基于深度学习的中密度纤维板表面缺陷检测系统研究
发布时间：2021-06-18 11:06
中密度纤维板是我国人造板行业的主要产品,经过二十多年的发展,已经形成了比较完整的生产工艺体系。但在当前的中密度板加工生产过程中,表面缺陷检测环节仍然大多依赖于人工。人工检测速度慢、效率低,同时由于检测人员的认识差异以及板材表面缺陷种类繁多,人工检测很难对板材表面质量给出一个客观准确的评价。因此,寻找一种准确高效的板材表面缺陷检测方法对于木制品企业提高产品质量和降低生产成本具有非常重要的价值。本文针对中密度纤维板的油污、松软、黑斑、杂物等6类缺陷,设计了一种基于深度学习的中密度纤维板表面缺陷检测系统。本系统使用工业线阵相机采集运动板材的表面图像,图像经过降噪等预处理后输入到深度学习算法中,进行缺陷种类、缺陷位置及缺陷面积大小的检测与质量分级,检测结果实时地在上位机软件中显示,并在本地数据库中保存。本文采用了目前主流的深度学习实例分割算法Mask R-CNN、Yolact、Center Mask进行缺陷检测实验,并对Center Mask算法的特征提取网络和图像分割网络进行了网络改进。在GPU型号为P2000的工作站上进行了算法评估实验与系统整体测试实验。算法评估实验结果表明:改进的Cen...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
深度学习目标检测技术发展里程碑Fig.1-1Milestoneinthedevelopmentofdeeplearningobjectdetectiontechnology
系统总体方案设计及图像采集平台搭建62系统总体方案设计及图像采集平台搭建2.1系统需求分析本系统的检测对象如图2-1所示，根据国家标准GB/T11718-2009—表面质量要求（如表2-1所示），可将中密度纤维板按表面缺陷数量与尺寸大小进行质量分级。本论文基于此标准设计了一套中密度纤维板表面缺陷检测系统，实现生产线上的中密度纤维板表面缺陷在线检测与质量分级。图2-1中密度纤维板Fig.2-1Mediumdensityfiberboard表2-1中密度纤维板国家标准GB/T11718-2009—表面质量要求Tab.2-1NationalstandardforMDFGB/T11718-2009—Surfacequalityrequirements名称质量要求允许范围优等品合格品分层、鼓泡或炭化—不允许不允许局部松软单个面积≤2000mm2不允许3个板边破损宽度≤10mm不允许允许油污斑点或异物单个面积≤40mm2不允许1个压痕—不允许允许注：同一张板不应有两项或以上的外观缺陷。根据市场调研及实验室横向项目，确定了本系统的各项具体要求。详情如下：(1)技术指标：图像精度：≥9pixel/mm2；检测板材运动速度：≥1m/s；检测板材大小：0.9mx0.9m；
系统总体方案设计及图像采集平台搭建82.2系统总体方案设计本文根据系统功能需求，进行了系统的总体方案设计和技术路线规划。中密度板表面缺陷检测系统主要由图像采集平台与上位机软件系统组成。图像采集平台由条形光源、线阵相机、光电开关组成，主要实现图像的采集与数据传输。软件系统则由相机SDK程序、深度学习算法、上位机软件、Mysql数据库等组成，用来实现图像预处理、图像检测、结果显示、结构储存及人机交互等功能。系统组成如图2-3所示：图2-3系统整体示意图Fig.2-3Overallsystemdiagram系统开发技术路线如图2-4所示。首先根据板材的尺寸和精度要求，进行相机和光源设备的选型，然后搭建线阵相机图像采集平台；其次设计数据库，用来存储识别信息，设计上位机软件，实现工作人员对整个系统的操作；然后进行数据集制作，训练与测试深度学习算法模型；分析影响模型识别精度的因素，进行模型的优化与改进；最后进行系统整体测试与优化，使系统高效率的实现采集、检测、显示等功能。
【参考文献】：
期刊论文
[1]基于视觉的目标检测方法综述[J]. 李章维,胡安顺,王晓飞. 计算机工程与应用. 2020(08)
[2]基于Faster R-CNN的中密度纤维板表面缺陷检测研究[J]. 高鹏威,高远,刘芳,杨建华. 木材加工机械. 2019(04)
[3]基于深度学习的木材表面缺陷图像检测[J]. 陈献明,王阿川,王春艳. 液晶与显示. 2019(09)
[4]我国木材加工业促进林业生态发展[J]. 陈水合. 中国人造板. 2019(08)
[5]基于随机森林算法的纤维板表面缺陷识别[J]. 刘传泽,王霄,陈龙现,郭慧,罗瑞,周玉成. 林业科学. 2018(11)
[6]人造板表面缺陷检测图像自适应快速阈值分割算法[J]. 郭慧,王霄,刘传泽,周玉成. 林业科学. 2018(11)
[7]基于图割算法的木材表面缺陷图像分割[J]. 白雪冰,李润佳,许景涛,宋恩来. 林业工程学报. 2018(02)
[8]应用灰度直方图特征识别木材表面节子缺陷[J]. 宋小燕,白福忠,武建新,陈晓东,张铁英. 激光与光电子学进展. 2015(03)
[9]我国中密度纤维板生产及应用进展[J]. 黄伟琨,潘仲年. 林业机械与木工设备. 2014(03)
[10]高新技术在木材加工中的应用[J]. 侯绪文. 科技创新与应用. 2013(28)
硕士论文
[1]基于机器视觉木材表面缺陷图像分割研究[D]. 陈炜文.华南农业大学 2016
本文编号：3236550
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
深度学习目标检测技术发展里程碑Fig.1-1Milestoneinthedevelopmentofdeeplearningobjectdetectiontechnology
系统总体方案设计及图像采集平台搭建62系统总体方案设计及图像采集平台搭建2.1系统需求分析本系统的检测对象如图2-1所示，根据国家标准GB/T11718-2009—表面质量要求（如表2-1所示），可将中密度纤维板按表面缺陷数量与尺寸大小进行质量分级。本论文基于此标准设计了一套中密度纤维板表面缺陷检测系统，实现生产线上的中密度纤维板表面缺陷在线检测与质量分级。图2-1中密度纤维板Fig.2-1Mediumdensityfiberboard表2-1中密度纤维板国家标准GB/T11718-2009—表面质量要求Tab.2-1NationalstandardforMDFGB/T11718-2009—Surfacequalityrequirements名称质量要求允许范围优等品合格品分层、鼓泡或炭化—不允许不允许局部松软单个面积≤2000mm2不允许3个板边破损宽度≤10mm不允许允许油污斑点或异物单个面积≤40mm2不允许1个压痕—不允许允许注：同一张板不应有两项或以上的外观缺陷。根据市场调研及实验室横向项目，确定了本系统的各项具体要求。详情如下：(1)技术指标：图像精度：≥9pixel/mm2；检测板材运动速度：≥1m/s；检测板材大小：0.9mx0.9m；
系统总体方案设计及图像采集平台搭建82.2系统总体方案设计本文根据系统功能需求，进行了系统的总体方案设计和技术路线规划。中密度板表面缺陷检测系统主要由图像采集平台与上位机软件系统组成。图像采集平台由条形光源、线阵相机、光电开关组成，主要实现图像的采集与数据传输。软件系统则由相机SDK程序、深度学习算法、上位机软件、Mysql数据库等组成，用来实现图像预处理、图像检测、结果显示、结构储存及人机交互等功能。系统组成如图2-3所示：图2-3系统整体示意图Fig.2-3Overallsystemdiagram系统开发技术路线如图2-4所示。首先根据板材的尺寸和精度要求，进行相机和光源设备的选型，然后搭建线阵相机图像采集平台；其次设计数据库，用来存储识别信息，设计上位机软件，实现工作人员对整个系统的操作；然后进行数据集制作，训练与测试深度学习算法模型；分析影响模型识别精度的因素，进行模型的优化与改进；最后进行系统整体测试与优化，使系统高效率的实现采集、检测、显示等功能。
【参考文献】：
期刊论文
[1]基于视觉的目标检测方法综述[J]. 李章维,胡安顺,王晓飞. 计算机工程与应用. 2020(08)
[2]基于Faster R-CNN的中密度纤维板表面缺陷检测研究[J]. 高鹏威,高远,刘芳,杨建华. 木材加工机械. 2019(04)
[3]基于深度学习的木材表面缺陷图像检测[J]. 陈献明,王阿川,王春艳. 液晶与显示. 2019(09)
[4]我国木材加工业促进林业生态发展[J]. 陈水合. 中国人造板. 2019(08)
[5]基于随机森林算法的纤维板表面缺陷识别[J]. 刘传泽,王霄,陈龙现,郭慧,罗瑞,周玉成. 林业科学. 2018(11)
[6]人造板表面缺陷检测图像自适应快速阈值分割算法[J]. 郭慧,王霄,刘传泽,周玉成. 林业科学. 2018(11)
[7]基于图割算法的木材表面缺陷图像分割[J]. 白雪冰,李润佳,许景涛,宋恩来. 林业工程学报. 2018(02)
[8]应用灰度直方图特征识别木材表面节子缺陷[J]. 宋小燕,白福忠,武建新,陈晓东,张铁英. 激光与光电子学进展. 2015(03)
[9]我国中密度纤维板生产及应用进展[J]. 黄伟琨,潘仲年. 林业机械与木工设备. 2014(03)
[10]高新技术在木材加工中的应用[J]. 侯绪文. 科技创新与应用. 2013(28)
硕士论文
[1]基于机器视觉木材表面缺陷图像分割研究[D]. 陈炜文.华南农业大学 2016
本文编号：3236550
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3236550.html
最近更新
教材专著
