论文部分内容阅读
我国木材资源有限,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。文中阐述了机器视觉检测技术及设备的国内外研究现状,介绍了基于机器视觉检测木材缺陷所涉及的相关理论和算法。机器视觉是对人类视觉的模拟,将机器视觉与人工智能相结合,可以大大提高检测的速度、稳定性和准确性,这对于加快木材加工产业的转型升级,提高企业的自动化和智能化水平具有重要的理论意义和较高的实用价值。因此,本文研究深度学习算法对实木板材缺陷进行检测,研究内容如下:(1)本文首先搭建图像采集装置,通过该装置采集以松木、杉木为主的实木板材表面缺陷图像并保存到样本数据库,实木板材图像缺陷类型主要包括活节、死节、裂纹、腐朽等,为了提高检测精度,采用深度学习算法对实木板材进行缺陷检测。(2)分析了R-CNN(Region-Based Convolutional Neural Networks)、Fast R-CNN(Fast Region-Based Convolutional Neural Networks)、Faster R-CNN(Faster Region-Based Convolutional Neural Networks)等几种经典的目标检测算法,比较了各算法的优劣,最终选定Faster R-CNN、SSD(Single Shot-multibox Detector)算法作为本课题的研究模型。介绍了Faster R-CNN算法以及一般处理流程。以实木板材表面缺陷图像为对象,采用SSD算法对其进行缺陷检测以及结果分析,发现SSD算法对小特征的识别效果有所欠缺,对小目标特征的检测能力不足,因此,提出了改进的SSD算法。经过实验结果对比,发现Faster R-CNN、改进的SSD算法对实木板材表面常见缺陷的检测有着非常优越的性能。(3)开发了基于深度学习的实木板材缺陷检测系统。通过SQL Server软件工具建立实木板材原始图像信息表、实木板材缺陷图像信息表、实木板材缺陷分类等级信息表。设计实木板材缺陷检测系统界面,介绍各模块功能,具有良好的人机交互性。