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。     

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。     

基于机器视觉的锯材表面缺陷检测系统设计

锯材表面缺陷对锯材的质量和性能有着重要的影响。设计了基于机器视觉的锯材表面缺陷自动检测系统和计算机软件检测识别方法,确定了主要参数。通过对锯材表面图像的主要缺陷进行统计分析,综合评价整根锯材。检测系统的硬件主要由传送机构、电控系统、图像采集控制、分等系统等部分组成。软件主要由图像采集、图像处理、缺陷统计分析等部分组成。     

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。     

人造板表面缺陷的自动检测

本文论述了一种典型检测系统的开发研究，这种系统能检测木板的缺陷，并可根据生产要求等级对各种缺陷分类。该系统可应用计算机和传播处理模块来处理移动产品中所获得的图像。     

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。     

板材表面缺陷检测技术

列举了板材表面缺陷检测的几种方法，通过比较论述了用数字图象处理技术检测板材表面缺陷的优点和可行性，并提出了用数字图象处理技术检测木材缺陷的理论和方法。     

基于LS-SVM的木材表面缺陷网格化检测

针对图像分割的复杂性和局限性,作者提出一种基于最小二乘支持向量机(LS-SVM)的木材表面缺陷网格化检测方法。首先将木材表面图像划分成互不重叠的矩形块,然后依次计算每个矩形块图像的特征向量,用于描述各个矩形块图像,其特征向量由颜色特征和纹理特征等参数共同组成。最后将特征向量归一化后送入LS-SVM分类器,利用特征向量的相似度来进行缺陷的定位和识别。实验结果表明,该方法可有效进行木材表面缺陷检测,检测准确率超过93%。     

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。     

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.     

基于深度学习的人造板表面缺陷检测研究

缺陷识别是人造板检测的重要环节,目前大多采用人工检测方法。将一种轻量级的深层神经网络MobileNet与SSD算法结合,使用Inception网络附加到多个特征映射上,构建SSD-MobileNet算法模型用于人造板的缺陷检测,以提高区分不同缺陷的能力。从人造板工厂生产现场获取主要包括粗刨花、水印、砂痕、杂物、胶斑5种缺陷类型的表面缺陷图,制成一个包含3216张人造板表面缺陷图像的数据集。利用该数据集对SSD-MoblieNet模型进行训练、测试,并与其他特征提取网络(ResNet18、VoVNet39、ESPNetV2)的检测精度和检测速度的影响结果进行对比,发现其检测速度最快达到75帧/s,相对其他特征提取网络的平均精度均值提升2.26%~3.52%。该研究为实现人造板表面实时在线检测提供良好的技术支撑。     

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。     

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.     

球栅阵列芯片图像边缘提取方法研究

针对球栅陈列（BGA）芯片图像的特点,其边缘提取最为关键技术的是芯片的引脚图像的轮廓提取。一般传统的边缘检测方法大都是以原图像为基础,检测边缘是利用边缘临近一阶或二阶导数方向变化规律,对噪声极度敏感,因此常常边缘误检。通过蛇模型及其改进处理BGA芯片边缘检测,使其对噪声的敏感程度尽量按要求降到最低,同时在不漏测真边缘的前提下尽量不引入假边缘,运算速度快,效果好,抗干扰性强。     

木材表面缺陷的激光在线检测技术

本文介绍了采用激光位移传感器对刨削加工后的木材表面的裂纹及节子缺陷进行在线检测的方法。测试原理是利用激光位移传感器扫描木材表面，提供特征信号，由傅里叶分析仪FFT记录时间信号的波形，计算机进行数据处理和分析判断，这不仅可以快速识别裂纹及节子等缺陷，并从记录波形上即可计算出裂纹的宽度和深度。     

木质板材表面缺陷自动检测技术研究

木质板材表面缺陷检测系统采用高亮光源提供照明,线阵CCD相机实时获取其表面图像,利用工控机在线处理数据并根据板材缺陷的检测分析选择相应的生产工艺和加工方法,以提高木材的出材率和生产的自动化程度。该系统可完整提取板材表面缺陷,利用改进的差影法对图像进行分割,以便对图像特征进行提取。实验表明,该数据处理方法能够准确地提取板材表面缺陷的信息。     

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。     

木材缺陷检测理论及方法的发展

通过对国内外板材节子视频检测理论现状和发展的研究，对计算机视频技术在木材缺陷检测上的应用与发展进行了综述，并对视频技术在木材缺陷检测上的应用前景进行展望。     

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。