(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 202210805583.X (22)申请日 2022.07.08 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李东洁　张子磊　黄昊　胡军　 王宝刚　魏剑桥　郭雪凝　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 岳泉清 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于改进YOLOX模型的木材缺陷检测方 法 (57)摘要 一种基于改进YOLOX模型的木材缺陷检测方 法， 本发明的目的是为了解决现有缺陷检测方法 对缺陷识别的检测准确率低， 检测速度慢， 模型 计算量和参数量大， 难以工业应用的问题。 过程 为： 1.采集数据集； 2.对数据集进行数据增强处 理， 将数据集进行标注和划分； 3.设计改进YOL OX 目标检测模型， 设定模型参数； 4.将训练集输入 网络模型进行训练； 5.使用训练好的检测网络模 型对测试集的木材缺陷图片进行识别； 本发明提 高了木材检测的效率和准确率。 权利要求书2页 说明书4页 附图3页 CN 115222685 A 2022.10.21 CN 115222685 A 1.一种基于改进YOLOX模型的木材缺陷检测方法， 其特 征在于， 该 方法包括如下步骤： 步骤一： 采集木材图像数据， 标注并划分数据集为训练集、 验证集和测试集比例为6:2: 2； 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， 扩充数据集； 步骤三： 构建改进的YOLOX目标检测卷积神经网络； 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、 不同模型 大小的目标检测模型； 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； 步骤六： 运用训练好的模型进行木材的缺陷检测， 得到木材缺陷的种类、 位置、 大小和 数量。 2.根据权利要求1所述的一种基于改进YOLOX模型的木材缺陷检测方法， 其特征在于， 所述步骤二中数据增强和数据集扩充采用颜色、 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方法相结合的方法。 3.根据权利要求1所述的一种基于改进YOLOX模型的木材缺陷检测方法， 其特征在于， 所述步骤三中的网络模型基本结构为改进后的YOLOX ‑s模型， 主体包括输入图像大小为 640*640*3、 骨干特 征提取网络、 加强特 征提取网络和预测输出四部分； 骨干特征提取网络为YOLOX ‑s骨干网络， 包括一个Focus网络结构， 扩充特征信息， 将原 始特征变为1*32*320*320， 若干卷积层、 批归一化层、 Silu激活函数的堆叠， 残差网络层的 堆叠融合组成的CSPDarknet网络； Focus后紧跟dark含有一个CBL卷积模块和一个CSP ‑X模 块， CBL模块由一个卷积层、 归一化层、 Silu激活函数 组成； CSP ‑X模块由残差网络和CBL叠加 组成， X代表残差网络的个数； 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； 加强特征提取网络包括若干上采样层、 下采样层、 卷积层、 批归一化层、 激活层的堆叠， 残差层的堆叠， 其中激活函数为Silu函数； 预测输出部 分包括若干个卷积层的堆叠， 激活函 数为sigmoid函数； 三个有效特征层在这里融合， 置信度损失函数为Focalloss， 定位损失函 数为EIouloss； 在预测部分， 采用解耦头将 分类和回归这两部分分开， 然后使用Anchor  Free的方式输 出特征点， Si mOTA(Simple Optimal Transport Assignment)的方法建立Co st代价矩阵， 动 态匹配正负样本。 最 终的预测结果还要得分排序与非极大值抑制筛选出一定区域类得分最 大的框。 损失函数Focalloss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， FL(pt)＝‑αt(1‑pt)γlog(pt) 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；权　利　要　求　书 1/2 页 2 CN 115222685 A 2EIoU替换原I oU损失函数， 如下式表示， 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。 4.根据权利要求1所述的一种基于改进YOLOX模型的木材缺陷检测方法， 其特征在于， 所述步骤三中的网络模型中， 在加强特征提取网络部 分引入ECA有效通道注 意力机制， 将注 意力模块 放在骨干网络的底部， 三个融合特 征合并前， 增强网络对重点信息的关注能力。 5.根据权利要求1所述的一种基于改进YOLOX模型的木材缺陷检测方法， 其特征在于， 所述步骤三中的网络模 型中， 在加强特征提取网络的尾部， 预测输出部 分前， 引入ASSF自适 应特征融合模块， 保留有用的信息进行自适应特 征融合； 在PAFPN尾部添加ASF F模块， 将得到的结果输出 给Predicti on模块， AS SF由下表示， 表示从Level  n调整到Level  l特征图位置(i,j)处的特征向量。 表示第l层在 (i,j)位置的特征向量输出。 是网络自适应学习的三个不同L evel的特征图空 间 权重， 分别通过resize后的lev el1～level3的特征图经过 1×1的卷积得到的。 并且参数α， β 和γ经过拼接之后通过softmax使得他们的范围都在[0,1]内并且和为1。 6.根据权利要求1所述的一种基于改进YOLOX模型的木材缺陷检测方法， 其特征在于， 所述步骤四中预训练包括两种方式， 一种是使用网上公开数据集对目标检测模型初步构 建， 另一种包括冻结部 分权重进 行训练， 训练的前三分之一冻结部 分权重， 后面三分之二解 冻训练； 具体过程 为： 改进的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I oU阈值为0.5进行 试验。权　利　要　求　书 2/2 页 3 CN 115222685 A 3