一种基于机器视觉的木板材小目标表面缺陷识别检测方法

本发明涉及木板材缺陷小目标图像检测，属于模式识别，具体涉及一种基于机器视觉的木板材小目标表面缺陷识别检测方法。

背景技术：

1、在木板材表面识别图形中，缺陷目标由于原材料的随机性，以及制造工艺的复杂性，就会导致各种可见的表面缺陷。缺陷目标因种类繁多、目标过小以及复杂的图像处理技术，导致传统的表面缺陷识别算法无法检测出缺陷目标，而现有的基于机器视觉的识别算法存在以下不足：1、部分缺陷存在密集相邻的情况，导致缺陷目标，特别是小目标缺陷检测性能受阻。2、模型原有的neck层部分采用特征融合的结构，用于将来自不同层级的特征进行融合，但是却存在着冗余信息混杂多以及计算量大等问题。综上所述现有的木板材表面小目标缺陷检测算法的能力有待提高。

技术实现思路

1、本发明的目的是为了克服以上现有技术存在的不足，提供了一种提高小目标缺陷检测能力的基于机器视觉的木板材小目标表面缺陷识别检测方法。

2、本发明的目的通过以下技术方案实现：

3、一种基于机器视觉的小目标表面缺陷识别检测方法，将待检测的含有小目标缺陷的图像输入到已经构建并训练好的小目标缺陷检测模型，进行小目标缺陷的检测；其中，所述小目标缺陷检测模型包括主干网络、se模块、gsconv模块、vov-gscsp模块、cpca模块以及nwd模块；

4、主干网络提取待检测含有小目标缺陷的图像的多尺度特征；

5、se模块将通道和空间维度得到的注意力特征图相乘输入到特征图中，以此进行自适应特征细化，减少背景特征训练权重；

6、gsconv模块使普通卷积和深度可分离卷积相结合，降低模型的计算成本，实现更好的特征表达能力和计算效率；

7、vov-gscsp模块使用一次性聚合方式来设计跨级部分网络，具有多感受野表示多种特征的优点，减少计算和网络结构的复杂性；

8、cpca模块在通道和空间维度上面动态分配注意力权重，在最大化提取重要特征信息的同时避免由于复杂计算所带来的参数量提升；

9、引入新型neck结构—gsv-neck网络能够实现在不同尺度上进行特征提取，提高了精度，一定程度上降低模型的参数量和大小，做到精度和识别速度的平衡；引入wiou损失函数，并且结合nwd小目标检测机制，进一步提升模型对小目标缺陷的识别能力。

10、进一步的，构建并训练伪装目标检测模型包括：

11、s11，将预先采集的小目标表面缺陷的图像数据集划分为训练集、测试集和验证集；

12、s12，构建小目标表面缺陷检测模型；

13、s13，使用训练集对已构建的小目标表面缺陷检测模型进行训练；

14、s14，使用测试集对已训练和已验证的的小目标表面缺陷检测模型进行测试。

15、进一步的，se模块，首先对输入特征图进行全局平均池化(avg_pool)，计算每个通道的平均值，将其作为反映通道的重要程度初始权重；然后依次通过两个全连接层，首个全连接层(fc1)被用于降维，将输入通道数减少到较小的维度，以降低模型的参数数量和计算复杂度，然后经过relu激活层，维度保持不变；接着第二个全连接层(fc2)用于升维，将降维后的向量映射回原始通道数的维度，以学习每个通道的重要性权重；最后采用sigmoid函数将输出范围限制在(0-1)之间，将其作为通道注意力机制的权重，与原始特征图相乘，得到最终融入注意力机制的特征图。

16、进一步的，gsconv模块，首先进行一个普通卷积(conv)的下采样，将输入的通道数变为原来的一半，然后对其使用深度卷积(dwconv)，并将普通卷积的输出(sc)和深度卷积的输出(dsc)通过concat操作拼接在一起；最后使用shuffle将sc生成的信息渗透到dsc生成的信息中的每个部分，通过重新排列输出通道的顺序，使得后续层的每个卷积核都能从所有组中接收到信息。

17、vov-gscsp模块，vov-gscsp模块使用一次性聚合方式来设计跨级部分网络，这种方式仅在模块的最后一层聚合前面所有层的特征，继承密集连接具有多感受野表示多种特征的优点，解决其效率低下的问题；和gsconv卷积思想一样，将普通卷积的输出和经过两次gsconv卷积的输出通过concat拼接在一起，最后在不变通道数的情况下，利用普通卷积进一步提取图像特征。

18、进一步的，cpca模块，包含通道注意力模块(ca)和空间注意力模块(sa)，用来在通道和空间维度上面动态分配注意力权重，最大化提取重要特征信息，其中通道注意力机制(ca)，将输入的特征图经过两个并行的maxpool层和avgpool层，从特征映射中聚集空间信息，然后再输入共享的mlp中，与se注意力相似，同样将输入的通道数进行先压缩再扩张。之后经过relu激活函数得到两个激活后的结果，将这两个输出结果进行逐元素相加，再通过sigmoid激活函数得到经过通道注意力之后的输出结果，最后将这个输出结果变回原图大小；空间注意力机制(sa)采用多尺度结构思想将输入的特征图分离成多个部分，生成描述每个位置重要性的空间特征图，使得图像的局部特征可以用简单的形式在不同尺度上描述，然后对每一部分都利用深度可分离卷积来捕捉特征之间的空间关系，生成一个空间维度的注意力图，最后再使用一个1x1的卷积进行通道混合，对每一部分的结果进行融合，实现通道间的信息交互，以便模型能够更加关注于重要的空间区域；

19、使用训练集对已构建的小目标表面缺陷检测模型进行训练的损失函数采用nwd小目标检测算法与wiouv3同时使用，wiouv3损失函数l为：

20、

21、

22、

23、

24、

25、其中(x,y)在目标框的对应位置为(xgt，ygt)，rwiou表示高质量锚框的损失，离群度β表征锚框的质量。wiouv3使用动态非单调聚焦机制对锚框质量进行评估，使用梯度增益，不过多干预训练，构建两层注意力机制来加快收敛速度，在保证高质量锚框效果的同时减少有害梯度的影响，提高模型的整体性能；将nwd小目标检测算法应用在损失函数中，通过引入归一化高斯wasserstein距离来改进目标检测算法，特别是在处理尺寸极小的目标时，能够大大提高模型的准确性和鲁棒性。

26、本发明相对于现有技术具有如下优点：

27、本发明利用深度学习技术提升了木板材表面小目标缺陷检测的性能。本发明通过通过权重矩阵，根据通道的不同位置为图像赋予不同的权重，更好地捕捉关键特征信息；通过使用普通卷积和深度可分离卷积相结合的方式降低了模型的计算成本，实现了更好的特征表达能力和计算效率；通过使用一次性聚合方式来设计跨级部分网络，继承了密集连接具有多感受野表示多种特征的优点，减少了模型的参数和计算需求，简化了网络的结构，也解决了其效率低下的问题，并且确保了足够的检测精度；通过结合了空间和通道的注意力机制模块，进一步增强网络对于原材料表面缺陷特征的提取能力，在最大化提取重要特征信息的同时也避免了由于复杂计算所带来的参数量提升；通过将小目标检测算法用于损失函数，减少小目标定位偏差对损失函数的影响。这些特性提高了对小目标缺陷的检测能力，拓展了本发明的使用场景；本发明是在大规模的数据集上训练得到的检测模型，具有较好的准确性和鲁棒性。