[发明专利]一种竹片缺陷检测方法、设备及存储设备

说明书

本发明公开了一种竹片缺陷检测方法、设备及存储设备，方法具体如下：采集竹片图像，并进行预处理，得到处理后的样本集；构建ResNet检测模型，采用Optuna算法获取模型超参数；利用超参数对检测模型进行优化，得到优化后的模型；应用优化后的模型进行竹片缺陷检测；设备及存储设备用以实现方法；本发明有益效果是：提高了竹片缺陷的检测精度。

技术领域

本发明涉及缺陷检测领域，尤其涉及一种竹片缺陷检测方法。

背景技术

竹筷加工过程包含选材、分类、净条、束直、烘干、切割等多道工序。一般在筷子初步成型获得半成品坯料时，为保证生产过程中后续的加工及质检等顺利进行，需要筛选以剔除具有弯曲、虫眼、筷身不饱满、头尾开裂、色斑等缺陷的筷子，为后续加工工艺节省大量时间。目前一般人工进行分拣和整理，检测效率低且耗费大量人工成本，或采用传统图像处理方式，检测准确率较低，不能满足生产需求。

发明内容

为了解决传统图像处理方式检测准确率较低的技术问题，本申请提供一种竹片缺陷检测方法，具体包括以下步骤：

S1、采集竹片图像，并进行预处理，得到处理后的样本集；

S2、构建ResNet检测模型，采用Optuna算法获取模型超参数；

S3、利用超参数对检测模型进行优化，得到优化后的模型；

S4、应用优化后的模型进行竹片缺陷检测。

一种存储设备，所述存储设备存储指令及数据用于实现一种竹片缺陷检测方法。

一种竹片缺陷检测设备，包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种竹片缺陷检测方法。

本发明提供的有益效果是：提高了竹片缺陷的检测精度。

附图说明

图1是本发明方法流程图；

图2是模型优化前示意图；

图3是模型优化后示意图；

图4是本发明实施例的硬件设备工作示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

本申请相关术语统一解释说明如下：

(1)Optuna：是一种用于超参数优化的开源框架，可以自动化地搜索神经网络模型的最佳超参数组合；

(2)ResNet(ResidualNeuralNetwork)是一种深度卷积神经网络模型，与传统的卷积神经网络相比，ResNet采用了残差学习(residuallearning)的方法，通过将多个残差块(residualblock)堆叠起来构建更深的网络，解决了深度神经网络容易出现梯度消失和梯度爆炸问题的困扰；

本发明提供了一种竹片缺陷检测方法，具体包括以下步骤：

S1、采集竹片图像，并进行预处理，得到处理后的样本集；

需要说明的是，首先将采集到的图片放到一个文件夹，对采集到的图片对这个文件夹的图像进行预处理，包括灰度变换、滤波、阈值分割等操作，目的是为了将目标图像与图像背景分开，能够更清晰的提取图像的边缘特征；

具体的，在预处理过程中，先进行灰度变化、滤波等一些列操作，采用自适应阈值将图像二值化，自适应阈值分割是一种基于图像局部灰度特征来确定阈值的图像分割方法，其基本思想是针对不同区域使用不同的阈值，以适应图像灰度值的变化。该方法的主要流程如下：

1、定义一个固定大小的滑动窗口，以此窗口为中心的像素点构成一个局部区域；