机器视觉在木材缺陷检测领域应用研究进展

为了提高木材利用率，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效率低、劳动强度大、准确率低等弊端，而且对提高木材加工企业的智能化水平具有重要意义。文中概述了机器视觉检测技术及设备的国内外研究现状，介绍基于机器视觉检测木材缺陷所涉及的相关理论和算法研究，以及相关图像处理算法的优缺点；针对机器视觉应用在木材缺陷检测领域存在的不足，提出机器视觉木材表面检测应进一步向人工智能方向发展，以提高木材缺陷检测效率及准确性。     

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。     

一种φ630直埋管抗压强度与轴向滑动试验装置

针对现有直埋夹套管总体抗压强度与轴向滑动试验装置普遍采用手动装卸砂、手动加载的特点,给出了规格为西630直埋夹套管总体抗压强度与轴向滑动试验装置的设计方案与工作原理,其主要由砂箱、液压加载装置、推拉力试验机、升降加砂装置、送管装置5个部分组成。砂箱底部设有出砂口,试验结束后,打开砂箱底部挡板,可将细砂弓I入其侧下方升降装置的储砂箱中,升降加砂装置可将储砂箱运到砂箱侧上方供再次试验时使用,液压加载装置可自动为砂箱加载,保证试验外管承受均匀、适当的载荷。该装置符合国家有关法规标准的要求,能实现自动装卸砂,自动为砂箱加载。（图8,表2,参9）     

实木板材无损检测中三维点云数据的预处理

在实木板材检测过程中,利用激光线扫描技术,以设定的速度扫描待测木材的表面,获取三维数据,可实现实木板材无损检测、缺陷定位和三维模型重构。然而,三维激光轮廓扫描仪采集的原始数据不仅存在噪声的干扰,而且其密度一般也非常大,影响检测结果和后续重构。通过对采集到的实木板材表面轮廓点云数据进行预处理,不仅可以去除噪声干扰,降低点云密度,而且可将对后续重构无影响的背景点云数据去除,简化重构过程,保证曲面重构过程的精度、简度和速度。使用Chroma+Scan3350型激光轮廓扫描仪,配合实木板材无损检测装置,采集了赤松板材和樟子松板材图像,围绕采集到的原始点云数据进行预处理。在分析点云数据的噪声来源的基础上,对噪声数据进行分类,并依次滤除,可通过曲线检查法和弦高差法去除少量的异常点,根据线扫描点云数据特点,在对比高斯滤波、平均滤波、中值滤波和小波滤波的平滑处理结果后,最终选取小波滤波进行数据平滑,取得了良好的滤波效果,很好地保留了原始点云数据的上升沿、下降沿等特征信息和曲线的棱角特点。对比角度-弦高联合法与曲率采样精简法的点云数据精简结果,选取曲率采样精简法对数据进行精简,精简效果好,速度较快。     

林果机械采收与分选研究进展

我国林果资源丰富，目前林果产量居全球首位，但针对林果采摘与加工的机械化采摘技术以及果品分选技术较为落后，严重制约了我国林果资源的发展。文中对近些年出现的林果采收机械与采收技术进行梳理，分析机械化采收后林果品质无损检测的关键技术与方法，并对林果采摘技术与品质检测技术的研究方向进行展望，旨在为研究林果机械化采摘与智能分选提供参考。     

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。     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析（PLSDA）进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。     

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。     

基于多平台激光雷达数据集成的森林资源调查研究进展

随着森林资源调查的深入,基于单平台激光雷达数据的空间信息获取方式存在着精度低、数据完整性差等缺点,无法满足精准林业要求的森林信息提取的高精确性。文中系统总结了森林点云数据配准方法和多平台激光雷达数据配准融合在树木属性、立木材积等调查研究中的应用,以及多平台激光雷达数据协同作业在树木生长特性、森林地上生物量等方面的研究现状,对当前森林资源调查和多平台激光雷达数据集成技术存在的问题进行了讨论并提出未来研究展望。     

基于HALCON的工字轮识别定位与抓取研究

缠绕金属丝或钢丝绳的工字轮大多采用钢板结构,其需要依靠人工来完成工字轮绕线过程中的搬运,工作效率低,定位精度差。因此,在工字轮应用领域,采用机器视觉配合机械手代替传统的人工搬运,不仅可以提高工字轮搬运效率,还可以保证各个工序中的定位精度,降低生产成本,对提高工字轮相关领域的智能化水平具有重要意义。采用Halcon软件对所采集的工字轮图像进行滤波、二值化、阈值分割,以及边缘检测等处理,以实现对工字轮边缘红色标记、工字轮端面外轮廓以及工字轮绕线轴通孔的识别和定位,进而实现工字轮的识别和精准定位。