基于机器视觉的实木板材缺陷检测系统研究.pdfVIP

摘要

随着经济的发展，我国对木材的需求量不断增加，对木材加工和板材品质的

要求也不断提高。由于板材缺陷类型繁多、背景纹理复杂，导致目前基于传统方

法的板材缺陷检测效率低、成本高和可靠性差等问题。因此，本研究提出了一种

基于机器视觉结合深度学习算法的板材缺陷检测方法，该方法不仅能实现板材缺

陷快速高效的检测，而且对推动木材产业向智能化方向发展具有深远的意义。本

研究主要工作与创新如下：

（1）针对板材缺陷的检测准确率低、效率差等问题，提出了一种基于改进

YOLOv7-Tiny的板材表面缺陷检测算法。首先，使用归一化Wasserstein距离的度

量方法改进损失函数，提升模型对小目标的检测能力；其次，使用多样化分支模

块改进ELAN模块，并用于backbone的P2层和P5层，提升模型的特征提提取能

力；最后，对Neck部分进行轻量化，使用GSConv降低计算成本，并使用VoV-

GSCSP模块来加速推理。结果表明，改进后得到的NDG-YOLOv7-Tiny模型的

mAP0.5值为93.9%，比原模型提高了3.8%，参数量和计算量分别比原模型减少了

8.1%和10%；对比FasterRCNN、SSD和YOLOv5s模型，mAP0.5分别提高了

6.7%、6.1%和3.3%，模型参数量分别减少了86.6%、86.5%和21.3%。

（2）针对板材缺陷图像类别不均衡、数据量少和采集困难等问题，提出了

一种基于改进CycleGAN的数据增强算法。通过改进生成器和判别器，提升

CycleGAN的图像生成能力，并将生成的多类板材缺陷图像与其它数据集进行整

合，制作成多类板材缺陷数据集Multi-ClassWoodDefectDataset。通过对生成图

像的主客观评价与实验对比，验证了改进CycleGAN算法的有效性。

（3）提出了一种基于PCNDG-YOLOv7-Tiny的板材表面缺陷检测算法。通

过对NDG-YOLOv7-Tiny使用多类板材缺陷数据集进行训练，得到检测能力进一

步提升的CNDG-YOLOv7-Tiny模型，再对得到的模型进行稀疏训练和通道剪枝，

减少模型参数量和提升模型的检测速度。结果表明，PCNDG-YOLOv7-Tiny的

mAP0.5为94.3%，高于原始YOLOv7-Tiny模型4.31%，低于CNDG-YOLOv7-

Tiny模型0.84%，但检测速度提高了51.4%。

（4）设计并应用了视觉检测系统平台。通过平台整体设计，硬件选型与搭

建，采用Qt软件进行可视化平台开发以及结合深度学习算法，完成了机器视觉

板材缺陷检测系统。

关键词：实木板材；缺陷检测；深度学习；机器视觉

Abstract

Withthedevelopmentoftheeconomy,thedemandfortimberinourcountry

continuestoincrease,andtherequirementsfortimberprocessingandpanelqualityare

alsocontinuouslyimproving.Duetothediversetypesofdefectsinpanelsandthe

complexbackgroundtextures,thecurrenttraditionalmethodsforpaneldefectdetection

sufferfromlowefficiency,highcosts,andpoorreliability.Therefore,thisstudy

proposesapaneldefectdetectionmethodbasedonmachinevisioncombinedwithdeep