技术领域
[0001] 本发明设计属于木材缺陷智能检测领域，尤其涉及一种基于改进YOLOX模型的木材缺陷检测方法。
相关背景技术
[0002] 任何树种的木材都可能存在缺陷，木材中缺陷的种类和数量往往因木材的遗传因子、立地条件、生长环境、储存和加工条件等不同而可能有较大差别。在木材工业生产过程中，锯材往往存在许多表面缺陷，如结节、裂纹、夹皮、虫洞等，这些缺陷会破坏木材外观的一致性和完整性，降低木材的强度和商品价值。在木材工业生产过程中，工人需要将根据缺陷的种类和数量对木材的品质进行分拣、截距，为进一步加工生产做准备，因此木材表面缺陷检测是木材加工过程中重要的步骤之一。
[0003] 随着传感器技术和计算机技术的飞速发展，相关无损检测技术逐渐应用到木材检测领域，传统的木材缺陷检测方法有激光检测、超声波检测、X射线检测、红外检测等，但因设备成本高，检测速度慢，不适宜大范围推广。近些年来基于机器视觉的图像检测技术发展迅速，机器视觉技术可以从丰富的图像信息中提取感兴趣区域，在工业制造、农业生产、医学检测等领域已经有广泛应用。传统机器视觉方法经过图像的灰度变换、平滑滤波、阈值分割、边缘检测以及轮廓提取，识别木材缺陷，这种方法处理的过程繁琐，识别精度底，抗噪声能力弱，随着生产力的提升，慢慢无法满足制造业的需求。近几年，深度学习技术飞速发展，应用深度学习来实现木材缺陷检测的方法也不断涌现。深度学习方法在林业研究中受到青睐，主要是因为深度学习的结构模型在解决高维数据方面具有明显的优势。其工作原理是模仿人类思维特征，采用端到端的多隐藏层和逐层学习，从浅层到深层挖掘和学习数据特征，更适合大数据和一些复杂情况。卷积神经网络由于其显著的特征提取和图像分类能力，广泛应用于木材缺陷检测领。
具体实施方式
[0026] 下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0027] 如图1所示,本发明的一种基于改进YOLOX模型的木材缺陷检测方法,具体包括如下步骤:
[0028] 步骤一：采集木材图像数据，标注并划分数据集为训练集、验证集和测试集；
[0029] 数据集为木材加工厂采集的木材缺陷图片，包括活节、死结、夹皮、裂纹四类；
[0030] 步骤二：将标注完成的木材缺陷数据集，对木材图像进行数据增强；
[0031] 数据扩充方法包括对颜色、亮度、饱和度的处理，尺度变换、动态Resize、图像翻转、色域扭曲旋转图像、翻转图像、改变图像的亮度、改变图像的对比度、改变图像的中心尺寸、对图像添加高斯噪声、对图像进行随机擦除，使用单一或多种方法结合。
[0032] 步骤三：构建目标检测卷积神经网络；
[0033] 在改进的的YOLOX‑s模型，如图2所示；
[0034] 在骨干部分，YOLOX‑s先使用了Focus网络结构扩充特征信息，然后使用CSPDarknet为主干特征提取网络，输入的图片首先会在CSPDarknet里面进行特征提取，提取到的特征可以被称作特征层，是输入图片的特征集合；在骨干部分，获取了三个特征层进行下一步网络的构建，这三个特征层称它为有效特征层；
[0035] 在Neck部分，FPN(Feature Pyramid Networks)可以被称作YOLOX的加强特征提取网络，在主干部分获得的三个有效特征层会在这一部分进行特征融合，特征融合的目的是结合不同尺度的特征信息；
[0036] 加入ECA注意力机制模块，增加网络对重点信息的关注能力，提升了各缺陷的平均召回率，将注意力模块ECA放在Backbone的底部，如图3所示；
[0037] 加入ASFF自适应特征融合，进一步过滤筛选信息，这种方法可以直接学习如何对其它层上的特征进行过滤，保留有用的信息进行自适应特征融合，提升了mAP，如图4所示；
[0038] 其中X1,X2,X3分别为来自Level1,Level2,Level3的特征，与为来自不同层的特征乘上权重参数α3，β3和γ3并相加，就能得到新的融合特征ASFF‑3，如下式；
[0039] y3＝X1×α3+X2×β3+X3×γ3
[0040] 因为采用相加的方式，所以需要相加时的level1～3层输出的特征大小相同，且通道数也要相同，需要对不同层的feature做upsample或downsample并调整通道数；
[0041] 步骤四：对模型进行预训练，预训练使用网上公开的木材数据集，得到多个针对不同缺陷类型的目标检测模型；
[0042] 损失函数综合考虑边框的面积、中心点距离、长宽比，损失函数经历了一系列的进化，选择现阶段表现最好的EIoU替换原IoU损失函数；
[0043] 交并比(IoU)的定义，其主要用来评估预测的预测框与真实框之间的重合程度，计算公式如下式；
[0044]
[0045]
[0046] 式中： w、h为框的宽高，Cw和Ch是覆盖两个 Box的最小外接框的宽度和高度；EIoU损失函数定义为：
[0047]
[0048] 数据集中裂缝和夹皮相对于结节少很多，另外在预测中无缺陷对于有缺陷也是不平衡的，Focalloss 可以缓解正负样本不均衡问题，提高准确率。改进判断目标框中是否有物体的预测loss函数，BCELoss改为FocallLoss。Focalloss提出的思想，对于正负样本不均衡使用权重因子α，γ来平衡损失，为了方便描述定义了pt，αt，如下式表示；
[0049]
[0050]
[0051] FL(pt)＝‑αt(1‑pt)γlog(pt)
[0052] 式中：y∈{±1}是真实框的类别，p,α∈[0,1]是模型对带有y＝1标签的概率估计；
[0053] 步骤五：将扩充完成的数据集放入预训练的模型进行训练，改进参数得到最优模型；
[0054] YOLOX‑S超参数设置：输入图像像素尺寸640*640，冻结训练30轮batch_size32，解冻训练70轮 batch_size4，num_workers2，Adam优化器，衰减权重系数5*10‑4初始学习率1*10‑5，测试集测试的时候设置IoU阈值为0.5进行试验。在训练时，运用迁移学习的思想，因为神经网络主干特征提取部分所提取到的特征是通用的，冻结起来训练可以加快训练效率，也可以防止权值被破坏。在冻结阶段，模型的主干权重被冻结了，特征提取网络不发生改变，占用的显存较小，仅对网络进行微调。在解冻阶段，模型的主干权重不被冻结了，特征提取网络会发生改变。占用的显存较大，网络所有的参数都会发生改变。前30 轮冻结训练，损失下降速度快，后70轮解冻训练，网络不断微调，60轮后验证集的损失变化不大。
[0055] 步骤六：运用训练好的模型进行木材的缺陷检测；
[0056] 检测的结果图，如图5所示。
