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。     

基于激光三角测距的锯材表面缺陷检测方法

为实现自动在线检测锯材表面钝棱和裂纹等缺陷,提出了一种全新的基于激光三角测距和计算机图像处理相结合的木材表面缺陷检测方法。激光发射器发射扇形光源至传送台上的试件表面,从另一角度由相机对试件表面的激光光斑进行成像。通过图像处理,能自动识别裂纹及钝棱缺陷轮廓线,并得到外材面材宽和裂纹宽度尺寸信息。以7块含钝棱的毛边锯材和7块含裂纹的锯材进行试验,结果表明:在入射激光线与物镜光轴的夹角为60°的情况下,锯材外材面宽度和裂纹宽度检测值与实际值的误差均值都不超过±1 mm,证实了研究提出的锯材表面缺陷检测模型及构建的检测装置的高精度和可靠性。该技术能为木材加工中的自动优选下锯提供基础数据,可用于锯材优选自动化加工生产线。     

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。     

基于非支配排序与遗传算法的毛边锯材优化下锯算法研究

【目的】为解决我国木材加工企业在毛边锯材锯切过程中存在出材率低和智能化加工能力不足的问题,本研究基于非支配排序与遗传算法提出一种毛边锯材优化下锯智能算法。【方法】通过分析毛边锯材下锯方式,确定了先截断后纵解再截断的加工方法。分析毛边锯材传统纵向等宽锯切方法不足,以出材率为最终求解目标,完成两阶段优化下锯模型构建。将毛边锯材视作无缺陷锯材进行下锯方案求解,同时考虑出材率与坯料价值,基于坯料宽度编码,采用非支配排序与拥挤度排序确定个体优劣,提出多种群寻优策略完成种群迭代,获取多种下锯方案。取出所有下锯方案对原含缺陷锯材模拟锯切,使用遗传算法寻找方案的最优下锯顺序,以得到最终下锯方案。选用C++编程实现算法功能,并通过OpenCV C++编程显示仿真锯切结果。实测毛边锯材分别采用传统等宽锯切方法与本算法对锯材进行模拟锯切,对比锯切结果以验证算法可行性。【结果】本算法在使用不同横向截断长度、不同输入坯料宽度和不同锯材的情形下,仿真锯切结果均优于传统等宽锯切方法,锯材完整坯料出材率与总出材率明显提升。【结论】优化下锯方法相比传统等宽锯切方法可提供更好的下锯方案,能在一定程度上实现毛边锯材优化下锯...     

基于表面主要缺陷的锯材外观质量量化评价方法

【目的】提出一种锯材外观质量量化评价方法,探索锯材外观质量数字化检测与评价分级的可行性,为实现锯材外观质量的实时在线检测提供基础理论和技术支撑。【方法】建立由密闭暗室、光源、工业相机等组成的锯材表面缺陷在线检测系统,在稳定光环境下采集样本锯材彩色图像。基于图像处理技术开发软件试验系统,实现对锯材缺陷的检测和识别。分别建立节疤、孔洞和裂缝缺陷外观质量评价模型,并据此提出外观质量综合量化评价方法;通过与国家标准对照,验证本研究提出方法的科学性和可行性。【结果】量化评价方法与锯材材质指标等级进行对照,二者线性相关系数为0.85;锯材材质指标等级除了2级和3级对应的综合量化评价值分布比较分散、等级之间数据有部分交叉外,其他等级之间对应的综合量化评价值分布几乎没有交叉。量化评价方法与集成材层板外观质量要求进行对照,二者线性相关系数为0.88;锯材材质指标等级4级对应的综合量化评价值分布比较集中,与其他等级之间没有数据交叉;锯材材质指标等级1级、2级和3级相邻等级对应的综合量化评价值分布比较分散,等级之间数据有部分交叉,不相邻等级间数据分布没有交叉。【结论】综合量化评价值与依据有关国家标准确定的锯材材质指标等级、集成材层板外观质量要求的线性相关性相对较好,可为实现锯材外观质量数字化检测与评价奠定基础;通过调整模型有关影响系数,可满足不同树种和不同应用需求,以达到较好评价效果。     

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。     

基于人工智能的木材缺陷检测研究进展

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。     

干燥室内锯材摆放位置对干燥缺陷的影响

本文就小径柞木锯材在顶风机式干燥室内的摆放位置对锯材干燥缺陷的影响进行了分析。结果表明：锯材在干燥室内前后不同位置时，各项可见干燥缺陷无显著性差异；上下不同位置锯材的横弯和顺弯有显著差异，材堆上部锯材弯曲较大；相关分析显示，木材的弯曲和上下摆放位置的相关性在a=0．05的水平上是显著的，说明锯材上下位置不正确的摆放会增大干燥缺陷，尤其是增大锯材的弯曲，引起锯材降等。     

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。     

刍议服务于深度学习研究的林业遥感数据集建设

林业遥感数据集是林草行业开展深度学习研究的重要基础,更是林草资源实现自动化、智能化和动态化精准监测的重要保障.文中分析了自然图像和遥感图像数据集建设现状与方法,通过对深度学习算法在林业专题信息识别和分类中最新研究成果的阐述,表明建立林业遥感专用数据集的必要性和紧迫性;基于人工智能在图像处理领域的发展经验,提出林草业遥感...     

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。     

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。     

基于遗传算法的强化木地板表面缺陷的图像分割

强化木地板表面质量的图像检测技术在我国尚属空白.本文将遗传算法应用于强化木地板表面缺陷的图像分割,利用最大熵准则作为算法的适应度函数.实验表明,该算法可较准确地分割出强化木地板的表面缺陷,是一种有效的图像分割方法.     

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.     

基于模糊聚类分析的木材缺陷CT图像分割

为了提高木材的利用率,在木材加工之前对木材缺陷CT图像进行分割,将节子和空洞等缺陷分割出来,通过观察缺陷的位置便于工人师傅下锯。利用计算机断层扫描（CT）技术获取木材缺陷图像,将数字图像处理技术与模糊聚类算法相结合,在标准的模糊C均值算法的基础上改进,采用半模糊聚类的分析方法对木材缺陷图像进行分割检测。实验结果表明：基于半模糊聚类的图像检测方法在木材图像检测上取得了较好的效果,缺陷边缘处很平滑,细节保留完整,更多的保留了边缘上的信息。从而证明了半模糊聚类分析法在木材缺陷CT图像处理方面具有可行性。     

计算机断层扫描技术在木材科学中应用研究进展

计算机断层扫描（CT）技术作为一种高质、高效的无损检测技术,具有重建图像分辨率高、速度快等优点。鉴于该技术在医学领域取得的重大成就,国内外学者基于CT技术对木材做了大量研究,并将其应用于木材科学研究领域,验证了CT技术在木材检测和木材加工领域的可行性,同时取得了良好的使用效果。文中综述了CT技术在木材缺陷检测、木材宏观构造检测和木材切割中应用的研究进展,分析了现有技术存在的问题,展望了CT技术在木材科学领域的应用前景。