本发明涉及实木板材缺陷识别，具体为一种基于深度学习的实木板材缺陷识别方法。
背景技术：
1、木材应用历史悠久，适用范围非常广泛，无论是家具还是书本都需要木材作为原材料，所以对木材的需求量也极大；但工业收集到的木材原材料存在品质参差不齐的问题，如许多木材表面带有节子、虫蛀和裂缝等缺陷；这些缺陷对木材的质量造成了一定的影响，对工业上木材的加工和处理造成了很大的阻碍，极大地降低了木材加工的效率，耗费大量的木材资源；所以木材缺陷检测分类技术成为学者研究的重要课题，受到普遍关注与重视，希望尽可能提高木材加工效率，促使资源价值最大化。
2、目前木材缺陷检测分类还主要依赖于人工挑选，这种检测方法存在较大的主观误差等缺点，而且人眼会产生疲劳，所以这种方法无法满足工业生产的检测质量分级的需求；再加上人力成本越来越高，导致木材加工的成本也越来越高，标准也无法统一，实际检测分类难以保证足够精度。
技术实现思路
1、因此，本发明解决了现有技术中木材缺陷检测分类还主要依赖于人工挑选，这种检测方法存在较大的主观误差等缺点，而且人眼会产生疲劳，无法满足工业生产的检测质量分级的需求，同时人力成本越来越高，导致木材加工的成本也越来越高，标准也无法统一，实际检测分类难以保证足够精度的技术问题；本发明提供的一种基于深度学习的实木板材缺陷识别方法可以提高实木板材缺陷检测效率与检测精度。
2、本发明的发明思想为：利用激光轮廓和色彩扫描仪获取实木板材的轮廓和色泽信息，并将这些信息传递给计算机图像处理系统，图像处理系统将实木板材图像切割为与剔除要求对应的像素块，并提取空间纹理特征构建机器学习模型，对实木板材有无缺陷进行二分类训练，再对有缺陷的实木板材进行更深一步的缺陷特征提取，从而实现实木板缺陷的在线分类识别。
3、本发明提供的一种基于深度学习的实木板材缺陷识别方法，包括如下步骤：
4、s1：采集实木板材的彩色图像；
5、s2：利用彩色图像获得像素块；
6、s3：利用神经网络架构搜索算法nas构建实木板材二分类网络，实现含缺陷实木板材和无缺陷实木板材的分类；
7、s4：二分类网络中引入置信度优化策略，保证将所有含缺陷实木板材像素块筛选出来；
8、s5：二分类网络将提取含缺陷实木板材的空间纹理特征，并引入多通道优化策略将较为明显的空间纹理特征筛选出来；
9、s6：将筛选出的空间纹理特征和含缺陷实木板材的像素块输入到缺陷检测神经网络，进一步完成实木板材缺陷特征的提取与识别，实现实木板材缺陷的位置、形状和种类的识别。
10、优选地，所述s3中，实木板材二分类网络构建包括如下步骤：
11、s31：结合判断实木板材有无缺陷的任务属性，确定神经网络架构搜索算法的搜索空间；
12、s32：进一步确定神经网络架构搜索算法的搜索策略，采用如下公式：
13、
14、式中，是具有体系结构的网络，na是所有可能的网络体系结构的集合，cvalid是验证数据集上的评估标准，w*代表网络的最佳权重值，ltrain是训练数据集上的损失函数；s.t.指subject to(受限制于)argmin()函数表示一个函数在其定义域中取得最小值的参数值。
15、s33：比较二分类网络实现区分有无缺陷实木板材像素块的准确率和速度来作为二分类网络的性能评估策略，考虑到二分类网络的检测准确率和检测速度，通过设计适应度值f将这两种影响因素都考虑进去，f表示为：
16、f＝2-fs-facc
17、其中，fs代表了模型检测速度的适应值，facc表示模型的平均检测准确率；
18、
19、其中，f、fmax和fmin分别代表模型的浮点运算flop的数量以及所有可能的神经体系结构的浮点运算的最大值和最小值，α和β是用于缩放浮点运算值的参数。
20、优选地，所述s33中的浮点运算值的计算公式如下：
21、
22、其中，flopsconv是卷积层的浮点运算值，flopsmaxp是最大池化层的浮点运算值；h、w和cin分别是一张特征图像的高度，宽度和输入通道数；k代表的每个网络层的内核大小；cout表示输出通道数；
23、架构空间中的网络最大层数为n，并且每个卷积层具有相同的填充，获得如下表达式：
24、
25、其中，h、w和d分别是输入图片的高度，宽度和深度；k表示各层的内核大小；c代表特征的输入通道；
26、适应度值的另一个因素是模型的平均准确率，其定义为：
27、
28、其中，是类别的分类正确的数量，ci是类别的总数，cn代表类别的总数。
29、优选地，所述s4中引入置信度优化策略：
30、
31、其中，y1和y2是每个类别的输出，α是用户选择的置信度，r是结果。
32、优选地，所述s1中利用激光轮廓和色彩扫描仪采集实木板材的彩色图像。
33、优选地，所述s2中彩色图像通过20*20像素尺寸分割的方法获得像素块。
34、优选地，所述s1中，在采集实木板材的彩色图像后对彩色图像进行校正处理。
35、本发明相较于现有技术具有如下优点：
36、1.本发明提供的基于深度学习的实木板材缺陷识别方法，在传统的缺陷检测算法前端引入二分类网络，通过该网络提前完成含有缺陷木材和无缺陷木材的分类，有效减少了缺陷检测算法资源的浪费，提高实木板材缺陷识别的效率。
37、2.本发明提供的基于深度学习的实木板材缺陷识别方法，利用神经网络架构搜索算法和遗传算法，根据二分类网络的实际需求确定网络架构搜索算法的搜索空间和评估策略，实现实木板材二分类算法的最优化，既保证了两种木材分类的准确性，又保证了二分类算法的识别速度。
38、3.本发明提供的基于深度学习的实木板材缺陷识别方法，在二分类算法网络架构搭建完成后，引入置信度优化策略，以略高的虚警率为代价来更精确地发现含缺陷实木板材，提高该方法在工业生产中的稳定性。
39、4.本发明提供的基于深度学习的实木板材缺陷识别方法，引入多通道选择优化策略，对冗余的多通道图像特征进行轻量化的优化，优化后的模型在检测速度上都有很明显的提升。
1.一种基于深度学习的实木板材缺陷识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s3中，实木板材二分类网络构建包括如下步骤：
3.根据权利要求2所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s33中的浮点运算值的计算公式如下：
4.根据权利要求1所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s4中引入置信度优化策略：
5.根据权利要求1所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s1中利用激光轮廓和色彩扫描仪采集实木板材的彩色图像。
6.根据权利要求1所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s2中彩色图像通过20*20像素尺寸分割的方法获得像素块。
7.根据权利要求1所述的基于深度学习的实木板材缺陷识别方法，其特征在于，所述s1中，在采集实木板材的彩色图像后对彩色图像进行校正处理。
