中密度纤维板施胶过程伺服系统的设计与仿真

在中密度纤维板(MDF)施胶过程的要求下,为克服施胶过程中存在的滞后、非线性等问题,采用了提高系统控制精度的交流伺服驱动系统。设计了伺服系统的硬件部分,根据系统的控制原理建立了数学模型,并进行计算机数字仿真,分析了系统的稳定性。仿真结果表明采用伺服系统可以获得较好的控制效果。     

公路景观管理决策支持系统

基于GIS技术开发的公路景观管理决策支持系统是针对公路景观管理业务而开发的信息管理系统,系统采用地理信息系统(GIS)、专家系统(ES)以及数据库管理系统相结合的方法,建立了公路两侧自然本底数据、多媒体数据、评价指标因子、恢复方案等为主体的属性数据库;公路空间数据库;由专家知识及经验构成的知识库;相关的评价模型建立模型库和决策库;实现了多库统一的地理信息系统与专家系统相结合的决策支持系统。为公路景观管理部门对公路景观动态管理、评价公路自身及景观现状、制定恢复对策和措施提供了科学实用的管理手段。     

板式家具板材优化排料系统的研制与开发

对板材下料问题进行了分析和研究，将十进制编码的遗传算法引入到该问题领域，建立了物理数学模型，可以跳出局部寻优范围，收敛到最优解。根据分析模型，编制了计算机程序，得出可行性结论。     

基于 PCA 特征融合与 LDA 分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法（PcA）对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法（LDA）构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85％,较传统Tamura方法的83％和全局基本统计量的70％有所提高;特征提取时间为0．5548S,比缩小前图像的Tamura特征提取时间55．7000S明显减低,而分类正确率没有明显变化。     

基于PCA特征融合与LDA分类的实木地板纹理判别方法

纹理一致性影响着实木地板档次,针对目前实木地板纹理分类速度慢、精度低的问题,提出一种适合区分直纹、抛物纹、乱纹3类纹理的在线检测方法。方法首先对纹理图像进行缩小,运用视觉心理学的Tamura方法提取粗糙度、对比度、方向度、线性度、规整度、粗略度等6个纹理特征;同时在原图像提取反映图像全局信息的灰度均值、方差、熵等3个统计量;然后,运用主成分分析法(PCA)对3类纹理9个特征进行降维融合操作;最后,采用线性判别分析方法(LDA)构建3类纹理的辨识模型。采用200幅实木地板纹理图像进行实验,当主成分个数为7时,分类正确率稳定达到85%,较传统Tamura方法的83%和全局基本统计量的70%有所提高;特征提取时间为0.554 8 s,比缩小前图像的Tamura特征提取时间55.700 0 s明显减低,而分类正确率没有明显变化。     

蒙古栎木材MOR与MOE的近红外光谱预测模型分析

蒙古栎是重要的结构用材,对其抗弯强度(MOR)与抗弯弹性模量(MOE)进行快速准确的无损检测是具有工程应用价值的科学问题。为实现蒙古栎木材MOR与MOE的快速无损检测,以900~1 700 nm的便携式近红外光谱仪为检测手段,提出一阶导数与S-G卷积平滑处理相结合的数据预处理方法,采用木材径切面与弦切面2个切面近红外光谱的平均值作为建模数据,利用Isomap-PLS算法建立预测模型估计木材的MOR、MOE。试验采用135个300 mm20 mm20 mm的无疵小试样为样本,其中90个组成校正集,45个组成预测集。结果表明:一阶导数处理能够消除光谱背景平缓区域干扰,S-G卷积处理能滤除高频噪声;采用径切面与弦切面光谱的平均值,比采用单一切面建模效果好,校正相关系数大,校正标准误差小;Isomap-PLS模型优于PLS、iPLS、MWPLS、CSMWPLS、BiPLS、LLE-PLS模型,MOR预测相关系数为0.89,预测标准误差(SEP)为11.43,相对分析误差(RPD)为2.552.5;MOE预测相关系数为0.88,SEP为2.73,RPD为2.582.5。可见,所建近红外模型可以完成蒙古栎无疵木材快速有效的无损检测。      

一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

应用Harris角点检测进行图像拼接的超长板材尺寸测量方法

选择约700 mm(长)×200 mm(宽)的10块柞木板材为研究对象;用相机进行标定得到相机内部参数、外部参数,对采集的板材图像进行镜头畸变修正;对图像进行高斯平滑处理后,采用Harris角点检测方法对采集的先后两帧图像进行图像拼接;采用边缘检测得到板材完整的边界信息,通过建立空间坐标系与像素坐标系的转换关系完成板材尺寸计算。结果表明:相机标定与畸变补偿,提高了测量的精度由5 mm至1 mm;图像拼接方法,解决了长尺寸板材机器视觉测量困难的问题;采用Sobel算子边缘检测方法,能够准确保留边缘信息,速度快、计算简单;测量结果最大标准差为0.582 mm,测量精度小于1 mm。