基于机器视觉的实木板材缺陷检测系统研究.pdf
摘要
随着经济的发展，我国对木材的需求量不断增加，对木材加工和板材品质的
要求也不断提高。由于板材缺陷类型繁多、背景纹理复杂，导致目前基于传统方
法的板材缺陷检测效率低、成本高和可靠性差等问题。因此，本研究提出了一种
基于机器视觉结合深度学习算法的板材缺陷检测方法，该方法不仅能实现板材缺
陷快速高效的检测，而且对推动木材产业向智能化方向发展具有深远的意义。本
研究主要工作与创新如下：
（1）针对板材缺陷的检测准确率低、效率差等问题，提出了一种基于改进
YOLOv7-Tiny的板材表面缺陷检测算法。首先，使用归一化Wasserstein距离的度
量方法改进损失函数，提升模型对小目标的检测能力；其次，使用多样化分支模
块改进ELAN模块，并用于backbone的P2层和P5层，提升模型的特征提提取能
力；最后，对Neck部分进行轻量化，使用GSConv降低计算成本，并使用VoV-
GSCSP模块来加速推理。结果表明，改进后得到的NDG-YOLOv7-Tiny模型的
mAP0.5值为93.9%，比原模型提高了3.8%，参数量和计算量分别比原模型减少了
8.1%和10%；对比FasterRCNN、SSD和YOLOv5s模型，mAP0.5分别提高了
6.7%、6.1%和3.3%，模型参数量分别减少了86.6%、86.5%和21.3%。
（2）针对板材缺陷图像类别不均衡、数据量少和采集困难等问题，提出了
一种基于改进CycleGAN的数据增强算法。通过改进生成器和判别器，提升
CycleGAN的图像生成能力，并将生成的多类板材缺陷图像与其它数据集进行整
合，制作成多类板材缺陷数据集Multi-ClassWoodDefectDataset。通过对生成图
像的主客观评价与实验对比，验证了改进CycleGAN算法的有效性。
（3）提出了一种基于PCNDG-YOLOv7-Tiny的板材表面缺陷检测算法。通
过对NDG-YOLOv7-Tiny使用多类板材缺陷数据集进行训练，得到检测能力进一
步提升的CNDG-YOLOv7-Tiny模型，再对得到的模型进行稀疏训练和通道剪枝，
减少模型参数量和提升模型的检测速度。结果表明，PCNDG-YOLOv7-Tiny的
mAP0.5为94.3%，高于原始YOLOv7-Tiny模型4.31%，低于CNDG-YOLOv7-
Tiny模型0.84%，但检测速度提高了51.4%。
（4）设计并应用了视觉检测系统平台。通过平台整体设计，硬件选型与搭
建，采用Qt软件进行可视化平台开发以及结合深度学习算法，完成了机器视觉
板材缺陷检测系统。
关键词：实木板材；缺陷检测；深度学习；机器视觉
Abstract
Withthedevelopmentoftheeconomy,thedemandfortimberinourcountry
continuestoincrease,andtherequirementsfortimberprocessingandpanelqualityare
alsocontinuouslyimproving.Duetothediversetypesofdefectsinpanelsandthe
complexbackgroundtextures,thecurrenttraditionalmethodsforpaneldefectdetection
sufferfromlowefficiency,highcosts,andpoorreliability.Therefore,thisstudy
proposesapaneldefectdetectionmethodbasedonmachinevisioncombinedwithdeep