人造板表面缺陷检测图像自适应快速阈值分割算法

【目的】提出一种自适应快速阈值图像分割算法,为人造板表面缺陷在线检测提供支持。【方法】首先将整幅图像划分成若干子区域,通过计算子区域的方差对缺陷进行定位,提取出缺陷所在区域,只对缺陷区域进行图像分割,解决小面积目标难以准确分割的问题。然后对缺陷区域的一维灰度直方图进行处理,直方图平滑后去除掉不显著波峰,根据处理后保留的主要波峰数量和位置自适应地确定分割阈值个数以及每个阈值的分割区间,实现当图像中出现多种类型缺陷时算法自动确定分割阈值个数。最后,通过分析Otsu算法,将阈值穷举搜索改进为条件搜索并限定搜索方向,在每个分割区间内使用改进的Otsu算法对阈值进行搜索,提高搜索速度。【结果】对板面存在油污、大刨花、胶斑、杂物、松软5种类型缺陷的人造板表面图像进行分割,在板面缺陷数量、类型不固定的情况下,算法可以自适应地确定分割阈值个数,在15 ms内将各种类型缺陷从人造板表面图像中分割出来,平均分割准确率达97%。【结论】自适应快速阈值分割算法能够快速、准确将缺陷从人造板表面图像中分离出来,在执行速度和分割效果上均满足在线缺陷检测系统的要求,可为人造板表面缺陷在线检测提供新思路。     

基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2～4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLO...     

基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法

深度学习是一种有效的特征学习方法,具有很强的自主学习能力。研究了基于深度学习特征与非线性支持向量机(NSVM)分类算法相结合的板材表面缺陷识别方法。首先,针对深度学习模型需要海量训练数据的特性,使用旋转剪切的方法对采集到的原始板材表面缺陷图像进行数据扩增;其次,使用扩增后的板材表面缺陷图像数据集对笔者提出的深度卷积神经网络(CNN)模型进行训练,并使用训练好的网络提取不同种类缺陷图像的深度特征;然后,为了消除深度特征中的冗余数据,并增强数据的表达能力,运用基于1范数的非贪婪主成分分析(Non-greedy PCA-L1)算法对板材的深层语义特征进行特征降维和特征增强;最后,运用增强后的深度特征训练NSVM模型,并使用训练好的NSVM模型对原始板材表面缺陷图像的测试集进行分类。实验结果表明,笔者提出的识别方法具有较好的鲁棒性和实用性,可取得目前较好的分类效果,针对结疤、压痕和无损3种板材表面缺陷识别率可达99%以上。     

基于高斯混合模型的青梅表面缺陷检测识别技术

目前青梅的缺陷识别检测仍然依靠人工挑选方式来完成,但人工挑选方式受工作经验、劳动强度等因素制约,已经难以适应产业的发展。为有效提高青梅表面缺陷检测的自动化程度和检测精度,本试验应用机器视觉技术针对青梅表面的缺陷检测展开研究。通过搭建青梅表面图像静态采集系统,采用图像处理软件HALCON对青梅表面进行了单通道灰度图像提取、图像滤波、灰度二值化及特征提取等预处理操作,实现了对青梅表面图像的去背景化,并利用去边缘法在青梅H通道分量图像中成功提取到青梅表面缺陷。最后采用高斯混合模型构建青梅表面缺陷检测分类器,并创建了一套基于机器视觉的青梅表面缺陷检测系统。具体选取了348张青梅缺陷图像作为训练测试样本,其中78%的图像作为训练集,22%的图像作为测试集,结果表明:该分类器对青梅溃烂、伤疤、雨斑缺陷的检测准确率分别为100%,97.22%,92.31%,对完好青梅检测准确率为94.44%,验证了将高斯混合模型应用在青梅缺陷检测方面的有效性。     

基于机器视觉的刨花板表面缺陷检测系统

针对目前国内人造板企业在板面缺陷检测仍然依靠人工的情况,开发基于机器视觉技术的刨花板表面缺陷自动检测系统。利用工业相机采集板材表面图像,使用C++、OpenCV、JAI_SDK类库和MFC多线程技术实现缺陷检测算法,通过计算机串口与生产线控制系统通信。系统运行稳定、缺陷定位准确、参数配置灵活,检测效果和检测速度可满足连续压机生产线在线检测要求。     

基于Faster R-CNN的实木板材缺陷检测识别系统

我国木材资源有限,为了提高木材的利用率,采用机器视觉来实现木材缺陷快速而稳定的检测,不仅可以克服人工检测的低效率和木材缺陷识别的低准确率,而且对提高木材加工企业的智能化水平具有重要意义。为了高效、快速、准确地进行无损检测,采用深度学习方法,建立了一种基于快速深度神经网络的实木板材缺陷识别模型。首先采用Resnet V2结构对采集到的实木板材缺陷图像进行特征提取,然后应用该模型对节子、孔洞等实木板材缺陷进行训练学习,最后构建了Faster R-CNN检测框架,并使用tensorflow开发平台对节子、孔洞等实木板材缺陷进行预测输出。具体选取了2 000块杉木样本,通过旋转对原始的实木板材图像进行数据扩充,扩充后图像的80%作为训练集,20%作为验证集来进行仿真。仿真结果表明,该模型对实木板材节子缺陷检测正确率为98%,对实木板材孔洞缺陷检测正确率为95%,验证了将深度学习算法应用于实木板材缺陷检测中的有效性。     

基于改进CornerNet-Lite的林区行人检测算法

为做好森林管护工作,减少人力和物力的消耗,利用快速发展的行人检测算法可对林区行人进行检测和甄别,但林区行人检测与传统行人检测有很多不同,如林区行人被树木遮挡、着装与背景色调相似等特征,导致漏检现象严重。为此,针对林区行人的特点,笔者提出了一种实时检测林区行人的算法CornerNet-P,将林区行人的位置预测简化成为2个关键点的预测。以CornerNet-Lite为基础,改进算法的损失函数,预测2组热力图来检测林区行人的角点位置,预测嵌入层损失以匹配同一行人的角点,预测偏置层损失来减少尺度变化过程中的精度损失,并获得最终的边界框;然后提取COCO2014数据集中的行人数据并随机分为训练集和测试集两部分,使用训练集分别训练该算法与YOLOv4算法中的参数,使用测试集和真实的林区行人图像对算法的检测精度和检测速度进行检验。试验结果表明,CornerNet-P算法相比YOLOv4算法平均检测精度提高了1.7%,检测速度提高了5.1%,并可以较好地检测真实林区行人图像。CornerNet-P算法可以实现林区的行人检测,具有较快的检测速度和较满意的精度。     

神经网络与主元分析在采矿工程中的应用

高质量的网络模型要求输入因素或输出因素之间尽可能不相关,以达到精度较高的预测模型的目的。建立了主成分分析法与神经网络结合的采矿方法优选模型,对神经网络的输入数据进行主成分分析。研究结果表明:该方法弥补了以往利用BP网络进行采矿方法优选过程中,由于输入数据相关使得输出数据精度下降的缺陷,使输入数据不相关,且减少了输入数据,消除了由于BP网络输入数据太多而影响数据处理速度的弊端,可使预测精度大大提高。     

基于分形理论木材表面缺陷识别的研究

木材表面缺陷检测是多学科交叉的技术,该技术对木材生产领域及其深加工等方面有着较高的应用价值。本文主要围绕分形理论对木材表面缺陷检测进行深入研究,通过将分形理论、小波多分辨率分析以及人工神经网络模式识别技术相结合,研究了木材表面缺陷特征提取、模式识别问题。在对200块试件进行测试时,系统平均识别率达96.5%。结果表明,用分形理论进行特征提取能够高精度地识别木材表面缺陷。     

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。     

Soft measurement of wood defects based on LDA feature fusion and compressed sensor images

We proposed a detection method for wood defects based on linear discriminant analysis(LDA) and the use of compressed sensor images. Wood surface images were captured, using a camera Oscar F810C IRF camera,and then the image segmentation was performed, and the defect features were extracted from wood board images. To reduce the processing time, LDA algorithm was used to integrate these features and reduce their dimensions. Features after fusion were used to construct a data dictionary and a compressed sensor was designed to recognize the wood defects types. Of the three major defect types, 50 images live knots, dead knots, and cracks were used to test the effects of this method. The average time for feature fusion and classification was 0.446 ms with the classification accuracy of 94%.     

人造板弹性模量检测方法及其研究现状

弹性模量是人造板重要的力学性能指标之一,它是表征人造板刚度性能的重要指标,与其他的力学指标也有密切的关系,直接影响人造板的使用.对国内外人造板弹性模量的检测方法及其研究现状进行了归纳总结,指出振动、应力波、机械应力等无损检测方法是今后发展方向之一.     

基于四元数矩阵奇异值分解的木材缺陷检测分析

当前,木材彩色图像的缺陷检测主要是通过分离彩色空间的3个分量分别进行灰度处理,然后再合成为缺陷的图像.将基于RGB彩色空间的木材图像作为一个整体,提出四元数矩阵奇异值分解（QSVD）的木材缺陷检测.把RGB的彩色空间图像转换为四元数矩阵,利用四元数奇异值分解得到不同奇异值的特征图像,通过对特征图像的分析,得到不同的木材缺陷图像,并通过对奇异值特征图像的分析得到木材彩色图像的缺陷检测,并做分析.     

基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别

分析木材单板节子缺陷图像的特点,提出一种基于AOS的扩展C-V模型及背景填充耦合的单板节子缺陷识别算法。首先,对Chan-Vese提出的基于Mumford-Shah模型的水平集图像分割算法进行改进,使分割速度得到提高;其次,用AOS算法改进原模型的差分格式,使得差分格式无条件稳定;最后,结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。通过对比试验,表明该分割方法能够快速识别单板单个节子缺陷,充分说明该耦合方法比Chan-Vese方法及其改进方法有更好的分割效果。通过用多水平集作为初始轮廓演化曲线,结果表明该方法也可快速实现对单板多节子缺陷图像的识别,实现对单板节子图像的多目标分割。     

Forest fire smoke recognition based on convolutional neural network

Traditional fire smoke detection methods mostly rely on manual algorithm extraction and sensor detection;however,these methods are slow and expensive to achieve discrimination.We proposed an improved convolutional neural network(CNN) to achieve fast analysis.The improved CNN can be used to liberate manpower.The network does not require complicated manual feature extraction to identify forest fire smoke.First,to alleviate the computational pressure and speed up the discrimination efficiency,kernel principal component analysis was performed on the experimental data set.To improve the robustness of the CNN and to avoid overfitting,optimization strategies were applied in multi-convolution kernels and batch normalization to improve loss functions.The experimental analysis shows that the CNN proposed in this study can learn the feature information automatically for smoke images in the early stages of fire automatically with a high recognition rate.As a result,the improved CNN enriches the theory of smoke discrimination in the early stages of a forest fire.     

基于优化卷积神经网络的木材缺陷检测

针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。     

Feature Extraction of defects on wood surface

IntroductionAtpresent,usingthecomputerimageprocessil1gsys-temtofinishthefeatureextractiol1ofw0oddefectsisi11anexpIorat0rystage.ThismetI1odmaydecreasetI1ellmitati0noftl1eexperilnel1talcol1ditions,suChasIights,instrumentsandsomespccialmateriaIs.Itiscol1venic11ttousethiswayandthegoodresuItswilIbeacI1ieved.TherearethreetypicaIwo0dsurfacedefectst0bestudiedintheexperiment,whicI1arekn0t,boreI1oleal1ddecayofLarixandBeIlIlu.Tl1eworkist0separatetl1edefectsfromthewoodsurfaceimagesandprovideagoodba…     

国内浸渍胶膜纸及饰面人造板行业前景展望

近年来,随着板式家具的发展,浸渍胶膜纸和饰面人造板行业发展迅猛。文中通过分析国内浸渍胶膜纸及饰面人造板行业的发展现状以及与国外的差距,从浸渍胶膜纸、饰面人造板、产品加工工艺和板式家具等方面对该行业发展进行了展望。     

基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,提出一种基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别方法.该方法首先在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,取特征权重前8个特征进行病树识别,发现选择差值植被指数DVI(diffe...