桉木单板出材率与价值影响因子研究

以4个品种的10个6年生桉树无性系为材料,进行立木生长性状调查、原木外观形质检测和单板质量等级划分,运用方差分析、相关分析及多元回归分析,系统地对单板出材率与价值影响因子进行研究。结果表明：4个品种的无性系单板材以尾巨桉无性系价值最高。无性系间立木生长性状存在极显著差异,其中树皮厚度差异最大。单板外观缺陷中的节子,尤其死节（孔洞）、裂缝是降低单板质量等级的主要因子。材积、弯曲度和尖削度是影响单板出材率与价值的主要因子。建立的单板出材率、单段原木价值和单位材积价值预测模型,对指导生产经营具有一定的意义。     

基于深度学习的木材缺陷图像检测方法

针对木材活节、虫眼、死节等缺陷,提出一种深度学习的木材缺陷图像检测算法。首先构建训练数据库及测试数据库,同时设定卷积神经网络(CNN)的输入层、中间层、输出层等参数,并利用区域建议网络(RPN)反复训练CNN,然后利用训练好的CNN对测试图像进行检测,得到缺陷所在的矩形区域。将此区域作为初始分割范围,再利用CV模型进行图像精细分割。试验结果表明,提出的算法目标定位能力强,能很好地提取木材缺陷目标。     

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。     

图像分割技术在木材表面缺陷识别中的应用

阐述了图像分割技术在图像处理及分析中重要意义,以及主要的图像分割技术。以木材表面缺陷为主要研究对象,利用微分算子边缘检测、最优迭代阈值分割及形态学方法针对具有代表性缺陷死节和虫眼进行分割处理。     

基于图像分解的单板节子缺陷图像修补方法研究

分析了我国单板生产过程中单板节子缺陷修补存在的问题和木材纹理在工业生产中的重要作用,针对带纹理的单板缺陷图像修补问题,提出了一种新的基于图像分解的修复方法。首先采用基于最小化总体变分的去噪算法对单板图像进行分解,提取出带纹理缺陷单板的结构部分与纹理部分;然后对单板结构图像采用改进的BSCB算法进行修复,对纹理部分采用扩展基于样本块的Criminisi算法进行修复,最后将修复好的图像叠加合成,通过实验验证了该方法的有效性。实验结果表明,该方法对带纹理单板缺陷图像的修复效果要优于采用单一方法的修复效果。     

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HSI空间的形态学单板缺陷检测

单板材料在发展中国家的应用日趋广泛,优质的单板可用于模板,胶合板,贴面板等人造版的面板.为了检测并提取单板图像中的缺陷,提高单板质量,基于数学形态学,本文提出一种复合型的彩色图像边缘检测方法.在传统形态学算法的基础上,一是利用开闭运算的迭代提高了抗噪能力;二是利用双结构元分别对H、S、I三个分量进行形态学处理而后融合.与传统算法Canny和Sobel进行比较,结果表明该算法增强了图像分割的精确性和完整性,能够有效提高单板等级.     

数学形态学在旋切单板缺陷图像分割中的研究

胶合板的质量等级在很大程度上取决于旋切单板的表面质量,为了提高旋切单板缺陷检测的质量和效率,提出了一种基于数学形态学的缺陷图像分割方法,通过形态学算子的作用进行缺陷的分割。试验结果表明该算法能取得很好的分割效果。     

装饰单板饰面中密度纤维板生产工艺初探

详细介绍了单板饰面中密度纤维板生产过程中单板剪切下料、单板的等宽对称拼接、单板片的堆垛和储存、单板饰面中密度纤维板的压贴及板面透胶等缺陷的改进、板面离、裂缝缺陷的修补、板面砂光等生产工序的具体要求，并对生产中板面出现的叠板、离裂缝、透胶等质量问题进行了研究分析，提出解决措施。     

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。     

基于分数阶CV模型的木材缺陷图像分割算法

针对木材虫眼、死节、活节等缺陷,提出了一种可调分数阶CV模型木材缺陷图像分割算法。将RGB彩色图像用PCA灰度化,在GACV模型的基础上,对边缘检测项用CRONE模板作分数阶微分处理,并耦合区域检测项迭代求解水平集函数,得到收敛的目标轮廓曲线。试验结果表明,提出的算法边缘定位能力强,可扩展性好,性能优于CV模型,能很好地提取木材缺陷目标。     

基于图割算法的木材表面缺陷图像分割

木材表面缺陷分割的研究能够有效提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。为了更好地对板材表面的节子和虫眼进行快速有效地分割,论述了基于图割算法的图像分割方法(Graph Cuts)及其改进方法(Grab Cuts)的原理。针对传统Graph Cuts算法只能针对灰度图像进行分割、运行时参数的选择比较复杂,并且存在该算法效率和精度较低的缺陷,采用这两种方法分别对3种木材表面缺陷活节、虫眼和死节图像进行分割实验。为了验证Grab Cuts方法的适用性,用含有多个缺陷目标的木质板材图像做了图像分割验证。结果表明:缺陷图像的目标和背景的种子点选取直接影响Graph Cuts算法的分割结果,Graph Cuts算法的计算效率较低,分割时间较长,对相邻像素间的区分度较差,分割结果不理想。改进后的Grab Cut算法是迭代的Graph Cuts,该方法虽然在图像分割前也需要人工画定初始化矩形框,但操作相对简单,分割结果能够得到完整的闭合缺陷区域边界,且不受木材表面缺陷的类型、数量、尺寸和缺陷形状的影响,分割效果好,分割速度快,抗噪性强,对灰度图像和彩色图像都可使用。     

超长单板层积材生产工艺技术研究

单板层积材（Laminated Veneer Lumber）是利用旋切或刨切单板顺纤维胶合而成的人造板产品，其生产工艺类似于胶合板。经过多道工序加工制造的单板层积材产品，可克服和消除木材自有的一些缺陷，呈现出其特有的优点：①木材自身的节子、夹皮和裂缝等缺陷在产品内部随机分布，无需剔除，木材利用率高；②受木材天然缺陷影响小，其物理力学性能可根据要求预先设计，产品力学性能高；③便于对产品进行防腐、防虫和防火等特殊处理；④对原料无特殊要求，     

3种不同模型对木材表面缺陷图像分割算法的比较

木材表面缺陷会严重影响木材的质量和使用价值,因此对木材表面缺陷图像分割的研究有利于提高木材的利用率。本文分别对红皮云杉含有虫眼、活节、死节3种典型木材缺陷的图像采用改进的C-V模型、改进的GVF Snake模型和改进的GAC模型进行分割试验,对3种改进算法的复杂程度、分割时间、分割结果的完整性以及抗噪性进行对比和分析。结果表明,改进的GAC模型算法较为优越,其分割算法简单,运行时间短,缺陷分割效果较好,抗噪性强。而改进的C-V模型算法、改进的GVF Snake模型算法的分割效果和抗噪性最差,不宜作为3种木材表面缺陷图像的分割算法。     

基于线阵CCD的旋切单板图像采集系统设计

旋切单板表面的缺陷直接影响胶合板等人造板制品的质量,利用线阵CCD组成的计算机视觉系统采集单板带的图像,可为单板带裁剪的优化和自动控制提供技术支持.     

基于高斯-马尔可夫随机场的木材表面缺陷类型识别

为了识别死节、活节和虫眼三种木材表面缺陷类型,本文采用高斯-马尔可夫随机场模型提取木材表面缺陷图像的纹理参数,结合缺陷区域的矩形度和伸长度两个几何特征,形成14维特征向量.设计三层BP神经网络来识别缺陷的类型.试验表明,三种缺陷的整体识别正确率达到96.67％,验证了该方法的有效性.     

单板条平行成材(PSL)研究现状及发展趋势

单板条平行成材(PSL)是由窄单板条沿木纤维长度方向定向成型的一种新型木质复合材料。PSL可用生产单板层积材(LVL)或胶合板的剩余窄小单板做原料,单板条涂饰胶粘剂,按轴向排列方式连续送入成型槽进行规格铺装,铺装成型的板坯再持续送入具有微波处理功能的压机,经四面挤压制成大幅面的PSL,最后锯解成要求的规格尺寸。由于单板条的随机铺装,单板条中的天然缺陷如节子、斜纹和幼龄材等分散在板坯中,使PSL的力学性能更加均匀稳定。     

低成本API胶黏剂在LVL生产中的应用

LVL(Laminated Veneer Lumber单板层积材)由多层单板按顺纹组坯胶合而成,按用途分为非结构单板层积材和结构单板层积材.LVL可利用小径木、弯曲木等生产;单板可纵向接长,长度不受限制.LVL在生产中可剔除单板上的节子、腐朽等缺陷,生产出的LVL具有强度均匀,尺寸稳定性好,易于进行防虫、防火处理等优点.LVL在美国、日本等的生产和应用较为普遍.     

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。     

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。