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！

龙图腾网恭喜山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)申请的专利一种基于改进YOLOv5l网络的木材表面缺陷检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114359235B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210015819.X，技术领域涉及：G06T7/00；该发明授权一种基于改进YOLOv5l网络的木材表面缺陷检测方法是由程大全;程广河;郝凤琦;孙瑞瑞;王星星设计研发完成，并于2022-01-07向国家知识产权局提交的专利申请。

本一种基于改进YOLOv5l网络的木材表面缺陷检测方法在说明书摘要公布了：本发明涉及一种基于改进YOLOv5l网络的木材表面缺陷检测方法，该方法包括：获取公开的木材缺陷数据集作为数据集一。构建改进的YOLOv5l网络模型，利用数据集一对改进的YOLOv5l网络模型进行训练，得到训练好的网络模型model1。采集实景木材数据作为数据集二，数据集二分为训练集、验证集和测试集。采用model1对测试集进行预测，将测试集中带有缺陷的木材图像标记上标签，将大于设定预测阈值的标签作为伪标签。将数据集二中的训练集和测试集微调后来训练model1，得到model2，采用验证集在model1与model2中选择出最佳的网络模型。利用最佳网络模型对木材表面缺陷进行检测。本发明能够对各种类别的木材表面缺陷进行检测，有效提高了识别准确率和识别效率。

本发明授权一种基于改进YOLOv5l网络的木材表面缺陷检测方法在权利要求书中公布了：1.一种基于改进YOLOv5l网络的木材表面缺陷检测方法，其特征在于，该方法包括以下步骤：S1、获取公开的木材缺陷数据集作为数据集一，对数据集一中的图像和标签进行处理；S2、利用改进的YOLOv5l网络模型对数据集一进行预训练，先将数据集一中的图像进行统一缩放并送入改进的YOLOv5l网络模型中，YOLOv5l网络模型先根据木材缺陷图像的大小，采用自适应锚框方法选择合适的锚框，并通过Backbone层进行特征提取，提取木材缺陷图像的特征图，再通过Neck层将上层的特征图进行图像特征混合和组合，最后通过输出层对图像特征进行预测，并采用NMS方式对多个预测框进行筛选，在筛选过程当中采用NWD计算方法生成边界框和预测类别，得到训练好的网络模型model1；其中，所述改进的YOLOv5l网络模型中的FPN结构的连接层a由3个分支组成，分别为一个1×1的卷积层分支和2个空洞率分别为ar＝1，2的3×3卷积层分支；所述NWD计算方法为： 其中，C是与数据集相关的常数， 其中，cxa，cya，wa，ha代表预测框A的位置信息，cxb，cyb，wb，hb代表预测框B的位置信息，‖·‖F是Frobenius范数，Na表示预测框A的高斯分布模型，Nb表示预测框B的高斯分布模型，NWDNa,Nb表示预测框A与预测框B的相似度量值；S3、采集实景木材数据，作为数据集二，采用滑动窗口方式，在经步骤S1处理后的数据集一中随机选取若干图像进行裁剪，将图像中的缺陷部分单独裁剪下来，将裁剪下来的缺陷部分存入到数据集二中，对数据集二进行扩充；S4、将数据集二划分为训练集、验证集和测试集，其中，训练集和验证集为已将木材图像中的缺陷标记出来、图像带有木材缺陷标签，测试集未对木材图像中的缺陷进行标记，图像不带有木材缺陷标签，采用训练好的网络模型model1对测试集进行预测，对测试集中带有缺陷的木材图像标记上标签，并将大于设定预测阈值的标签作为伪标签；S5、将数据集二中的训练集和测试集整合后，输入到网络模型model1中对网络模型model1进行训练，得到训练好的网络模型model2，并通过验证集在网络模型model1与model2中选择出最佳的网络模型bestmode；S6、对网络模型bestmode进行本地部署，实时采集薄木板图像输入到网络模型bestmode中，网络模型bestmode输出木材表面缺陷的类别和数量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或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)，其通讯地址为：250000 山东省济南市经十路东首科学院路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。