(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111680878.0 (22)申请日 2021.12.3 0 (71)申请人 广西慧云信息技 术有限公司 地址 530007 广西壮 族自治区南宁市高新 区创新路23号9号楼三层 (72)发明人 韦光亮　苏家仪　王筱东　关宇晟　 苏明　苏世宁　张玉国　申智辉　 韦潇依　 (74)专利代理 机构 南宁东之智专利代理有限公 司 45128 专利代理师 张丽媛 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 7/60(2017.01)G06T 3/40(2006.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/70(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种自适应板材厚度的刨花板表面缺陷检 测方法 (57)摘要 本发明公开一种自适应板材厚度的刨花板 表面缺陷检测方法， 包括以下步骤： （1） 数据集制 作； （2） 构建自适应板 材厚度的多任务网络； 所述 多任务网络由输入模块、 编码器、 图像增强模块、 实例分割模块、 厚度分类模块构成； （3） 构建多任 务网络损失函数； （4） 模型训练： 将训练集输入至 步骤(2)中的多任务网络， 采用步骤(3)中的厚度 分类网络损失函数进行监督训练， 训练过程中， 将验证集输入至训练好的中间模 型进行验证， 获 得训练好的模型参数； （5） 模型推理。 本发明通过 图像增强、 实例分割 与分类任务结合的多任务学 习方式进行特征互补训练， 以适应不同板材厚度 的图像， 提高特征可靠性， 提升训练收敛稳定性， 最终提升缺陷检测准确率。 权利要求书2页 说明书5页 附图1页 CN 114511503 A 2022.05.17 CN 114511503 A 1.一种自适应板材厚度的刨花板表面 缺陷检测方法， 其特 征在于： 包括以下步骤： (1)数据集制作： 收集海量刨花板表面缺陷的图片， 设定缺陷类别； 将所有图片按一定 比例划分为训练集、 验证集与测试集； 将训练集和验证集的图片裁剪成若干个指定尺寸的 分块图像； 对分块图片依据缺陷类别进行语义分割标注； (2)构建自适应板材厚度的多任务网络； 所述多任务网络由输入模块、 编码器、 图像增 强模块、 实例分割模块、 厚度分类模块构成； 所述输入模块用于将输入的分块 图像的每个像素除以255得到[0,1]归一化后的输入 图像， 且输入图像中每 个像素值设为p； 所述图像增强模块用于通过图像增强法对输入图像进行自适应图像增强； 所述图像增 强法包括以下子步骤： 增强学习子步骤， 通过图像增强网络进行 学习获得增强参数； 图像增强子步骤， 将增强参数应用于输入图像形成增强公式， 将p带入增强公式后获得 增强后的像素值p ′； 图像拼接 子步骤， 将p与p ′按通道维度， 依据拼接得到拼接图像 所述实例分割模块采用网络结构为ResNet ‑50的Mask  R‑CNN算法， 用于对图像增强子 步骤获得的像素值p ′进行特征提取， 由Mask  R‑CNN的检测框分支输出得到每个缺陷的矩形 框， 分类分支输出得到每个缺陷的类别， 掩码分支输出得到每个缺陷的掩码， 每个缺陷的实 例分割结果包 含矩形框、 类别以及对应的掩码； 厚度分类网络采用ResNet ‑18网络， 用于对输入图像的板材厚度进行分类， 将拼接图像 输入至ResNet ‑18网络进行推理， 对ResNet ‑18网络最后一层的输 出特征进行softmax归 一 化， 得到每 个厚度类别的可信度， 选取 可信度最高的类别作为该图像的板材厚度类别； (3)构建多任务网络损失函数： 通过交叉熵损失函数及Mask  R‑CNN的3个损失函数之和 作为多任务网络损失函数； (4)模型训练： 将训练集输入至步骤(2)中的多任务网络， 采用步骤(3)中的多任务网络 损失函数进 行监督训练， 训练过程中， 将验证集输入至训练好的中间模型进行验证， 获得训 练好的模型参数； (5)模型推理： 将步骤(4)中训练好的模型参数加载至步骤(2)的多任务网络， 并将步骤 (1)中测试集的刨花板表面缺陷图片进行滑窗裁剪成指定尺寸的分块图片， 将分块图片依 次输入至多任务网络进行推理， 得到每个分块图片的输出结果， 最后将每个分块图片的输 出结果合并成整块结果。 2.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述步骤(1)中， 指定尺寸 为800x800x1。 3.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述缺陷类别包含 大刨花、 划痕、 砂穿、 粉尘斑、 鼓泡、 胶斑、 裂缝、 乌云斑、 油污、 缺边、 缺 角、 凹坑。 4.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述步骤(2)中， 增强学习子步骤的具体方法为： 采用图像增强网络是最后一层维度为 1 的ResNet ‑18网络， 通过以下公式计算出增强参数：权　利　要　求　书 1/2 页 2 CN 114511503 A 2其中， 图像增强网络最后一层特征为t， 将t传入激活函数tanh(t)进行范围约束， 得到 增强参数α， 且 ‑1＜α ＜1。 5.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述步骤(2)中， 图像增强子步骤的具体方法为： 将通过增强学习子步骤学习到的增强 参数α 应用于 输入图像， 通过以下公式获得增强后的像素值p ′： p′＝‑α p2+( α +1)p； 其中， p表示输入图像的单个像素值， 0≤p≤1； p ′表示对应的增强后的像素值， 0≤p ′≤ 1。 6.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述步骤(2)中， 图像拼接子步骤的具体方法为： 将p与p ′按通道维度拼接依据以下公式 得到拼接图像 其中， p表示输入图像的单个像素值， 0≤p≤1； p ′表示对应的增强后的像素值， 0≤p ′≤ 1； 表示p与p ′按通道维度拼接后的图像， 7.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述厚度类别为8m m、 10mm、 12mm、 28mm、 30mm、 35mm。 8.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述交叉熵损失函数为 其中， Lthickness表示厚度分类网络损失函数， K表示类别数， qk表示对厚度类别经过one ‑ hot编码后的标签， qk∈{0,1}， 当k为输入图像的真实厚度类别时， qk＝1， 否则qk＝0； pk表示 识别为类别k的概 率， 且0＜pk＜1； 则通过交叉熵损失函数构成的多任务损失函数为 L＝Lthickness+Lcls+Lbox+Lmask； 其中， L为多任务损失函数， Lcls为缺陷分类损失函数， Lbox为缺陷矩形框损失函数， Lmask 为掩码损失函数； Lcls、 Lbox、 Lmask为Mask R‑CNN的3个损失函数。 9.根据权利要求1所述的一种自适应板材厚度的刨花板表面缺陷检测方法， 其特征在 于： 所述步骤(4)中， 采用步骤(3)中的厚度分类网络损失函数进行监督训练的具体方法为 使用SGD优化器， 图像增强模块在训练初期不稳定， 采用warmup学习率调整 策略进行模型训 练， 在训练初期以较低学习率进 行训练， 使网络逐渐适应输入的训练集数据， 在训练过程中 逐渐增大学习率， 学习率增大到设定的基准学习率之后就从基准学习率开始正常训练， 基 准学习率设置为0.01。权　利　要　求　书 2/2 页 3 CN 114511503 A 3