基于深度学习的中密度板表面缺陷检测算法研究

作     者：高远 

作者单位：北京林业大学 

学位级别：硕士

导师姓名：闫磊

授予年度：2022年

学科分类：12[管理学] 082902[工学-木材科学与技术] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0829[工学-林业工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：中密度板 深度学习 目标检测 切分注意力机制 小目标检测 

摘      要：中密度板是我国应用极为广泛的人造板材,在最近几年的市场有着高速发展,目前已经有了一套完整的工艺生产体系。但是在中密度板的缺陷检测以人工检测为主,因此存在检测速度慢、效率低等问题,为此使用机器视觉技术代替人工进行缺陷检测。使用机器代替人工不仅可以解决上述问题,同事利于加强中密度板加工厂的智能化水平,有着重大的经济效益。本文将使用深度学习技术配合机器视觉检测方法,针对中密度板的表面缺陷检测算法进行研究。本文根据实际生产情况将中密度板表面缺陷划分为金属异物、板边破损、划痕等6种缺陷。首先确定设计需求,制定缺陷检测方案,然后对所要检测的中密度板表面缺陷特点进行分析。接下来完成器材选型和图像采集平台搭建,采集中密度板图像。对采集得到的图像进行预处理后为了满足训练需求对数据集进行增强,最终完成数据集的构建。然后根据构建好的数据集进行算法训练改进。通过对R-CNN系列目标检测经典算法的对比分析,并结合实际情况考虑,选择Faster R-CNN算法作为本次研究模型。在Faster R-CNN算法模型中引入特征融合网络FPN,并对FPN网络进行结构改进,此外在Faster R-CNN的主干网络中加入了切分注意力机制,进一步完成优化,最后完成改进Faster R-CNN模型搭建。通过实验结果及分析,发现改进的Faster R-CNN算法在测试集的m AP结果达到73.54%,比基础网络提高了12.06%,取得了较大的提升。但对于缺陷中的小目标样本检测效果不够理想,AP只有63.37%,因此后续对小目标缺陷检测方向进行算法优化。为了优化算法对小目标缺陷的检测效果,对小目标检测存在的问题进行分析,确定了优化的两个方向,对数据集使用小目标复制以及mosaic方法进行增强,以及使用K-means算法对模型中RPN网络生成的候选框进行优化。经过实验结果对比,发现经过小目标检测优化后,算法模型在小目标检测AP的结果有了明显改善,达到了68.36%,相比优化前提高了将近5%,m AP的结果也提高到74.72%,证明了进行小目标优化后算法效果有着明显的改善。通过实验平台搭建,数据采集制作,检测算法模型开发优化等一系列工作的实施,最终得到的算法在精确度和检测速度上都达到了项目标准。