本发明涉及表面缺陷检测，特别涉及一种人造板表面缺陷检测方法、装置、介质和设备。
背景技术：
1、人造板是制造业中常用的材料之一，在建筑、家具制造和装饰等多个领域得到了广泛应用。人造板表面缺陷检测是人造板生产过程中的关键步骤，通过检测并去除表面缺陷，可以避免将不合格的产品用于后续加工，不仅减少了原材料的浪费，还可以保证人造板的外观和质量满足客户对高品质产品的需求。目前，基于机器视觉和深度学习的缺陷检测方法正在逐渐取代传统的缺陷检测手段，为人造板生产企业带来了更高的检测效率和更低的运营成本。
2、yolov5网络(you only look once version 5)是一种高效的目标检测算法，它被精心设计用于快速准确地识别图像中的不同目标。该网络结构主要分为三个部分：主干网络(backbone)、颈部网络(neck)和头部网络(head)。主干网络负责从输入图像中提取丰富的特征信息，颈部网络则对提取的特征进行进一步的处理和融合，而头部网络则负责最终的边界框预测和类别判断。
3、但是，由于人造板表面的微小缺陷通常具有较低的灰度值对比度，这使得缺陷特征在图像中不够突出，难以与背景分离；这会导致在yolov5网络的特征提取过程中，微小缺陷的特征容易被忽略或丢失，从而难以识别出人造板表面的微小缺陷。
技术实现思路
1、基于此，为了解决现有技术中对人造板表面的微小缺陷识别精度不高的技术问题，本发明提供一种人造板表面缺陷检测方法、装置、介质和设备。
2、本发明提供了一种人造板表面缺陷检测方法，包括：
3、将原始yolov5网络中主干网络的c3模块替换为多轴频域加权模块以形成改进的主干网络，所述多轴频域加权模块包括依次连接的分割层、空频域特征提取层和融合层，所述空频域特征提取层包括并行的三个频域特征提取分支和一个空域特征提取分支；并构建包括改进的主干网络、原始yolov5网络中的颈部网络和原始yolov5网络中的头部网络构建改进yolov5网络；
4、采集表面存在缺陷的人造板图像用以构建数据集；使用数据集对改进yolov5网络进行训练，获得用于检测人造板表面缺陷的缺陷检测模型；
5、将待检测人造板图像输入到缺陷检测模型中，通过主干网络的输入层对待检测人造板图像进行卷积操作，获得多通道特征图；通过多轴频域加权模块的分割层对多通道特征图进行分割，获得四个分割特征图；通过多轴频域加权模块的三个频域特征提取分支将四个分割特征图中的三个分割特征图分别沿特征图高度维度、宽度维度和通道维度转化到频域，以在频域内沿不同的维度分离人造板表面缺陷特征对应的频域信号和人造板表面非缺陷特征对应的频域信号；通过多轴频域加权模块的空域特征提取分支对剩余的一个分割特征图在空间域内进行特征提取；通过多轴频域加权模块的融合层将频域特征提取分支的输出和空域特征提取分支的输出进行融合，获得空频域缺陷特征图；通过颈部网络对空频域缺陷特征图进行增强，获得增强缺陷特征图；通过头部网络对增强缺陷特征图进行识别，输出待检测人造板图像中的表面缺陷类型和表面缺陷位置。
6、进一步地，所述改进yolov5网络，还包括：
7、将原始yolov5网络中主干网络的cbs模块替换为自适应动态卷积模块；所述自适应动态卷积模块包括依次连接的卷积核动态加权层和自适应卷积层；所述卷积核动态加权层通过所提取的待检测人造板图像的特征，动态调整自适应卷积层中卷积核的权重，以适应待检测人造板图像中不同尺寸的缺陷，获得自适应动态卷积核；所述自适应卷积层通过将所述自适应动态卷积核与所述自适应动态卷积模块的输入特征进行卷积操作，获得保留待检测人造板图像中缺陷特征的特征图；
8、将原始yolov5网络中颈部网络的c3模块和conv模块分别替换为elan模块和自适应动态卷积模块；所述elan模块通过将主干网络输出的特征图分为不同的路径，以在每个路径学习人造板表面缺陷不同的特征模式；并将各路径的输出重新融合，以对主干网络输出的特征图中的缺陷特征进行增强。
9、进一步地，所述卷积核动态加权层，具体包括：
10、全局平均池化层，用于将输入特征汇聚成一个向量；
11、与全局平均池化层输出短连接的全连接层和激活函数，用于生成动态系数；
12、与激活函数输出端连接的加权层，用于将动态系数与卷积核权重进行逐元素相乘。
13、进一步地，所述频域特征提取分支，具体包括：
14、频域转换层，用于通过2d傅里叶变换将输入频域特征提取分支的特征图，从空间域像素特征转换为频域信号特征；
15、加权去噪层，用于对频域信号特征进行加权变换，以扩大缺陷所对应的频域信号特征与非缺陷所对应的频域信号特征之间的差异；并使用高斯滤波抑制加权后频域信号特征的噪声；
16、空间域转换层，用于使用二维离散傅里叶逆变换将频域信号特征转换为空间域像素特征。
17、进一步地，所述空域特征提取分支包括深度可分离卷积层。
18、本发明提供了一种人造板表面缺陷检测装置，包括：
19、模型构建模块，用于将原始yolov5网络中主干网络的c3模块替换为多轴频域加权模块以形成改进的主干网络，所述多轴频域加权模块包括依次连接的分割层、空频域特征提取层和融合层，所述空频域特征提取层包括并行的三个频域特征提取分支和一个空域特征提取分支；并构建包括改进的主干网络、原始yolov5网络中的颈部网络和原始yolov5网络中的头部网络构建改进yolov5网络；
20、模型训练模块，用于采集表面存在缺陷的人造板图像用以构建数据集；使用数据集对改进yolov5网络进行训练，获得用于检测人造板表面缺陷的缺陷检测模型；
21、缺陷检测模块，用于将待检测人造板图像输入到缺陷检测模型中，通过主干网络的输入层对待检测人造板图像进行卷积操作，获得多通道特征图；通过多轴频域加权模块的分割层对多通道特征图进行分割，获得四个分割特征图；通过多轴频域加权模块的三个频域特征提取分支将四个分割特征图中的三个分割特征图分别沿特征图高度维度、宽度维度和通道维度转化到频域，以在频域内沿不同的维度分离人造板表面缺陷特征对应的频域信号和人造板表面非缺陷特征对应的频域信号；通过多轴频域加权模块的空域特征提取分支对剩余的一个分割特征图在空间域内进行特征提取；通过多轴频域加权模块的融合层将频域特征提取分支的输出和空域特征提取分支的输出进行融合，获得空频域缺陷特征图；通过颈部网络对空频域缺陷特征图进行增强，获得增强缺陷特征图；通过头部网络对增强缺陷特征图进行识别，输出待检测人造板图像中的表面缺陷类型和表面缺陷位置。
22、本发明提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人造板表面缺陷检测方法。
23、本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述人造板表面缺陷检测方法。
24、本发明采用的上述至少一个技术方案能够达到以下有益效果：
25、在本发明提供的人造板表面缺陷检测方法中，通过将原始yolov5网络中主干网络的c3模块替换为多轴频域加权模块，对原始yolov5网络进行改进，以增强其对人造板表面的微小缺陷的检测能力。具体而言：多轴频域加权模块在空域和频域两个维度对微小缺陷特征进行深入提取；由于频域比空间域具有更强的信号分离能力，因此使用频域特征提取分支将空间域的特征图从三个不同维度转化到频域中进行特征提取，可以放大分离缺陷特征和非缺陷特征的能力，获得更详细的缺陷细节信息；同时，空域特征提取分支在空间域内进行特征提取，保留了缺陷的空间信息；将空域特征和频域特征进行融合，这种双域特征提取方式确保了能够全面地捕捉人造板表面的微小缺陷的特征，从而提高了表面缺陷的检测精度。
1.一种人造板表面缺陷检测方法，其特征在于，包括：
2.如权利要求1所述的人造板表面缺陷检测方法，其特征在于，所述改进yolov5网络，还包括：
3.如权利要求2所述的人造板表面缺陷检测方法，其特征在于，所述卷积核动态加权层，具体包括：
4.如权利要求1所述的人造板表面缺陷检测方法，其特征在于，所述频域特征提取分支，具体包括：
5.如权利要求1所述的人造板表面缺陷检测方法，其特征在于，所述空域特征提取分支包括深度可分离卷积层。
6.一种人造板表面缺陷检测装置，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～5任一项所述的方法。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～5任一所述的方法。
