【技術實現步驟摘要】
本專利技術屬于木材缺陷檢測的，更具體地，涉及一種基于改進yolov8l的木材表面缺陷檢測方法、電子設備及存儲介質。
技術介紹
1、木材作為一種重要的自然資源，廣泛應用于建筑、家具、造紙等行業。然而，受自然、人為等因素的影響，木材不可避免地存在各種缺陷，這些缺陷是影響木材使用價值的最主要因素，同時影響木材產品的質量、美觀性、實用性。目前，木皮單板和膠合板生產在中國的木材加工市場占據主導地位，廣泛應用于家具、門、或室內設計元素的涂層和裝飾表面。在膠合板的加工過程中，需要合理的選擇木皮單板，這是因為生長環境、原木剝落后的儲存和運輸以及后期的木材加工，都會導致許多單板表面缺陷，如死節、活節、裂縫、樹皮、缺口和干疤，這些缺陷會破壞木皮的一致性和完整性，降低機械強度，并影響板材的使用和使用壽命。因此，檢測木皮表面的缺陷是膠合板加工過程中至關重要的一步，這對單板的分揀、組成或后續修補非常重要。
2、到目前為止，木皮單板表面缺陷的檢測通常依賴于人工檢測，該方法需要大量的工人長時間高強度的進行工作，導致檢測質量不穩定、檢測標準不一致、檢測效率差等問題。因此，亟須設計一種自動化和智能化的解決方案來克服當前的問題。
3、近年來，基于深度學習的缺陷檢測方法因其在特征提取和圖像分類方面的出色能力而被使用，這些方法通?；谟嬎銠C視覺領域的目標檢測算法來實現。一些研究人員將目標檢測算法應用到木材缺陷檢測中，通過大量圖像數據進行訓練，使模型能夠準確的檢測木材缺陷。目標檢測算法根據網絡結構可分為雙階段檢測算法(例如r-cnn、fast?r
4、然而，由于木材表面缺陷在對象尺度、大小和長寬比上存在顯著變化，傳統的backbone由于網絡結構較深，在缺陷特征提取時容易提取較多的冗余信息，這會導致模型參數量和計算量較大，檢測速度慢，對于關鍵信息的定位不夠精準；此外，傳統的neck在特征層交互過程中會遭受特征信息丟失和退化，削弱了模型多尺度特征的表達能力。這些因素限制了木材表面缺陷檢測的準確性和效率。
5、中國專利文獻cn117876663a公開一種基于深度神經網絡的木材缺陷檢測方法及系統，該方法包括以下步驟：獲取木材的缺陷數據集，并將缺陷數據集劃分為訓練集、驗證集與測試集；基于yolov8模型構建初始缺陷檢測模型，包括：將yolo模型中neck網絡的conv模塊替換為rfca模塊；還將rfca注意力機制中的relu激活函數替換為了silu激活函數。head部分增加一個小目標解耦檢測頭，提升小目標的檢測能力，其次，使用wise-iou損失函數替換ciou損失函數，最后引入遷移學習的思想，構建改進的yolov8模型。利用訓練集對初始缺陷檢測模型進行模型訓練，得到最終缺陷檢測模型；將驗證集輸入最終缺陷檢測模型，并輸出檢測結果。然后將測試集、本地視頻以及移動端實時采集圖像輸入至木材缺陷智能檢測系統中，輸出檢測結果。
6、針對上述問題，本專利技術提出一種基于改進yolov8l的木材表面缺陷檢測方法。
技術實現思路
1、本專利技術旨在克服上述現有技術的至少一種缺陷，提供一種基于改進yolov8l的木材表面缺陷檢測方法，為木材表面缺陷檢測提供了一種高效、精準的解決方案。
2、本專利技術詳細的技術方案如下：
3、一種基于改進yolov8l的木材表面缺陷檢測方法，所述方法包括：
4、s1、木材缺陷圖像采集，然后對數據集中的缺陷進行標注；
5、s2、改進yolov8模型得到改進后的yolov8l模型：首先，使用fasternet改進backbone；
6、然后，設計增強型加權雙向特征金字塔網絡efpn，將yolov8中原有的neck結構panet用efpn代替，并將drm模塊引入到efpn中；
7、s3、基于標注后的數據導入改進后的yolov8l模型進行木材表面缺陷檢測；
8、根據本專利技術優選的，所述使用fasternet改進backbone是指：使用fasternet替換了yolov8中原有的backbone網絡cspdarknet53；
9、fasternet的整體架構，它有四個層級，每個層級前面都有一個嵌入層或一個合并層，用于空間下采樣和通道數量擴展，每個層級都包含一系列fasternet基本塊，即fasternet?block，每個fasternet?block包含一個部分卷積pconv層，后跟兩個逐點卷積conv?1×1，并且使用了shortcut以重用輸入特征；
10、所述部分卷積pconv是fasternet的核心內容，pconv的工作原理是在輸入通道的一部分上應用常規卷積conv，同時保持其余通道不變，這種方法減少了計算量和內存訪問，同時保持了特征圖的分辨率；pconv的計算復雜度低于常規卷積，但高于深度卷積/分組卷積，這樣在減少計算資源的同時提高了運算性能，此外，fasternet進一步將逐點卷積conv1×1附加到pconv之后，允許特征信息流經所有通道。
11、根據本專利技術優選的，所述增強型加權雙向特征金字塔網絡efpn的具體流程如下：
12、a)首先，通過1×1卷積操作將骨干網絡提取的特征層c2、c3、c4、c5標準化為統一的通道，由于不同特征層具有不同的分辨率，這些特征層通過上采樣或下采樣操作調整為相同的尺寸；
13、b)利用雙向加權特征金字塔網絡bifpn進行初步的特征融合，得到特征層c2′、c3′、c4′、c5′；
14、c)采用asff操作融合兩個層級的特征，通過以下方式獲得層l上融合后對應的特征向量
15、
16、式(1)中，表示從特征層n調整到特征層l的特征圖位置(i，j)處的特征向量；和分別是兩個不同特征層到特征層l的空間權重，這些權重由網絡自適應學習，并滿足以下約束條件：
17、
18、式(3)中，和是控制softmax函數的超參數；
19、d)最后，通過drm模塊處理asff操作后獲得的融合特征層，得到輔助分支，即特征層c2″、c3″、c4″以及c5″；每個輔助分支在經過上采樣或下采樣操作后，被添加到雙向加權特征金字塔網絡bifpn中的相應特征層，之后本文檔來自技高網...
【技術保護點】
1.一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述使用FasterNet改進Backbone是指：使用FasterNet替換了YOLOv8中原有的Backbone網絡CSPDarkNet53；
3.根據權利要求1所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述增強型加權雙向特征金字塔網絡EFPN的具體流程如下：
4.根據權利要求3所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述輔助分支對于不同的特征層采用不同的融合策略，具體如下：
5.根據權利要求4所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述DRM模塊包含許多擴張重參數塊DRB，所述擴張重參數塊DRB，包括一個擴張率為1的9×9卷積，兩個擴張率分別為1和2的5×5卷積，兩個擴張率分別為3和4的3×3卷積，這五個卷積的輸出在批量歸一化BN后通過求和進行組合；在推理過程中，通過結構重參數化技
6.根據權利要求1所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法，其特征在于，所述步驟S3具體如下：圖像輸入到模型后，模型首先通過FasterNet對圖像進行特征提取，生成不同層次的特征圖，并在FasterNet后進行空間金字塔池化SPPF操作；之后通過EFPN對不同層次的特征圖進行融合，整合低維細節信息和高維語義信息，豐富模型的多尺度表達能力；最終在Head層，通過四組不同的卷積組對輸入特征圖進行計算，并得出邊界框、類別概率和置信度分數。
7.一種電子設備，其特征在于，所述電子設備包括：
8.一種機器可讀存儲介質，其特征在于，所述機器可讀存儲介質上存儲有可執行指令，所述指令當被執行時使得所述機器執行如權利要求1至6中任一項所述的一種基于改進YOLOv8l的木材表面缺陷檢測方法。
...【技術特征摘要】
1.一種基于改進yolov8l的木材表面缺陷檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于改進yolov8l的木材表面缺陷檢測方法，其特征在于，所述使用fasternet改進backbone是指：使用fasternet替換了yolov8中原有的backbone網絡cspdarknet53；
3.根據權利要求1所述的一種基于改進yolov8l的木材表面缺陷檢測方法，其特征在于，所述增強型加權雙向特征金字塔網絡efpn的具體流程如下：
4.根據權利要求3所述的一種基于改進yolov8l的木材表面缺陷檢測方法，其特征在于，所述輔助分支對于不同的特征層采用不同的融合策略，具體如下：
5.根據權利要求4所述的一種基于改進yolov8l的木材表面缺陷檢測方法，其特征在于，所述drm模塊包含許多擴張重參數塊drb，所述擴張重參數塊drb，包括一個擴張率為1的9×9卷積，兩個擴張率分別為1和2的5×5卷積，兩個擴張率分別為3和4的3×3卷積，這五個卷積的...
【專利技術屬性】
技術研發人員：郝鳳琦，夏俊杰，白金強，郭渝豪，張讓勇，孟慶龍，
申請(專利權)人：齊魯工業大學山東省科學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。