[发明专利]一种基于改进Mask R-CNN的木材缺陷识别和分割方法

说明书

本发明涉及一种基于改进Mask R‑CNN的木材缺陷识别和分割方法，本发明的目的是为了解决缺陷识别中的数据集不平衡和数据量偏少，缺陷检测效率低的问题。过程为：1.采集数据集；2.平衡数据集样本；3.扩充数据集数量；4.将数据集进行划分并制作成所需格式；5.选定检测网络的结构；6.将数据集输入网络模型，使用Momentum优化方法，训练网络20000次；7.每训练1000次，模型对验证集进行检测，选取20次中检测精度最高的模型作为训练好的检测模型；8.使用训练好的模型对测试集进行检测，得到模型的精度和召回率以及模型的检测效果图；本发明使用人工智能的方法同时完成缺陷的分类，缺陷的位置检测和缺陷的轮廓分割，适用与木材工业加工线对木材缺陷的快速处理。

技术领域：

本发明属于木材缺陷自动化检测领域，尤其涉及一种基于改进Mask R-CNN的木材缺陷识别和分割方法。

背景领域：

木材缺陷的快速检测和分割，一直是工业缺陷检测领域急需解决的难题。木材在生长过程中会出现结节，裂缝等天然缺陷和虫害等自然缺陷，这些木材在加工过程中，需要对缺陷进行识别，不同的缺陷会有不同的加工方案，同时需要对缺陷轮廓进行分割以填充完好的木料，供进一步加工使用。传统上使用熟练的工人人眼检测，但是劳动强度大，效率低，而且人眼会出现疲劳和误检。

随着机器视觉的发展，给缺陷自动化检测提供了新的方案。传统机器视觉手工提取缺陷的大小、形状、颜色等特征，建立特征库，使用支持向量机等进行识别，但是依赖手工设计的特征而且复用性较差。到了现在，卷积神经网络在图像识别领域展现出的巨大优势，使用卷积神经网络算法识别缺陷成为主流，如YOLO系列算法，RCNN系列算法，实现了不错的精度。但是在木材缺陷识别领域还有很多需要解决的问题。

缺陷检测本质上属于小数据集检测，而且缺陷种类也是极度不平衡的。现在的神经网络算法使用的数据集，如Pascal Voc、Microsoft Coco都属于大型数据集，而且都是日常生活中拍摄的图片，如交通公具、生活用品、人等，而且种类之间一般是均衡的，它们的特征区别很明显，在神经网络中很容易区分。但是放在缺陷检测领域，此任务会很困难，首先缺陷的背景相似，裂缝和虫害造成的缝隙特征相似，然后是大数据的获取是困难甚至不现实的，最后是缺陷种类的不平衡会严重影响算法的性能。

同时目前的算法往往局限与单方面的任务，或实现缺陷分类、或实现缺陷的位置检测、或实现缺陷分割，这样的化就需要多个算法配合才能实现所有任务，造成很大的浪费。

发明内容：

本发明的目的是为了从根本上解决木材缺陷数据集样本不平衡，数据量偏少的问题，同时改进Mask R-CNN网络同时实现木材缺陷的分类、检测和分割，为缺陷的准确识别和缺陷轮廓的准确分割提供有力保证，极大降低了人工劳动成本，提高了检测的成功率和效率。

一种基于改进Mask R-CNN的木材缺陷识别和分割方法具体过程为：

步骤1.采集数据集：

在木材加工流水线上拍摄收集木材缺陷数据集，选择样本数量较多的裂缝，结节和虫害作为缺陷检测对象；

步骤2.平衡数据集样本：

使用对抗式生成网络，生成新的裂缝和虫害样本，平衡数据集样本的数量；

步骤3.扩充数据集数量；

步骤4.将数据集进行划分并制作成所需格式；

步骤5.选定检测网络的结构；

步骤6.将数据集输入网络模型，使用Momentum优化方法，训练网络20000次；

步骤7.每训练1000次，模型对验证集进行检测，选取20次中检测精度最高的模型作为训练好的检测模型；