基于YOLOv5算法的板材质量视觉检测技术研究刘风华谢国贤肖浩南杨良生黎剑锋DOI：10.19850/j.cnki.2096-4706.2021.09.039摘要：对于家具板件自动化生产，快速、准确的板件质量检测系统是不可或缺的。以YOLOv5算法为基础对计算机辅助检查板件质量技术进行了研究。在机器学习算法的基础上，结合运动目标捕捉算法作为辅助检测方法，实现板件的识别和定位，然后通过OpenCV中的图像处理和轮廓识别方法来实现板件尺寸测量。该算法的板件识别率达98.33%，识别多种颜色板件外形长宽尺寸时，实测最大尺寸误差2.23mm，能满足家具板件生产质量检测的需求。关键词：机器视觉;YOLOv5;边缘检测;尺寸检测：TP277：A：2096-4706（2021）09-0149-05ResearchonVisualInspectionTechnologyofPlateQualityBasedonYOLOv5AlgorithmLIUFenghua1，XIEGuoxian2，XIAOHaonan2，YANGLiangsheng1，LIJianfeng1（1.GuangzhouKDTMachineryCo.，Ltd.，Guangzhou510535，China;2.GuangzhouWangshiSoftwareTechnologyCo.，Ltd.，Guangzhou510535，China）Abstract：Fortheautomaticproductionoffurniturepanel，fastandaccuratepanelqualityinspectionsystemisindispensable.BasedonYOLOv5algorithm，thetechnologyofcomputer-aidedinspectionofplatequalityisstudied.Onthebasisofmachinelearningalgorithm，combinedwiththemovingobjectcapturealgorithmasanauxiliarydetectionmethod，thepanelrecognitionandlocationwererealized.ThenthepanelsizemeasurementisrealizedbyimageprocessingandcontourrecognitioninOpenCV.Therecognitionrateofthealgorithmis98.33%.Whenrecognizingthelengthandwidthdimensionsofmulti-colorpanels，themeasuredmaximumdimensionerroris2.23mm，whichcanmeettheneedsoffurniturepanelproductionqualitydetection.Keywords：machinevision;YOLOv5;edgedetection;sizedetection0引言在板材加工过程中，由于加工工艺和机械精度的原因，产品难免会出现缺陷。为了确保产品质量，板件需要由工厂进行测试，在生产过程中盡可能减少不合格产品。传统人工视觉质量检查方法存在效率低、易出错和主观性大等问题。而机器视觉主要依靠计算机模拟人类视觉功能，能为板件质量检测提供优化解决方案，实现家具行业生产自动化。与传统的手工方法相比，机器视觉检测速度快、精度高、结果客观，可以快速、准确地检测板件的加工缺陷，并对缺陷参数进行综合分析，判断板件是否合格，且满足企业生产的长时间、高精度重复工作的要求[1]。质检系统的功能是将摄像头采集到的板件信息实时输出和检查。近年来，一些学者逐渐开展了使用机器视觉检测板件质量的研究。板件尺寸检测系统需要先通过摄像机获取工件的图像，然后进行相关的图像处理得出所需要的结果。唐小松[2]等介绍了一种利用面阵摄像机获取板件信息的系统，但该系统需要板件处于静止状态，难以满足工厂生产效率的需求。龚建钊[3]等提出了一种利用CCD线阵相机获取板件尺寸的尺寸检测系统，通过强曝光消除板件材质和环境光线的影响。邓斌攸[4]等通过预检系统获取板件材质信息，再通过线扫描相机获取板件图像。这两种系统都能实现板材的在线检测，并达到较高的精度。但由于线阵相机成本高，工厂实际应用门槛较高;此外，线阵相机对板件通过速度的稳定性要求较高，对抖动敏感，对作业环境有较高需求。本文提出一种能连续识别生产线中的板件，以及测量板件尺寸的在线尺寸检测系统。该系统通过机器学习算法实现板件识别，再通过图像处理技术进行尺寸检测。为了快速识别板件，板检测算法首先需要具备实时响应和高精度。现有的基于深度学习物体检测方法在汽车、人脸等识别上已经有广泛应用。卷积神经网络（CNN）作为深度学习的一种代表性算法，被广泛应用于目标识别[5]，其中YOLO算法[6]消除了候选区域的生成阶段，并将特征提取、回归和分类放入卷积网络中，从而简化了网络。尽管由于边界预测的时空限制的影响，它对小目标的检测效果不佳，但是它具有更快的检测速度，常用于车辆，无人机目标识别等项目[7，8]，能满足板件检测的实时性。1系统介绍本系统能以50m/...