买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院);临沂众为智能科技有限公司

摘要：一种基于改进DINO网络模型的木材表面缺陷检测方法，涉及基于深度学习的木板原材料表面缺陷检测的技术领域，包括：实地采集木材表面缺陷数据集；对数据集进行预处理；对数据集进行标注、数据增强和划分；设计基于改进DINO的木材表面缺陷检测模型；利用训练集、验证集对DINO模型进行训练和验证；根据实验结果进行模型调优；利用调优好的模型进行木材缺陷检测。本发明有效提高了木材表面缺陷检测的识别准确率和识别效率，同时模型可以在极少训练轮数下达到收敛，极大降低了模型训练时间，并且模型具有较低的计算量，易于工业现场的木材缺陷实时检测。

主权项：1.一种基于改进DINO网络模型的木材表面缺陷检测方法，其特征在于，包括：步骤一：采集木材表面缺陷数据集；步骤二：对木材表面缺陷数据集中的图片进行预处理，以删除干扰图片；步骤三：数据集的标注、数据增强与划分：对数据集中的缺陷进行缺陷类别和缺陷位置的标注；扩充数据集，再将数据集划分为训练集、验证集和测试集；最后将木材表面缺陷数据集导出为数据集格式，优选为coco数据集格式；步骤四：构建基于改进DINO的目标检测网络模型：原始DINO模型包含一个backbone层、一个多层Transformer-Encoder、一个多层Transformer-Decoder和多个FFN预测头，并且带有positionencoding、MixedQuerySelection；在原始DINO模型中加入改进的骨干网络convnext-tiny；步骤五：利用改进的DINO网络模型对木材表面缺陷数据集进行训练：将导出后的coco数据集格式的木材表面缺陷数据集中的RGB图像输入至改进的DINO网络模型中：首先，利用所述backbone层提取木材表面缺陷图像的特征图；其次，利用原始DINO模型中的位置编码PositionalEncoding为所述特征图加入位置信息，将带有位置信息的特征图按照像素展平，输入至所述多层Transformer-Encoder中进行特征增强，最终得到所述Transformer-Encoder的输出作为第一输出；然后，利用原始DINO模型的MixedQuerySelection方法筛选出所述第一输出中出现木材表面缺陷的前K个位置，英文为positionqueries；利用所述前K个位置进行初始化锚框anchorboxesx，y，w，h，其中x和y为锚框anchorbox的中心点的坐标，h和w分别为锚框anchorbox的高和宽；同时把训练中学习到的特征作为内容查询contentqueries，将Transformer-Encoder的输出、positionqueries和contentqueries，三者一同输入至所述Transformer-Decoder中，其中原始DINO模型根据所述锚框anchorboxes的中心点x和y坐标来查找特征图中与该中心点对应位置的特征，根据所述内容查询anchorboxes的h和w用来调整transformer-Decoder中注意力机制的作用域范围，最终，利用上一步骤中所获得的Transformer-Encoder的输出、positionqueries和contentqueries，经过多层Transformer-Decoder的解码操作之后，再经过FFN预测头到最终的边界框和分类结果，经过训练后，得到训练好的改进DINO网络模型；步骤六：利用训练好的改进DINO网络模型进行木材表面缺陷的检测，得到最终的测试结果。

全文数据：

权利要求：

百度查询： 山东省计算中心(国家超级计算济南中心) 齐鲁工业大学(山东省科学院) 临沂众为智能科技有限公司 一种基于改进DINO网络模型的木材表面缺陷检测方法