(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210371502.X (22)申请日 2022.04.11 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 申请人 广东鑫光智能系统有限公司 (72)发明人 陈翔　安小洁　陈华生　江俊锋　 谢晓华　付明涛　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 梁嘉朗 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/46(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06T 7/00(2017.01) G06T 3/40(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种面向家具板材的瑕疵检测方法、 系统及 装置 (57)摘要 本发明公开了一种面向家具板材的瑕疵检 测方法、 系统及装置， 该方法包括： 获取样本图像 并对样本图像中的瑕疵进行标注， 得到瑕疵标 签， 进而构建样本数据集并对样 本数据集进行切 片和随机划分， 得到训练数据集和测试数据集； 对训练数据集进行数据预处理并基于预处理后 的训练数据集对 预构建的检测器进行训练， 得到 瑕疵检测模 型； 基于瑕疵检测模 型对测试数据集 依次进行特征提取、 分类、 回归处理和非极大值 抑制处理， 得到瑕疵 检测结果。 该系统包括： 图像 采集模块、 预处理模块、 瑕疵检测模型训练模块 和瑕疵检测模块。 通过使用本发明， 能够实现在 采样条件有 限的情况下对包含复杂纹理的板材 表面瑕疵进行精准定位与分类 。 权利要求书2页 说明书6页 附图2页 CN 114743102 A 2022.07.12 CN 114743102 A 1.一种面向家具板材的瑕疵检测方法， 其特 征在于， 包括以下步骤： 获取样本图像并对样本图像中的瑕疵进行 标注， 得到 瑕疵标签； 根据样本图像和瑕疵标签构建样本数据集并对样本数据集进行切片和随机划分， 得到 训练数据集和 测试数据集； 对训练数据集进行 数据预处 理， 得到预处 理后的训练数据集； 基于预处 理后的训练数据集对预构建的检测器进行训练， 得到 瑕疵检测模型； 基于瑕疵检测模型对测试数据集依次进行特征提取、 分类和回归处理， 得到瑕疵候选 信息； 基于非极大值抑制方法对瑕疵候选信息进行筛 选， 得到瑕疵检测结果。 2.根据权利要求1所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述瑕疵标签 包括每个瑕疵所在矩形框区域在图像中左上角的坐标、 右下角的坐标和瑕疵的类别。 3.根据权利要求1所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述对训练数 据集进行 数据预处 理包括数据扩充和数据增强。 4.根据权利要求1所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述根据样本 图像和瑕疵标签构建样本数据集并对样本数据集进行切片和随机划分， 得到训练数据集和 测试数据集这一步骤， 具体包括： 对样本数据集中的图像数据进行两次切片， 得到第 一规格的切片数据和第 二规格的切 片数据； 对第一规格的切片数据进行黑 边裁剪， 对第二 规格的切片数据进行保留黑 边； 将切片数据进行合并 并剔除重复样本， 得到样本组； 将样本组按预设比例随机划分， 得到训练数据集和 测试数据集。 5.根据权利要求1所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述基于预处 理后的训练数据集对预构建的检测器进行训练的训练步骤， 具体包括： 基于改进的Reti nanet网络， 构建检测器； 将预处理后的训练数据集输入至检测器进行特征提取， 得到训练数据集的低层特征和 高层特征； 基于纹理抑制的方式将低层特 征和高层特 征进行融合， 得到融合特 征； 将融合特 征输入至FPN网络， 构建特 征金字塔； 将特征金字塔的每一层特征分别输入分类子网和回归子网， 检测不同尺寸的瑕疵目 标， 得到训练检测信息； 将训练检测信息与对应的瑕疵标签进行比对， 调整检测器的模型参数。 6.根据权利要求5所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述特征金字 塔引入注意力机制模块对特 征图中不同通道的特 征添加权值。 7.根据权利要求5所述一种面向家具板材的瑕疵检测方法， 其特征在于， 所述基于纹理 抑制的方式将低层特 征和高层特 征进行融合， 得到融合特 征这一步骤， 具体包括： 将特征提取网络ResNet的五个残差块作为特 征融合模块的输入； 基于卷积将第 一残差块输出和第 二残差块输出进行通道转换， 得到与第四残差块和第 五残差块输出的低层特 征的通道数一 致的第一残差块和第二残差块； 基于Relu激活函数对第一残差块输出和第二残差块输出分别进行降采样， 得到降采样权　利　要　求　书 1/2 页 2 CN 114743102 A 2后的第一残差块输出和第二残差块输出； 将降采样后的第 一残差块输出与第四残差块输出进行逐特征点比较并取交集， 得到第 一交集特 征； 将降采样后的第 二残差块输出与第五残差块输出进行逐特征点比较并取交集， 得到第 二交集特 征； 将第三残差块输出作为第 一特征， 将第 一交集特征与第四残差块输出进行特征相加作 为第二特征， 将第二交集特征与第 五残差块输出进行特征相加作为第三特征， 输入到后续 的特征金字塔网络 。 8.一种面向家具板材的瑕疵检测系统， 其特 征在于， 包括： 图像采集模块， 用于对家具板材表面瑕疵样本进行采样， 获取家具板材表面瑕疵的二 维图像； 预处理模块， 用于构建样本数据集并对样本数据集中的数据进行预处理， 得到预处理 后的样本数据集； 瑕疵检测模型训练模块， 基于预处理后的样本数据集对预构建检测器进行训练， 得到 针对家具板材表面瑕疵检测的权 重模型； 瑕疵检测模块， 基于瑕疵检测模型对测试数据集依次进行特征提取、 分类、 回归和非极 大值抑制处 理， 得到待测样本中所包 含瑕疵的位置和类别 信息。 9.一种面向家具板材的瑕疵检测装置， 其特 征在于， 包括： 至少一个处 理器； 至少一个存 储器， 用于存 储至少一个程序； 当所述至少一个程序被所述至少一个处理器执行， 使得所述至少一个处理器实现如权 利要求1‑7任一项所述 一种面向家具板材的瑕疵检测方法。权　利　要　求　书 2/2 页 3 CN 114743102 A 3