基于人工智能的木材缺陷检测研究进展

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。     

机器视觉在单板缺陷检测中的应用

单板是胶合板制造的主要原料。为了实现单板表面缺陷检测技术的智能化,降低人力成本,提高检测合格率,现已将机器视觉技术应用于缺陷检测中。在机器视觉系统中,图像处理和分析算法尤为重要。如何提高算法的准确性和鲁棒性一直是研究的重点。文中基于对大量文献和实验结果的分析,介绍机器视觉的应用现状,并对单板表面缺陷检测过程中的图像去噪、图像分割、特征提取等方法进行总结,概括相关方法的原理、特点、局限性以及适用范围,并对未来技术发展趋势进行展望。     

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。     

基于机器视觉的木材特征提取与树种识别研究综述

我国是木材及木制品加工大国,近年来家具、装修等市场需求的快速增长推动了木材加工行业的发展。由不同树种制作而成的木材材料性质与价值大相径庭,因此准确识别木材树种具有重要意义。相较于传统人工识别,基于机器视觉的木材树种识别大幅度提高了准确率。文中通过分析近5年来木材识别领域的相关文献,总结了木材特征提取的相关技术与树种识别的各种方法,提出要深度融合木材的多个特征并加强各种算法间的配合使用;此外,针对机器视觉在木材树种识别中的应用普遍停留在学术研究阶段的问题,提出木材树种识别应向装备数字化方向发展,以期提高木材树种识别的工作效率。     

计算机视觉木材表面色差检测的研究

针对木材表面色差的检测问题，提出一种新型的计算机视觉检测方法，即通过建立室内计算机视觉系统，获取木材表面的彩色图像，使用直方图和均方差的方法对色差进行检测。此方法能提高木材生产加工中色差分级的自动化水平和生产效率，提高木材利用率。     

卷积神经网络在木材缺陷检测应用中的研究进展

木材缺陷的快速检测和精准定位是实现木材加工机械化、一体化的首要条件。采用卷积神经网络(CNN)检测木材缺陷,不仅可以克服人工检测效率低、准确率低的问题,还可以节省劳动力、提高木材检测的智能化水平。本文概述了CNN的理论和典型网络模型,梳理、总结了CNN在木材缺陷图像分割、特征提取、识别分类中的研究与应用现状,并对CNN在木材缺陷检测领域的发展趋势进行展望,进一步拓展卷积神经网络在木材缺陷检测中的应用。     

基于DSP的木材缺陷图像处理系统

探讨了木材缺陷计算机视觉识别技术研究的现状，提出了基于DSP的木材缺陷图像处理系统的硬件结构以及图像处理的算法；介绍了图像采集芯片SAA7113和实现图像采集的方法，并给出上述系统的处理结果。     

超声波与应力波在木材内部缺陷检测中的对比研究

采用超声波和应力波分别对木材试件进行了检测，并运用SPSS软件对检测结果进行分析，结果表明：木材密度、孔洞大小及数量对两种波传播参数及动态弹性模量都有不同程度的影响。通过两种波的对比研究，得知二者对木材内部缺陷检测的灵敏度和准确度存在差异。因此在进行木材内部缺陷检测时，应结合实际情况，采用适当的检测方法，从而提高对木材缺陷盼分辨能力。     

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。     

基于YOLOv4的结构用锯材表面缺陷识别

结构用锯材在使用之前进行表面质量评价、分级,对于提高木材的综合利用率具有重要作用。综合利用机器视觉技术和深度学习方法,选取国内常用的云杉结构用锯材作为研究对象,通过工业相机采集结构用锯材表面主要缺陷(节子、虫眼、裂纹),并对锯材主要缺陷进行数字化评价分析。先通过自主搭建的机器视觉图像采集装置,采集100块结构锯材正反面表面图像,共获取表面缺陷图像1 450张,其中活节缺陷图像550张、死节缺陷图像320张、裂纹缺陷图像295张、虫眼缺陷图像285张;随后搭建基于YOLOv4的深度学习缺陷检测识别框架,对缺陷图像中80%的图像进行训练,剩余20%用于测试。试验结果表明,基于YOLOv4的深度学习缺陷检测识别框架,能有效识别并准确定位锯材表面缺陷的类型和位置,平均识别率96.7%,其中活节缺陷识别率100%、死节缺陷识别率97.5%、裂纹缺陷识别率90%、虫眼缺陷识别率96.7%,可满足生产应用需求。     

人工智能在木材加工中的应用

随着新一代人工智能技术不断取得应用突破,将人工智能技术与木材加工产业深度融合,实现木材加工产业智能化控制、精准化配置、高效率利用、可持续发展,是促进林业人工智能发展的主要任务之一。文中概述了人工智能算法及理论在木材无损检测与分类、木材干燥、木材优选加工等木材加工过程中的应用现状,分析了相关算法的不足之处,提出人工智能技术在木材加工产业中将大有可为,木材加工产业应积极向人工智能方向发展,提高木材加工的工作效率及利用率。     

基于数字图像处理的樟子松锯材分级研究

为了解决传统锯材检测方法效率低、劳动强度高和人为因素影响大的问题,笔者运用数字图像处理的方法对樟子松锯材等级进行检测,实现樟子松锯材等级检测的标准化和程序化。根据樟子松锯材缺陷与天然木纹颜色存在显著差距的特点,利用Otsu's方法的最佳全局阈值处理锯材图像得到最佳分割阈值,获得锯材的二值图像,得到缺陷位置像素坐标,将缺陷坐标与锯材实际尺寸对应,计算出相应锯材的净划材尺寸和出材率,完成对锯材等级的划分。利用该方法对75片试件进行表面质量检测和等级划分的准确率为94.67%,分级程序的运行时间约为1.793 s。该方法在保证检测准确率的情况下不仅可以减少检测时间、降低人工劳动强度、提高检测准确率,而且解决了人工检测主观性强的问题。     

基于模糊聚类分析的木材缺陷CT图像分割

为了提高木材的利用率,在木材加工之前对木材缺陷CT图像进行分割,将节子和空洞等缺陷分割出来,通过观察缺陷的位置便于工人师傅下锯。利用计算机断层扫描（CT）技术获取木材缺陷图像,将数字图像处理技术与模糊聚类算法相结合,在标准的模糊C均值算法的基础上改进,采用半模糊聚类的分析方法对木材缺陷图像进行分割检测。实验结果表明：基于半模糊聚类的图像检测方法在木材图像检测上取得了较好的效果,缺陷边缘处很平滑,细节保留完整,更多的保留了边缘上的信息。从而证明了半模糊聚类分析法在木材缺陷CT图像处理方面具有可行性。     

木材缺陷图像的灰度形态滤波

介绍数学形态学中的灰度形态滤波方法,给出对木材缺陷图像进行闭、开运算处理后的仿真图像实例,利用木材缺陷图像截面灰度分布对处理效果进行分析.结果表明:采用灰度形态滤波方法对木材缺陷图像进行滤波处理,可有效去除木材缺陷图像中的噪声,改善图像的视觉效果,提高后期缺陷边缘检测的精确度,从而证明该方法对木材缺陷图像进行滤波处理是可行的.     

锯材表面缺陷识别方法对比分析研究

锯材的表面质量对木结构制品的质量起着至关重要的作用。锯材的表面质量主要受锯材表面缺陷（如节子、虫眼、裂纹等）类型、分布、数量等综合影响。文中针对基于浅层学习网络和深度学习算法的2类图像处理方法,对比分析其在锯材表面缺陷识别中的研究现状、存在的问题及发展趋势;同时,结合准确率、平均识别精度均值和图像识别时间等目标检测评价指标,对比分析多种图像处理算法在锯材表面缺陷识别中的性能;最后,对未来锯材表面缺陷识别方法的发展趋势进行了展望。