当前位置:主页 > 论文百科 > 森林论文 >

基于深度学习的木材优选锯视觉检测算法

发布时间:2024-04-10 20:15
  【目的】提出一种基于深度学习的木材优选锯视觉检测算法,以最大限度增加木材出材率,提高木材价值,并进一步提升木材加工行业自动化水平。【方法】通过样本训练获得木材缺陷和木材等级识别网络,视觉传感器获取需检测木材图像,由木材缺陷识别网络确定木材缺陷的具体位置;对于无缺陷木材,由木材等级识别网络确定视觉传感器视场内木材的具体等级,进而确定切除部位在图像坐标系下的位置;由事先确定的图像平面与木材物理平面之间的单应关系确定木材最终切除位置列表。【结果】在本研究试验条件下,基于深度学习的木材优选锯视觉检测算法单幅图像缺陷检测时间为123 ms,缺陷检测正确率为95.8%,单幅图像等级分类识别时间为55 ms,分类识别正确率为97.1%,平均检测时间为86 ms,平均正确率为96.5%。【结论】基于深度学习的木材优选锯视觉检测算法运行速度快、识别准确率高、鲁棒性强,可克服传统优选锯分类不佳且需要人工干预的缺点,自动化程度高,能够满足木材优选锯实时、准确检测要求。

【文章页数】:7 页

【部分图文】:

图1典型优选锯工作示意

图1典型优选锯工作示意

在木料加工行业,需要对木材优劣进行判断,以发挥木材的最大价值,其中,木材缺陷剔除和木材等级分类是不可或缺的重要环节,二者的工作效率和准确程度直接关系到木料出材率。在这种情况下,一种名为优选锯的机械自动化设备应运而生。典型的优选锯主要由2部分组成,即工业控制系统和机械执行机构。优选....


图2单应矩阵空间原理

图2单应矩阵空间原理

对于一根木材,缺陷是最先应该被处理的部分。缺陷主要包括节疤、虫眼和裂纹等,其存在会降低木材局部强度,增加木材开裂概率。木材缺陷种类较多,如图3所示。1.3.2木材等级


图3木材缺陷示意

图3木材缺陷示意

去除缺陷后,需对无缺陷木材进行等级分类。不同厂家的分类标准各异,通常情况下木材被分成4个等级,即直纹木板(straightgrain,SG)、花纹木板(wavygrain,WG)、色差木板(colordifference,CD)和色变木板(woodstrain,WS),每....


图4木材等级分类示意

图4木材等级分类示意

图3木材缺陷示意2木材优选锯视觉检测系统



本文编号:3950301

资料下载
论文发表

本文链接:https://www.wllwen.com/wenshubaike/mfmb/3950301.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户8e967***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com