目标测试集中的每张轻木表面图像均包括两个标签：样本标签与密度值标签；缺陷检测训练集中的每张轻木表面图像均包括样本标签；密度检测训练集中的每张轻木表面图像均包括密度值标签。

需要说明的是，图像集的具体获取方法为：收集多个表面有缺陷和无缺陷的轻木样品，依次放置在背景一致的台面上，使用摄像头采集每根轻木四个面的表面纹理图像，并按固定顺序拼接得到轻木表面图像，通过多张拼接的轻木表面图像构成图像集。

S1步骤中，预处理图像集，具体包括：

将采集的轻木表面图像进行缩放，并中心裁剪至预设尺寸像素(32*32)，通过imagenet数据集的均值mean与方差std归一化裁剪后的轻木表面图像，其中：

mean＝[0.485,0.456,0.406]；

std＝[0.229,0.224,0.225]；

式中，img表示裁剪后的轻木表面图像，norm_img表示归一化后的轻木表面图像。

S2：通过主干网络、表面缺陷分类头与密度检测回归头构建轻木表面缺陷与密度检测模型，通过表面缺陷分类头与密度检测回归头对应的损失函数构建目标损失函数，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，得到目标检测模型；

所述主干网络可以选择主流的神经网络，如VggNet、MobileNet、ResNet等。本实施例中，选择ResNet-18作为主干网络，ResNet-18表示深度为18层的残差网络，ResNet-18有8个残差块，每个残差块包括两层卷积，卷积核大小依次为3*3、3*3。

所述表面缺陷分类头对应损失函数的公式表达式为：

所述密度检测回归头对应损失函数的公式表达式为：

其中：

所述目标损失函数的公式表达式为：

Ls＝Ls

式中，σ()为sigmoid函数，log为自然对数，y

通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，具体包括：

通过缺陷检测训练集与密度检测训练集利用反向传播和adam梯度下降算法训练轻木表面缺陷与密度检测模型(其中，学习率设置为0.001)，直至达到最大迭代次数或者目标损失函数对应的损失曲线达到收敛，得到第一检测模型；

通过目标测试集测试第一检测模型，并根据测试结果计算模型准确度，判断模型准确度是否大于等于预设值(99％)，若是，则导出第一检测模型为目标检测模型，若否，则继续训练第一检测模型，直至测试后的模型准确度大于等于预设值。

模型准确度对应的计算公式为：

准确度Precision＝TP/(TP+FP)；

式中，TP、FP分别为真阳性(表示缺陷类别与密度值均检测正确的样本数量)、假阳性(表示缺陷类别或密度值检测错误的样本数量)的数量。

S3：向目标检测模型输入待检测的轻木表面图像，如图2所示，其中：

主干网络，用于接收输入的轻木表面图像，并提取图像特征；本实施例中，主干网络提取的图像特征为512维轻木图像特征，不需要进行最后全连接层的输出。

表面缺陷分类头，用于微调主干网络提取的图像特征，根据微调后的图像特征获取分类结果，并在分类结果属于无缺陷类别时，将分类结果输入密度检测回归头；

密度检测回归头，用于微调主干网络提取的图像特征，并根据微调后的图像特征与表面缺陷分类头输入的分类结果预测当前轻木表面图像对应的密度值。

所述表面缺陷分类头与密度检测回归头均包括如图3所示的：

第一卷积层，用于对图像特征进行第一次卷积运算得到第一卷积特征；

第二卷积层，用于对第一卷积特征进行第二次卷积运算得到第二卷积特征；

全连接层，用于非线性变换第二卷积特征；

所述表面缺陷分类头还包括：

softmax分类器，用于根据全连接层非线性变换后输出的结果值获取分类结果并输入密度检测回归头。

本发明中所述表面缺陷分类头与密度检测回归头均包括用于微调图像特征的：第一卷积层、第二卷积层与全连接层，实现了自动特征学习和深层特征的提取，在表面缺陷分类头中所述softmax分类器根据全连接层非线性变换后输出的结果值获取分类结果，提高了分类的精准度。

具体地，通过目标检测模型进行轻木条表面缺陷与密度的快速联合检测，具体包括：

当轻木条输送到轻木板制备装置时，通过摄像头获取轻木表面图像并输入到目标检测模型中判断表面是否有缺陷即在分类结果属于有缺陷类别时，由机械臂自动剔除有缺陷的轻木条，在分类结果属于无缺陷类别时，对无缺陷的轻木条进行密度预测并输出密度值，最后根据预测的轻木条密度，基于正态分布切割、涂胶、压缩、粘接轻木条然后切割成轻木板。需要说明的是，此处基于正态分布切割、涂胶、压缩并粘接轻木条，是因为轻木板是由各轻木条组成，而轻木板的力学性能受轻木条的密度影响，为了使轻木板各处的力学性能保持一致性，所以各轻木条的密度差别不能太大，因此采用正态分布使轻木条的密度保持在1个标准差内。

本发明实时化、智能化判断轻木条表面缺陷，并检测出无缺陷轻木的密度，满足了轻木板制备的质量与密度分布要求。

本发明通过对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例随机划分样本集得到缺陷检测训练集与测试集；测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；通过上述训练集与测试集训练并测试由主干网络、表面缺陷分类头与密度检测回归头构建的轻木表面缺陷与密度检测模型，得到目标检测模型，并通过目标检测模型在检测出无缺陷的轻木条后预测出密度值，实现了低成本的轻木条表面缺陷检测与密度检测，同时，本发明通过同一个模型实现了轻木条表面缺陷与密度的快速联合检测，极大的提高了轻木板制备的速度。

实施例二

如图4所示，本发明还提出了一种无损缺陷轻木条密度检测系统，包括步骤：

数据集获取模块，用于采集多张表面有缺陷和无缺陷的轻木表面图像，得到图像集，预处理图像集得到样本集，对样本集中的每一张轻木表面图像设定其对应的样本标签,并以预设比例随机划分样本集得到缺陷检测训练集与测试集，所述样本标签为有缺陷标注或无缺陷标注；测量测试集中各轻木表面图像对应轻木样品的密度，并以密度值为标签值标注对应的轻木表面图像得到目标测试集；测量缺陷检测训练集中待测轻木表面图像对应轻木样品的密度，并以密度值为标签值标注待测轻木表面图像得到密度检测训练集；所述待测轻木表面图像即训练标签为无缺陷标注的轻木表面图像；

数据集获取模块中，预处理图像集，具体包括：

将采集的轻木表面图像进行缩放，并中心裁剪至预设尺寸像素，通过imagenet数据集的均值mean与方差std归一化裁剪后的轻木表面图像，其中：

mean＝[0.485,0.456,0.406]；

std＝[0.229,0.224,0.225]；

式中，img表示裁剪后的轻木表面图像，norm_img表示归一化后的轻木表面图像。

目标检测模型获取模块，用于通过主干网络、表面缺陷分类头与密度检测回归头构建轻木表面缺陷与密度检测模型，通过表面缺陷分类头与密度检测回归头对应的损失函数构建目标损失函数，通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，得到目标检测模型；

所述表面缺陷分类头对应损失函数的公式表达式为：

所述密度检测回归头对应损失函数的公式表达式为：

其中：

所述目标损失函数的公式表达式为：

Ls＝Ls

式中，σ()为sigmoid函数，log为自然对数，y

通过缺陷检测训练集、密度检测训练集、目标测试集以及目标损失函数训练并测试轻木表面缺陷与密度检测模型，具体包括：

通过缺陷检测训练集与密度检测训练集利用反向传播和adam梯度下降算法训练轻木表面缺陷与密度检测模型，直至达到最大迭代次数或者目标损失函数对应的损失曲线达到收敛，得到第一检测模型；

通过目标测试集测试第一检测模型，并根据测试结果计算模型准确度，判断模型准确度是否大于等于预设值，若是，则导出第一检测模型为目标检测模型，若否，则继续训练第一检测模型，直至测试后的模型准确度大于等于预设值。

检测模块，用于向目标检测模型输入待检测的轻木表面图像，其中：

主干网络，用于接收输入的轻木表面图像，并提取图像特征；

表面缺陷分类头，用于微调主干网络提取的图像特征，根据微调后的图像特征获取分类结果，并在分类结果属于无缺陷类别时，将分类结果输入密度检测回归头；

密度检测回归头，用于微调主干网络提取的图像特征，并根据微调后的图像特征与表面缺陷分类头输入的分类结果预测当前轻木表面图像对应的密度值。

所述表面缺陷分类头与密度检测回归头均包括：

第一卷积层，用于对图像特征进行第一次卷积运算得到第一卷积特征；

第二卷积层，用于对第一卷积特征进行第二次卷积运算得到第二卷积特征；

全连接层，用于非线性变换第二卷积特征；

所述表面缺陷分类头还包括：

softmax分类器，用于根据全连接层非线性变换后输出的结果值获取分类结果并输入密度检测回归头。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。