一种基于深度学习的软木圆片质量检测方法

本发明涉及图像信息处理，具体公开了一种基于深度学习的软木圆片质量检测方法。

背景技术：

1、天然软木地中海橡树树皮，以其优异的弹性和耐磨性，广泛应用于羽毛球球头制造。生产中，软木被切割成圆片，其质量筛选对确保产品性能至关重要。自然生长的软木因环境因素呈现多样缺陷和纹理，导致难以找到完全相同的样本，增加了质量控制的复杂性。现行的质量分类主要依靠人工目测，这种方法主观性强，且受检验人员体力、注意力和经验的影响，难以保持分选质量的一致性。近年来，基于深度学习的自动检测技术已经在智能制造中的定位检测、元件表面质量检测中具有重要且广泛的应用。自2012年alexnet问世以来，涌现出一大批优秀的深度学习算法：r-cnn，resnet，ssd，retinanet，centernet，convnext和yolo等。yolo是由redmon提出的，随后，诸多学者将最新目标检测算法融合到yolo模型中，因此诞生了yolov4、yolov5、yolox、yolov6、yolov7等高效检测模型。

2、深度学习算法为羽毛球头软木切片质量检测提供了新的思路，但是现有深度学习算法存在模型规模大，要在高性能gpu部署；如若部署在低成本的嵌入式系统中，模型推理实时性和精度难以满足羽毛球头软木切片质量检测需求。

技术实现思路

1、本发明的目的在于针对上述问题，提供了一种基于深度学习的软木圆片质量检测方法。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种基于深度学习的软木圆片质量检测方法，所述方法包括以下步骤：

4、s1、原始数据集建立：采集软木圆片图像，按8：1：1的比例进行随机划分为训练集，验证集，测试集；标注软木图像为分类类别和缺陷类别，其中软木圆片类别包括合格、不合格、外表皮，缺陷类别包括孔洞、缺口和黑块；

5、s2、缺陷样本增强：采用基于生成对抗网络(gan)的缺陷合成算法，通过gan生成与原始数据集中孔洞缺陷相似的假孔洞缺陷图像，并将这些假孔洞缺陷融合到软木圆片中生成新的缺陷样本；

6、s3、检测模型构建：基于改进的yolov5深度学习框架构建软木圆片质量检测模型，该模型包括主干网络、网络脖子和检测头三部分；主干网络中起始模块采用6x6卷积，使用c3模块进行特征提取，嵌入空间注意力机制模块；网络脖子部分由改进的pan结构组成；检测头部由一个1x1的轻量级卷积层组成；模型中用中心匹配（cm）策略扩展正样本选择范围以平衡正样本数量，采用最短距离标签分配(sdla)策略确定样本回归目标；

7、s4、检测结果处理：依据软木圆片类别与表面缺陷之间的关系，通过检测结果处理(drp)逻辑修正最终输出的类别标签。

8、进一步地，所述缺陷样本增强步骤s2通过以下步骤实现：

9、s21、从gan生成的孔洞缺陷图像中随机选取缺陷图像，并对所选图像进行仿射变换；

10、s22、对变换后的缺陷图像进行二值化处理，获取缺陷区域的掩模(roi)；

11、s23、 在软木圆片背景图像的特定区域内随机选取一个中心点，并以该点为中心裁剪出与缺陷图像相同大小的背景区域；

12、s24、将缺陷roi与背景区域融合，覆盖到软木圆片背景图像中生成新的缺陷样本。

13、进一步地，所述检测模型构建步骤s3在改进yolov5模型的主干网络中嵌入空间注意力机制cbam模块，该模块由通道注意力模块(cam)和空间注意力模块(sam)组成，两个模块串联连接，并对输入特征路径引入并行分支，可以序列化地在通道和空间两个维度上产生注意力特征图信息，进而进行自适应特征修正。

14、进一步地，所述检测模型构建步骤s3包含中心匹配（cm）策略，该策略选择真值目标中心网格及其边缘8个网格的预测结果作为正样本，预测结果与真实边界框的中心点变换公式为：

15、

16、式中为中心的坐标，为 sigmoid函数，表示预测的 ， 偏移量， 表示网格点左上角,坐标。

17、进一步地，所述检测模型构建步骤s3包含最短距离标签分配(sdla)策略，当一个模糊样本被分配给两个真值目标gt1和gt2时，所述最短距离标签分配(sdla)策略步骤具体包括：

18、s31、根据标签信息找到两个真值目标的中心点位置和；

19、s32、计算得出该模糊样本网格点的中心位置，它等于网格左上角坐标加上0.5倍的下采样步幅；

20、s33、计算该中心点到两个真值目标中心点的欧几里得距离和；

21、s34、比较两段距离大小并选择距离最短的真值目标作为该样本的回归目标。

22、进一步地，所述检测结果处理步骤s4的drp逻辑具体为：软木圆片为“合格”类别且存在缺陷时，这需要进行依次判断：首先判断“黑块”缺陷是否存在，其次判断是否存在“缺口”缺陷，如存在则修改类别为“不合格”；最后对于孔洞缺陷，将依据孔洞的三种特征进行判别：（1）孔洞是否在特定区域内，（2）最大孔洞的尺寸是否大于4mm，（3）全部孔洞数量是否大于3。当满足任意一个条件时，类别都将修改为“不合格”类别。

23、本发明的有益效果是：本申请基于深度学习解决软木圆片质量检测问题，改进的yolov5深度学习框架构，构建一种高效、紧凑的软木圆片质量检测模，该模型可以实现嵌入系统部署，同时可实时完成软木圆片质量准确分类。

技术特征：

1.一种基于深度学习的软木圆片质量检测方法，其特征在于，所述基于深度学习的软木圆片质量检测方法包括以下步骤：

2.根据权利要求1所述的基于深度学习的软木圆片质量检测方法，其中所述缺陷样本增强步骤s2具体包括：

3.根据权利要求1所述的基于深度学习的软木圆片质量检测方法，其中所述检测模型构建步骤s3包括在改进yolov5模型的主干网络中嵌入空间注意力机制cbam模块，该模块由通道注意力模块(cam)和空间注意力模块(sam)组成，两个模块串联连接，并对输入特征路径引入并行分支，可以序列化地在通道和空间两个维度上产生注意力特征图信息，进而进行自适应特征修正。

4.根据权利要求1所述的基于深度学习的软木圆片质量检测方法，其中所述检测模型构建步骤s3进一步包含中心匹配（cm）策略，该策略选择真值目标中心网格及其边缘8个网格的预测结果作为正样本，预测结果与真实边界框的中心点变换公式为：

5.根据权利要求1所述的基于深度学习的软木圆片质量检测方法，其中所述检测模型构建步骤s3进一步包含最短距离标签分配(sdla)策略，当一个模糊样本被分配给两个真值目标gt1和gt2时，所述最短距离标签分配(sdla)策略步骤具体包括：

6.根据权利要求1所述的基于深度学习的软木圆片质量检测方法，其中所述检测结果处理步骤s4的drp逻辑具体为：软木圆片为“合格”类别且存在缺陷时，这需要进行依次判断：首先判断“黑块”缺陷是否存在，其次判断是否存在“缺口”缺陷，如存在则修改类别为“不合格”；最后对于孔洞缺陷，将依据孔洞的三种特征进行判别：（1）孔洞是否在特定区域内，（2）最大孔洞的尺寸是否大于4mm，（3）全部孔洞数量是否大于3，当满足任意一个条件时，类别都将修改为“不合格”类别。

技术总结本发明公开了一种基于深度学习进行软木圆片质量检测的方法，首先，通过构建样本数据集，并运用生成对抗网络（GAN）合成缺陷样本，增加样本多样性；该方法改进的YOLOv5深度学习模型，在其主干网络中融入注意力机制，以提升特征识别能力；为平衡样本分布，引入了中心匹配策略和最短距离标签分配算法，以优化样本选择和减少标签分配误差，从而提高检测精度并简化后处理流程；最终，通过融合检测结果到质量分类中，实现高效准确的软木圆片质量筛选。技术研发人员：曲立国,陈国豪,张鑫,刘科受保护的技术使用者：安徽师范大学技术研发日：技术公布日：2024/7/29