深度学习在木材加工领域的研究进展

随着木材加工自动化的快速发展,深度学习技术已在木材加工领域得到运用,它的引入对木材加工企业转型升级、向着智能制造方向发展具有重要意义。概述了深度学习在木材加工领域的研究进展和具体应用,首先介绍了自编码器、深度信念网络、卷积神经网络、生成对抗网络、递归神经网络以及ViT 6种典型深度学习模型的模型结构及工作原理,并分析了不同深度学习模型的应用场景以及存在的问题。在此基础上结合具体木材加工领域详细地介绍了深度学习的应用,在原木检尺领域,深度学习方法可以解决自动化材积检测问题;在木材检测领域,深度学习方法为木材树种分类、缺陷识别以及纹理识别提供了有效工具;在木材干燥领域,深度学习方法因其良好的自适应能力可以建立更为精确的木材干燥模型。最后展望了深度学习在木材加工过程中亟待加强研究的方向,以提升深度学习解决木材加工过程中应用问题的广度和深度,提升木材加工产业的智能化水平和生产效率,进一步提高我国木材加工制造企业的科技创新能力,提高企业竞争力。     

基于深度学习的青梅品质智能分选技术与装备研究

青梅内外品质对其精深加工过程有重要影响,常规人工分选不仅分级效率较低,且受个人主观因素影响难以实现标准化作业,不能满足市场需求。以深度学习技术为基础,在青梅外表缺陷分类方面,将Vision Transformer网络模型应用到机器视觉系统中,引入多头注意力机制,提升全局特征表示能力,并通过softmax函数减少梯度,实现青梅表面的多类（腐烂、裂纹、疤痕、雨斑、完好5类）检测分选,结果表明其平均判别准确率达到99.16%,其中腐烂、疤痕、裂纹以及完好青梅图像的判别准确率达到100%、雨斑达到97.38%,每组平均测试时间为100.59ms;该网络的各类判别准确率、平均判别准确率均明显优于VGG网络、ResNet-18网络。青梅内部品质（SSC）预测方面,基于高光谱成像技术,结合低秩张量恢复（LRTR）的去噪优势和堆叠卷积自动编码器（SCAE）的降维优势,构建了LRTR-SCAE-PLSR青梅糖度预测模型。结果表明网络规模为119-90-55-36时,模型预测集相关系数为 0.9654,均方根误差为0.5827%,表现最佳;通过SCAE、LRTR-SCAE两种降维模型对比,LRTR-SCAE模型不仅维度更低,预测集相关系数也明显提高,验证了LRTR-SCAE模型的降维去噪优势。设计并搭建了可用于青梅内外品质无损分选的智能装备,整机尺寸小,结构简单,分选结果满足青梅精深加工需求。     

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。