基于分布一致性引导的跨木种木材表面缺陷分割方法及系统
本发明属于工业材料表面缺陷检测,具体涉及一种木材表面缺陷的跨木种检测方法及系统。
背景技术:
1、木材表面缺陷检测是木材加工的关键步骤,高效准确的检测方法对于提高生产效率和确保产品质量至关重要。然而,在实际应用过程中,木材种类的多样性和纹理的复杂性给模型的泛化性能带来了巨大挑战。这种木种改变所产生的域偏移问题使得在已有木种数据上完成训练的检测模型在新木种上的检测性能大幅下降,从而难以满足工业检测要求。
2、在木材工业中,用于加工的木材种类繁多,不同木材种类所具有的背景纹理各不相同,从而导致特征提取不一致。此外,这些复杂的背景纹理与一些缺陷极为相似,可能会使网络难以区分缺陷区域和正常区域,从而频繁出现误检测。其次,木材缺陷的形状多种多样,存在类内差异和类间相似性。这种复杂性在不同的木材种类下表现得尤为明显,进一步增加了准确识别木材缺陷的难度。
3、基于分布一致性引导的跨木种木材表面缺陷分割方法采用smt-tiny作为主干网络,通过木种对抗策略抑制域私有特征的生成,引导模型提取泛化性特征,并结合像素级的多类别分布差异最小化方法以优化特征分布,增强类内一致性和类间判别性。在识别未见木种数据时,模型的泛化性能显著增强,有效降低了工业检测模型的训练成本,为木材工业自动化质检提供了高效解决方案。
4、中国专利申请号为:cn202411707363.9,名称为:一种木材表面缺陷检测方法、系统、介质及设备。该方法利用反深度可分离茎模块提取图像的特征图并进行特征聚合,得到第一特征图;经过矩形自校准模块提取全局特征,形成第二特征图,再使用自适应频率注意力网络模块提取第二特征图的关键频率成分并输出第三特征图;将第三特征图输入到频率增强通道注意力模块中,得到第四特征图;将第四特征图与第一特征图融合,得到第五特征图,最终输出最终识别的树皮缺陷区域。然而该方法未考虑到木种差异带来的域偏移问题,泛化性能有限。
5、中国专利申请号为:cn202510381835.4,名称为:一种木板表面缺陷检测方法、系统及存储介质。该方法利用改进inceptionnext网络替换yolov8模型的主干网络,得到木材缺陷检测模型;通过采用深度可分离卷积和多尺度特征提取来提高缺陷检测精度,减少卷积操作中计算量,保留图像中更多的局部特征信息。然而该方法基于单一木种数据进行训练,难以有效泛化到新型木种的缺陷检测任务中。
技术实现思路
1、本发明的目的在于提出一种基于分布一致性引导的跨木种木材表面缺陷分割方法及系统,以实现木材表面缺陷的像素级语义分割。首先采用smt-tiny作为主干特征提取网络提取多尺度特征,而后设计了上采样融合模块,通过跳跃连接和自上而下的融合策略构建特征解码器,从而得到缺陷类别预测结果。在此基础上,引入木种对抗分支,并设计了自适应木种判别器,结合梯度反转策略抑制主干网络生成干扰特征。此外,针对分类特征,引入多类别分布差异最小化损失,利用希尔伯特空间优化特征距离,提高缺陷特征的一致性和泛化性。将本发明应用于木材表面缺陷的检测中,能够有效克服域偏移问题和木材缺陷多样性和复杂性,提高缺陷检测的准确性和泛化性。
2、为实现上述目的,本发明的技术方案如下:
3、基于分布一致性引导的跨木种木材表面缺陷分割方法,包括以下步骤:
4、s1:获取木材缺陷图像数据集,所述数据集中的每个图像样本标注有多类别像素级标签和木种类别标签,所述多类别像素级标签包括多种缺陷类别及背景类别;根据多类别像素级标签获得二分类标签,所述二分类标签用于区分各像素点为缺陷像素或背景像素;
5、s2:构建缺陷分割网络,用于提取图像样本的多尺度特征并进行特征融合,以基于融合特征进行像素级分类,得到图像样本的缺陷分类预测结果;
6、s3:构建对抗网络,将缺陷分割网络提取的浅层特征经梯度反转层处理后输入对抗网络,进行木种类别判别,得到图像样本的木种类别预测结果;
7、s4:根据缺陷分类预测结果与多类别像素级标签计算分割损失;根据融合特征与多类别像素级标签计算多类别分布差异损失;根据木种类别预测结果与木种类别标签,并结合二分类标签中各样本的缺陷区域占比计算木种对抗损失;将分割损失、多类别分布差异损失和木种对抗损失进行加权求和,得到总损失,以联合优化缺陷分割网络和对抗网络;
8、s5:将待检测木材图像输入经联合优化后的缺陷分割网络,得到木材表面缺陷的像素级分割结果。
9、优选的,所述缺陷分割网络包括:
10、主干特征提取网络,用于对输入图像进行特征提取,输出多尺度特征;
11、通道调整层,用于对多尺度特征中除浅层特征外的其余特征进行通道数调整,使其与浅层特征的通道数一致;
12、特征解码器,用于对通道调整后的多尺度特征进行自上而下的逐层融合,得到最终融合特征;
13、分类头,用于对最终融合特征进行卷积处理和上采样,输出缺陷分类预测结果。
14、优选的,所述主干特征提取网络为smt-tiny网络;
15、所述通道调整层为由卷积核尺寸为1×1的卷积操作、批归一化层和gelu激活函数组成的卷积层;
16、所述特征解码器的逐层融合过程表示为:
17、
18、
19、其中,为第层特征图,为上一层融合后的特征图,为第层融合后的特征图,为中间融合特征, 、分别表示尺寸大小为、的卷积核,表示通道方向的特征拼接操作,表示双线性上采样操作,表示像素级加法操作,表示由1×1卷积核、批归一化层及gelu激活函数组成的卷积层;
20、所述分类头的具体实现过程如下:
21、
22、其中,为最终融合特征,表示由3×3卷积核、批归一化层及gelu激活函数组成的卷积层,为输出的分类特征。
23、优选的,所述对抗网络包括:
24、木种特征提取器,用于对浅层特征进行下采样,并利用二分类标签剔除缺陷区域对应的特征,得到木种特征向量;
25、木种类别判别器,用于对木种特征向量进行特征整合,得到木种类别预测结果。
26、优选的,所述木种特征提取器的具体实现过程如下:
27、
28、其中,为浅层特征,为木种特征向量,表示特征展平操作,分别表示像素级的乘法与减法操作,表示由1×1卷积核、批归一化层及gelu激活函数组成的卷积层,为二分类标签;
29、所述木种类别判别器对于木种特征向量,采用三个连续的全连接层完成特征整合,得到木种类别预测结果,各全连接层间依次加入gelu激活函数和dropout层,以防止特征过拟合。
30、优选的,总损失函数具体如下:
31、
32、其中,为分割损失,为多类别分布差异损失,为木种对抗损失,和为对应的权值,其中每一权值,为训练代数,为对应权值上限。
33、优选的,分割损失具体计算如下:
34、
35、其中,为参与每轮迭代训练的样本数量,为样本索引,为第个样本的缺陷分类预测结果,为第个样本的多类别像素级标签,为交叉熵损失函数,为 dice损失函数。
36、优选的,多类别分布差异损失具体计算如下:
37、
38、其中,为类内损失,为类间损失,为边界超参数;
39、所述类内损失具体计算如下:
40、
41、其中,为缺陷类别数量,为缺陷类别索引,表示从个元素中不重复地选出2个元素的组合方式总数,为核函数,的数值等于当前批次中包含第n类缺陷的样本数量,为样本索引,表示第个样本中属于第类缺陷的像素级特征向量的平均特征向量(同理):
42、
43、其中,为多类别像素级标签,表示像素属于缺陷类别,则表示不属于缺陷类别;代表最终融合特征在坐标处的特征向量,和分别表示浅层特征的宽度和高度;
44、所述类间损失具体计算如下:
45、
46、其中,表示从 个元素中不重复地选出2个元素的组合方式总数,为特征向量索引,表示所有样本下属于缺陷类别的特征向量的平均特征向量,表示当前批次中包含的缺陷类别数量。
47、优选的,木种对抗损失具体计算如下:
48、
49、其中,为参与每轮迭代训练的样本数量,为样本索引;为木种类别数,为木种类别索引;为木种类别标签,=1时表示第个样本属于木种类别,=0则不属于;表示在坐标处存在缺陷,则表示无缺陷;表示第个样本被预测为木种类别的概率,表示第个样本的权重系数,分别表示浅层特征的宽度和高度。
50、基于分布一致性引导的跨木种木材表面缺陷分割系统,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行任一上述的分割方法中的步骤。
51、相较于现有技术,本发明具有以下有益效果:
52、(1)本发明聚焦于木种变化带来的域偏移问题,提出了一种利用多木种进行模型训练的缺陷检测方法,在有效保证已见域检测精度的同时,有效提高了模型在未见域的缺陷检测性能。
53、(2)本发明结合域对抗策略设计了木种判别器,通过梯度反转策略反向抑制木种域私有特征的生成,引导模型提取更泛化的缺陷描述特征,有效提高了模型的泛化性能。
54、(3)本发明针对木材缺陷的类内差异性和类间相似性,提出了多类别分布差异度量损失,利用希尔伯特空间挖掘缺陷特征的潜在相似性和和差异性,在提高缺陷特征一致性的同时改善了缺陷的分割性能。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com