木板智能涂腻设备关键技术

为了实现木板表面缺陷的自动检测与修复,设计了一种可以自动控制的涂腻头结构和基于OPC的控制系统,构建了针对涂腻设备的计算机视觉系统。基于视觉系统获得的三维缺陷信息,研究了板材表面缺陷图像数据的提取和处理方法。介绍了如何将图像处理程序内置在VB编写的上位机控制程序中。分析了板材表面分区涂抹腻子的修复工艺。     

基于数学形态学的木材缺陷图像分割方法

结合数学形态学运算方法,对于板材缺陷图像的提取分割,提出了基于数学形态学的分割方法。利用图像各点间的像素值差异,对板材像素点求取无缺陷标准值,将该值与待测板材进行对应像素点对比,然后将差值求和取平均得到分割阈值;对图像中所有大于该阈值的点进行分割提取,得到分割图像。用数学形态学方法对噪声较大的图像进一步处理,最终得到较为理想的分割图像。     

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。     

基于灰度-梯度共生矩阵的木材表面缺陷分割方法

根据木材表面缺陷图像的特点，提出了基于灰度-梯度共生矩阵模型和最大熵原理的木材缺陷图像自动阈值化技术。并且利用形态学运算对分割后的二值图像进行后期处理。经实验验证，该方法提取的木材表面缺陷图像效果良好：     

基于分形理论和数学形态学的木材表面缺陷识别的图像处理

在木材表面缺陷识别过程中,能否精确提取缺陷轮廓是提高分选准确率的重要因素。采用分形理论和数学形态学进行板材缺陷图像分割和边缘提取,能有效的克服传统方法中缺陷图像提取受背景纹理影响大的不足,为后续的木材表面缺陷的识别打下坚实的基础,提高木材的使用率,对木材表面缺陷识别具有实际意义。     

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PLC与组态王的实木板材双面检测装置的总体设计

选用S7-200 PLC,结合组态王人机交互界面,运用激光轮廓和色泽集成扫描技术设计了一种实木板材双面检测系统。主要介绍了该检测系统的工作原理和工作流程,简述了检测装置的整体结构及其传动、升降、检测、行程控制等主要模块的设计及电气控制系统总体设计。试运行表明,该装置集合PLC和组态王的优势,利用激光扫描技术,可实现对板材双面检测过程的实时控制;板材检测运用色泽与轮廓相结合,有效地解决了现有实木板材单面检测系统不能全面地反映实木板材表面缺陷状况的难题。该设计可为实木板材表面缺陷检测中三维轮廓检测技术的进一步应用提供有益参考。     

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。     

基于图像轮廓处理及匹配的木节剔除和修复技术

采用计算机图像处理技术实现板材缺陷(木节)的剔除和修复时,首先对含有木节的板材进行图像处理,通过灰度化和滤波去除噪声,再采用二值化阈值法将木节从板材图像中提取出来,对提取出的木节图像进行膨胀、腐蚀、边缘检测等处理,提取出木节的轮廓边界.根据缺陷的横向和纵向跨度确定出修补中心点及修补半径.为了实现补块与剔除区域边缘的图像匹配,提出了基于灰度的环形块匹配算法.从剔除区域取一窄圆环,并将其等分为几个小块,按顺时针对各小块进行编号,计算出各环形小块的平均灰度值,用各小块的平均灰度值代替单个元素进行与数据库中补块的各小块灰度值进行匹配,并选相似度最大者为匹配补块,这一算法能快速有效地找到匹配补块及匹配位置.该方法有助于实现木材缺陷的自动检测和自动修复,对提高板材的利用率具有现实意义.