CN108362703A - 一种基于人工智能的单板检测方法和检测设备 - Google Patents

一种基于人工智能的单板检测方法和检测设备 Download PDF

Info

Publication number
CN108362703A
CN108362703A CN201711335874.2A CN201711335874A CN108362703A CN 108362703 A CN108362703 A CN 108362703A CN 201711335874 A CN201711335874 A CN 201711335874A CN 108362703 A CN108362703 A CN 108362703A
Authority
CN
China
Prior art keywords
veneer
image
detected
sample
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711335874.2A
Other languages
English (en)
Inventor
丁磊
张先耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Woodstate Science And Technology Co Ltd
Original Assignee
Beijing Woodstate Science And Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Woodstate Science And Technology Co Ltd filed Critical Beijing Woodstate Science And Technology Co Ltd
Priority to CN201711335874.2A priority Critical patent/CN108362703A/zh
Publication of CN108362703A publication Critical patent/CN108362703A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请公开了一种基于人工智能的单板缺陷检测方法及检测设备。通过获取经背面透过性照射的待检测单板图像，根据经过机器学习的缺陷检测模型对所述待检测单板图像进行识别和匹配，并根据所述识别和匹配的结果得到所述待检测单板的质量信息；获取图像过程中，通过限位装置，保证待检测单板与图像采集装置相对位置不变；同时还能实现识别结果的标记输出和单板检测识别后的分类拣选。解决了传统的机器视觉方法只能检测木皮的颜色或纹理缺陷，无法检测木皮的厚薄均匀度问题；实现了检测、标记到分类拣选的自动化流水作业。

Description

一种基于人工智能的单板检测方法和检测设备
技术领域
本申请属于人工智能光学检测技术领域，具体涉及一种基于人工智能的单板缺陷检测方法和检测设备。
背景技术
在木材加工领域，木板分成实木木板以及人造板。其中人造板中的胶合板和其它胶合层基材是通过多张木皮/单板黏合而成的。一般优质单板用于胶合板、细木工板、模板、贴面板等人造板的面板，等级较低的单板用作背板和芯板。
本申请是针对木皮等单板加工的基于人工智能的自动化木皮质量检测和分类设备。
以木皮为例，由于木皮加工本身的限制，使得木皮的质量呈现出一定的随机性。其中最重要的一个特征在于加工后的木皮的厚薄不均匀，这是由于木材本身生长的随机性导致木材的硬度不均匀，在通过切刀的时候，硬度较高的部分产生的木皮厚度较大，质量较高。然而硬度较低的部分产生的木皮厚度较薄，质量较差。当一整块木皮的厚薄度严重不均匀时，该木皮就需要经过修补后才可以进入下一步工序，甚至整张变成等外材不适合加工。除此之外，木材本身也可能由于其他因素出现一些缺陷，例如虫眼、矿物线、色差等缺陷，这样的木皮不适合作为面板使用。
因此，对木皮质量的检测是木皮加工中重要的一个环节。所述木皮的质量包含多种参数或维度，木皮的厚度是最基本的参数或维度，此外，木皮的厚度分布也是一个重要的维度，因为只有厚度分布均匀的木皮才能产生厚度稳定的木皮，再有，木皮的缺陷也是质量的一个重要维度，因为缺陷决定了该木皮能够直接用于还是需要经过修补才能用于后续的加工。然而，传统的机器视觉方法虽然可以检测木皮的颜色或纹理缺陷，但无法检测木皮的厚薄均匀度的问题，这是由于厚度分布并不能直接体现在传统的机器视觉方法获得的木皮表面图像之上造成的。
进一步地，如果要使用带有虫眼、矿物线等缺陷的木皮，则需要对上述缺陷进行进一步的修补，才能用于后续木皮加工。而这依赖于有效的分类以及快速、准确的标记，传统方式大量依靠人工参与，严重影响效率。
发明内容
本申请实施例提供一种基于人工智能的单板缺陷检测技术方案，适用于木皮、竹皮等单板质量的自动化检测。
在一种可能的实施方式中，提供了
一种基于人工智能的单板缺陷检测方法，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
其中，在获取图像过程中，待检测单板与图像采集装置相对位置不变。
进一步地，通过限制单板或传送装置的移动，实现所述单板与图像采集装置的相对位置不变。
在又一种可能的实施方式中，提供了一种基于人工智能的单板缺陷检测方法，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
根据所述质量信息的输出结果对所述单板进行标记。
进一步地，利用激光打标或喷涂的方式标记。
进一步地，所述待检测单板的质量信息的输出结果包括：直接输出不同质量等级的判断结果；或者，
输出不同质量等级的判断结果、并标注出厚度或厚度分布不均匀的区域。
进一步地，所述输出结果进一步包括：识别出的缺陷类型，和/或单板的用途分类。
在又一种可能的实施方式中，提供了一种基于人工智能的单板缺陷检测方法，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
根据所述质量信息对所述单板分类拣选。
进一步地，所述单板的分类拣选通过传送切换装置的动作或机械手臂实现。
进一步地，在前述提到的所有可能的实施方式中，所述背面透过性照射的辐射源为光源。
进一步地，所述缺陷检测模型利用机器学习获得，具体包括如下步骤：
获取经背面透过性照射的单板样本图像；
接收对所述单板样本图像的标注信息；
将标注后的图像样本输入到需进行机器学习的初始模型中；
根据所述单板样本图像和对应的所述标注信息对初始模型进行训练，获得经过机器学习的缺陷检测模型。
进一步地，所述标注信息包括样本图像数据、样本的厚度等级数据、样本的质量等级数据和背面光照强度数据中的一个或多个。
进一步地，所述接收对所述单板样本图像的标注信息的步骤进一步包括：
接收对单板厚度存在问题的区域和强度的标注信息；和/或，
接收对通过背面光照系统得到的图像中呈现的单板虫眼和/或矿物线缺陷的标注信息。
在又一种可能的实施方式中，提供了一种基于人工智能的单板缺陷检测设备，所述设备包括：
传送装置；
单板限位装置，能够将传送装置上的单板固定于图像采集区；
图像采集装置，用于在单板固定于图像采集区时获取单板的透过性照射图像；
以及，
质量检测单元，用于通过图像采集装置获取的图像，对单板的缺陷进行识别，并输出识别结果。
进一步地，还包括位置检测器，所述位置检测器与单板限位装置相连，用于检测所述单板是否到达图像采集区。
进一步地，还包括输出标记装置；根据所述质量检测单元的识别结果对单板进行标记。
进一步地，还包括分类装置；根据所述质量检测单元的识别结果对所述单板分类拣选。
进一步地，所述位置检测器包括光电传感器、电容传感器、接近开关、霍尔传感器、压电传感器中的一种或多种。
进一步地，所述标记的方式为喷涂或激光打标。
进一步地，所述分类装置包含至少一个分类模块，每个分类模块包含一个传送切换装置；
所述检测设备还包括传送装置，所述分类模块与传送装置相连。
进一步地，所述识别结果包括：质量等级的判断、厚度或厚度分布不均匀的区域、缺陷类型的识别、单板的用途分类中的至少一个。
进一步地，所述透过性照射为可见光。
进一步地，所述质量检测单元还包括：具有自动检测模型的缺陷检测模块，自动检测模型结合相应的属性进行机器学习，所述相应的属性为预设的检测属性或自定义检测的属性。
在又一种可能的实施方式中，提供了一种计算机可读介质，其上存储有计算机指令，该计算机指令被执行以实现如上方法中所述的方法步骤。
在又一种可能的实施方式中，提供了一种电子设备，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上方法中所述的方法步骤。比如：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
其中，在获取图像过程中，待检测单板与图像采集装置相对位置不变。
进一步地，所述缺陷检测模型利用机器学习获得，具体包括如下步骤：
获取经背面透过性照射的单板样本图像；
接收对所述单板样本图像的标注信息；
将标注后的图像样本输入到需进行机器学习的初始模型中；
根据所述单板样本图像和对应的所述标注信息进行训练，获得经过机器学习的缺陷检测模型。
进一步地，所述获取经背面透过性照射的单板样本图像的步骤进一步包括：
通过传送装置将单板样本传输到图像采集区，所述图像采集区与产生背面透过性照射的透过性照射系统的照射区处于同一区域。
进一步地，所述获取经背面透过性照射的单板样本图像的步骤进一步包括：
透过性照射系统通过光源，从单板样本的背面投射光线，该光源的光照强度通过控制，使得光线可以穿透单板样本，在置于单板正面的图像采集装置中呈现图像。
进一步地，该光照强度通过控制器来控制，使得在加工的单板的既定厚度下总是能够穿透单板样本；或者，
通过图像采集装置的输入或反馈自动调节光照强度，使得光照强度能够自适应不同的单板厚度；使得光线穿透单板之后所形成的图像能够反映该单板样本的厚度分布。
进一步地，所述获取经背面透过性照射的单板样本图像的步骤进一步包括：
利用正面照射光源正面照射单板样本；控制器控制正、反面的光照强度，使得透射光源发射的光线透过木皮后能够呈现更清晰的图像。
进一步地，所述待检测单板的质量信息的输出结果包括：直接输出不同质量等级的判断；或者，
输出不同质量等级的判断、并标注出厚度或厚度分布不均匀的区域。
进一步地，所述输出结果进一步包括：缺陷类型的识别，和/或单板的用途分类。
本申请实施方式提供的方法、系统及设备具有突出的技术效果：
(1)在满足单板厚度相关缺陷检测的前提下，还能够对一些缺陷类型进行识别，例如木皮中虫眼、矿物线等缺陷类型；
(2)采用了透过性照射获取图像的方式，使图像具备了厚度以及厚度分布不均匀度等信息，丰富了图像所携带信息的维度。
(3)由于获取单板图像时采用了限位设置，成像更清晰、稳定，降低了对图像采集装置的硬件要求，有效降低了设备成本和运行时序密集度要求；
(4)实现了标注信息在单板上的具现，方便后续加工操作；
(5)集成了自动化分类拣选，实现了检测、标记到分类拣选的自动化流水作业；
(6)相对于传统的缺陷检测方式，本申请提供的技术方案融合了人工智能技术，自动化程度高，大大降低了人力成本；同时，检测结果更加准确快速。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。
图1为本申请实施例通过背部透过性照射系统得到木皮样本图像；
图2为依照本申请实施例使用正面投射光源得到的木皮样本图像；
图3为本申请一个实施例中带有木皮质量标注的示例图；
图4为本申请一个实施例中卷积神经网络示意图；
图5为本申请一个实施例中用于木皮质量的神经网络结构示意图；
图6a为本申请一个实施例中木皮缺陷检测设备的主视图；
图6b为本申请一个实施例中木皮缺陷检测设备的俯视图；
图7为本申请又一实施例的木皮缺陷检测设备的示例的结构框图；
图8为实现和/或传播本申请技术方案的通用型计算机设备的一种示例的结构框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本领域技术人员可以理解，本申请中的“第一”、“第二”等术语仅用于区别不同设备、模块或参数等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
薄木，俗称“木皮”，是一种具有珍贵树种特色的木质片状薄型饰面或贴面材料。装饰薄木(木皮)的种类较多，目前，国内外还没有统一的分类方法。一般具有代表性的分类方法是按薄木的制造方法、形态、厚度及树种等来进行的。木皮质量的检测是木皮加工中重要的一个环节。传统的机器视觉方法可以检测木皮的颜色或纹理缺陷，但无法检测木皮的厚薄均匀度的问题。
在本申请的实施例中，提出了基于人工智能的设备并适用于木皮质量的自动化检测和分类。在一种实施方式中，提供了一种部署于木材加工工厂的设备，所述设备包括：木皮传送装置、图像采集装置、透过性照射装置和木皮质量检测单元。木皮传送装置用于输送木皮至图像采集区域，木皮传送装置可以是通过滚轮或传送带的形式。当木皮传送装置将木皮传输至一个图像采集区域，图像采集区域设置有图像采集装置和透过性照射装置。透过性照射装置用于控制并发射辐照，使得辐照透过木皮，并被图像采集装置捕捉。透过性辐照使得木皮质量信息被转化为能够被图像采集装置采集到的图像信息，该图像信息被输送至木皮质量检测单元并完成木皮质量检测。
图1展示了本申请一个典型的应用方式：一个通过背部透过性照射系统得到木皮样本图像。所述辐射源优选为可见光光源，进一步地，所述辐射源优选为强度可调光源。结合图1及图6a、6b介绍具体工作过程如下：首先，木皮被传送装置传递进入一个图像采集区域，木皮传送装置包含一个木皮停止装置h，木皮停止装置h与一个位置检测器s相连，用于将传送装置中的木皮样本固定于图像采集区域。当木皮样本到达图像采集区域时，位置检测器s发送感测信号给相应控制器，控制所述停止装置h动作，将样本固定在图像采集区域。图像采集装置在获得木皮样本图像之后发送信号给相应控制器，控制器给出控制信号到停止装置h，停止装置h改变状态使得木皮被传送出图像采集区域。图像采集区与透过性照射系统处于同一区域。透过性照射系统通过一个光源，例如由多个LED光源组成的平面光源，从木皮样本的背面投射光线，该光源的强度通过控制，使得光线可以穿透木皮样本，在置于木皮正面的传感器中呈现一个图像。该照射系统的光照强度可以通过一个控制器来控制，使得在加工木皮的既定厚度下总是能够穿透木皮样本。
进一步，控制光照强度的控制器与控制停止装置h的控制器可以是相同或不同。
进一步，位置检测器s可以是一个或多个；
进一步，位置检测器s可以是一种或多种；
进一步，位置检测器s可以是光电传感器、电容传感器、接近开关、霍尔传感器、压电传感器等。
在一种优选实施方式中，当木皮样本到达图像采集区域时，直接被处于默认位置的停止装置h阻挡或固定，使样本停留或固定在图像采集区域。位置检测器s发送样本到位信号，图像采集装置采集木皮样本图像，在获得木皮样本图像之后，图像采集装置发送信号给相应控制器，控制器给出控制信号到停止装置h，停止装置h改变状态使得木皮被传送出图像采集区域。控制器根据位置检测器s的信号，控制停止装置h回复到默认位置。
在一种优选实施方式中，停止装置h的动作方式为限制或解除限制传送装置的移动。
在一种优选实施方式中，停止装置h的动作方式为限制或解除限制木皮或木皮样品的移动。
在一种优选实施方式中，停止装置h的动作方式为伸出和回缩。
在一种优选实施方式中，可以没有位置检测器s，直接通过控制器控制传输装置的传输和停止，以适应图像采集装置的采集工作。例如，通过控制步进电机来控制木皮样本或木皮的传输。
在一种优选实施方式中，该控制系统可以通过图像采集设备的输入或反馈自动调节光照强度，使得光照强度能够自适应不同的木皮厚度。由于木皮厚度对光线穿透性的影响，使得光线穿透木皮之后所形成的图像能够反映该木皮样本的厚度分布。
其中，所述木皮样本的“背面”与“正面”是相对的概念，并非严格的方位限定；并且，透过性光源与图像传感器的位置优选可以互换。
进一步，该方案还可以包含一个用于与远端服务器连接的通信单元。
在一种优选的实施方式中，透过性照射系统还包括一个正面的光照系统，控制器控制正反面光照强度，使得透射光源发射的光线透过木皮后能够呈现一个较好的图像。
进一步，所述控制器可以使用一个预先配置的方式将光照强度优化并固定。同时也可以使用一个自适应的方式来调节背面、或背面和正面两侧光照强度。一种优选的方式是进行多强度扫描，同时，使用图像采集设备采集样本图像并输入分析器，分析器能够识别该光照强度下是否能够得到携带厚度分布信息的图像样本，如果能够则停止改变光照强度；如果不能满足条件，则继续改变光照条件。
注意，本申请中的透过性照射系统与其他基于机器视觉的用于补光的光照系统不同，本申请技术方案通过背面投射的方式，使得作为一个长度物理量测量的厚度检测，转化成一个图像识别的方法。因此，如果单纯使用正面光照的方法，仅能识别木板正面的纹理特征，任何机器视觉的方法均无法通过获取的图像识别木皮的厚度分布。图1中给出了一个示例光照系统下的木皮的图像样本。作为对比，图2中给出了一个只有正面光源投射下的该木皮的图像样本。从图中可以清晰见到，只有透过性照射系统下的图像能够反映木皮厚度分布信息，而正面投射光源无论光源强度多高，只能得到木皮的纹理和颜色特征，因此透过性照射系统是本系统的核心发明点之一。通过透过性照射系统，同样作为一个图像样本，使得该图像样本携带了木皮的厚度分布信息。此方法优选适用于木皮或类似单板的加工和/或检测领域，因为木皮或类似单板的厚度能够允许光线穿透，而其他较厚产品如木板则无法通过背面光照系统得到厚度信息。
在此，本领域技术人员应该能够理解，上述基于可见光源的透射检测方式仅为举例，现有或今后出现的其他情况，例如，基于红外光、紫外光、太赫兹辐射等方面的透射成像方式也应该包含在本申请的保护范围内，并以引用的形式包含于此。
基于透过性照射系统和图像采集设备，可以获得一个木皮样本的图像样本。为了使用以下描述的机器学习的方法，需要对样本进行标注。此处，标注是对一个图像样本以及该样本的厚度分布信息进行标注。一种基础的标注方法为，将该木皮厚度的等级进行标记，此处厚度的等级包含木皮的厚度以及厚度均匀度的信息。一种进阶的标注方式为，将厚度等级划分为多个等级，分别对应于木皮用于后续加工的质量等级。例如一个标注如下：
示例一
[d][fn][Si]
其中，d为一个图像样本的数据，例如可以是原始图像数据，也可以是经过图像处理的图像样本数据。fn为厚度相关的等级。在一种优选的实施方式中，背部光照强度Si也可以作为一个信息标注维度，与图像样本进行关联；其中，字母n和i为自然数。厚度等级可以与后续加工相关联，因此该等级也可以被视作是一种质量等级，例如只有f5级的木皮才可以用于面板，而f5以下的木皮只能用于底板或芯板；再例如，可以将f0级别作为一种低质量的等级，厚度严重不均匀使得其无法用于任何胶合板的加工。
在一种优选的实施方式中，则可以对木皮厚度存在问题的区域和强度进行进一步标注。例如，对木皮厚度低于一个预定义阈值的区域或厚度分布不均匀的区域进行区域标注以及该区域的质量等级进行标注。
在另一种优选的实施方式中，则可以对木皮其他的缺陷进行标注，例如虫眼、矿物线等缺陷。这种标注不仅标注区域和质量等级，还可以标注缺陷的类型。也就是说这种标注可以记录更细分的有关木皮质量的信息，这些信息与上述厚度不均匀一样，可以通过背部光照系统得到的图像中得以呈现。
根据以上标注方式可以看出，通过对木皮图像进行更细致的标注，可以使得样本中携带的有关木皮质量的信息得以被标记。注意，其中能够被标记的特征必须是能够通过背部透射光照系统得以呈现在图像采集装置中的木皮特征，其他无法呈现的特征即使被标注也无法应用后续的木皮质量检测系统/单元所识别。图3中给了一种所述标注方法的示意图，其中f1区域是一个厚度等级的标注，意味着此处为一个f1等级的区域。此处f1不一定直接等于厚度，也可以包含厚度分布的信息，f1等级是一个较低的等级，意味着该区域质量较差。从图3中可以看到，该区域较为明亮，意味着厚度较薄，并且分布着不同的花纹，意味着厚度分布不均匀。图中z1区域可以是一个缺陷类型的标注，可以代表为一个矿物线或裂痕。
进一步，将上述标注后的图像样本输入到自动检测模型中，自动检测模型结合相应的属性对神经网络进行训练。
其中上述神经网络包括含有多个层、每个层包含多个节点、相邻两层多个节点之间存在可训练权重的神经网络。
图4中给出了本申请实施例的一个卷积神经网络的示意图，其中包括了多个卷积层和降采样层以及全连接层。卷积层是卷积神经网络的核心模块，通过与一个滤波器(filter)的卷积操作，将前一层的多个节点与下一层的节点相连。一般来说，卷积层的每一个节点只与前一层的部分节点相连。通过训练过程，其中使用初始值的滤波器可以根据训练数据不断改变自身的权重，进而生成最终的滤波器取值。降采样层可以使用最大池化(max-pooling)的方法将一组节点降维成一个节点，优选使用非线性取最大值的方法。在经过多个卷积层和降采样层后，一个全连接层最终用于产生检测的输出，全连接层将前一层的所有节点与后一层的所有节点相连，这与一个传统的神经网络类似。
在学习训练过程中，我们将木皮的样本数据作为输入，将其所在的自定义检测等属性作为输出，通过训练算法，例如梯度下降(gradient descent)算法使得神经网络中的滤波器权重值改变，进而使得输出与样本数据中的检测差异最小。随着使用的训练数据量的不断增大，不断改变的网络节点值不断改变并提高，神经网络的检测能力也就得到了提升。当训练结束后，得到一个训练好的神经网络，包括所设计的网络架构，例如图4中的层级设计以及层级之间连接方法，以及经过训练而改变的滤波器权重值。这些权重值被记录下来，并在后期的使用中被重复利用。
学习过程可以在本地检测系统中完成，也可以在云端完成。在一种实施方式中，图像采集装置采集木皮样本的图像数据以及标注后的数据集传送到云端服务器进行模型训练，服务器将训练后的模型传输到本地的处理器并完成部署。
在一种实施方式中，云端服务器可以使用多种来源的训练数据。例如来自多个本地图像采集并标注的数据，进而使得获得的数据量增大。
在检测状态，一个传送带携带一个木皮样本通过图像采集区域，图像采集区域通过透过性照射系统在木皮样本背部投射光源。一种优选的实施方式可以通过一个控制器对背部投射光源光照强度进行控制，使得图像采集装置能够获取到足够的透过性光线。将采集到的图像输入至训练后的神经网络中，可以得到一个用于判断木皮质量的输出。在另一种优选的实施方式中，光照强度可以与图像样本同时输入至训练后的神经网络。神经网络可以根据准确的光照强度对图像进行更加精准的分析。这是由于，光照强度能够改变透过木皮的光线的强度，进而影响图像的成像效果，不同的光照强度产生的图像可能导致神经网络的误判。例如增强光照强度后神经网络判断该木皮厚度较薄。因此，将光照强度作为一个单独的输入，与图像样本一起输入至神经网络，则可以归一化该光照强度的影响，使得神经网络的判断更为精准。图5给出了一个对应的示意图。
关于检测输出的结果，可以有多种形式：
一种检测输出是，神经网络直接输出不同质量等级的判断，例如根据厚度及其分布情况分类得到的一个评级信息；
另外一种检测输出是，神经网络不仅可以给出木皮质量的等级判断，还可以进一步标注出厚度或厚度分布不均匀的区域；例如在木皮的图像中标出厚度不满足条件或厚度分布均匀度不满足条件的区域，神经网络可以进行识别并标记，甚至对该区域的质量评级以及厚度信息进行识别并标记；
又一种检测输出是，神经网络不仅可以给出木皮质量的等级判断以及厚度或厚度分布的标注，还可以对一些缺陷类型进行识别，例如木皮中虫眼、矿物线等缺陷类型进行标注。
再又一种检测输出是，神经网络可以给出木皮的用途分类。例如，该木皮可以适用于后期复合木板的哪种用途，例如可以用于木板的表面或背面或中间层。
在此，本领域技术人员应该能够理解，除了上述的神经网络，其他的机器学习方法也同样适用于包括木皮在内的单板缺陷检测。例如，随机森林、支持向量机、深度置信网络、K-means、K-neighboring等方法也应该包含在本申请的保护范围内，并以引用的形式包含于此。
在又一种实施方式中，木皮质量检测设备还包含一个用于标记检测输出的装置。该装置可以是对木皮进行标记的装置，例如通过激光打标或喷涂的方法将上述木皮质量检测的输出进行标记。
在另外一种实施方式中，木皮质量检测设备还包含对木皮进行分类的装置。例如通过级联式的分类模块与传送装置相连，每个分类模块包含一个传送切换装置，当木皮被分入对应分类时，切换装置打开，木皮被传送至对应分类。当木皮被分入其他分类时，切换装置关闭，木皮被传送至下一个分类模块。
图6a、6b中给出了本发明所提供的带有分类装置的木皮缺陷检测设备结构示意图(部分装置或单元未示出)，图中前端(最右端)部分为图像采集区域以及质量检测单元，一个木皮首先进入该区域并完成质量检测和分类。进而，图中装置后端包含两个分类模块，当质量检测单元判定该样本应该被分入第一个类别时，液压杆j到达伸出位置，顶起第一分类模块的传送装置a，样本传送路径进入第一个类别堆积区f。当质量检测单元判定该样本应该被分入第二个类别时，第一模块的液压杆j处于回缩位置。第一分类模块的传送装置a不被顶起，第二分类模块的液压杆k到达伸出位置，顶起第二分类模块的传送装置c，样本通过第一分类模块的传送装置a，经传送装置b和第二分类模块的传送装置c进入第二类别的堆积区g。
进一步，木皮的分类装置可以包含三个以上的分类模块，当质量检测单元判定该样本应该被分入第三个类别时，第一模块的液压杆j、第二分类模块的液压杆k处于回缩位置，样本通过相关传送装置和第三分类模块的传送装置进入第三类别的堆积区……，以此类推，完成木皮的分类。
在一种可选的实施方式中，木皮的分类工作也可以通过电磁阀控制相关动作完成。
在一种可选的实施方式中，木皮的分类工作也可以通过机械手臂的方式完成。在本申请的实施例中，还提出了一种基于人工智能的方法并适用于木皮质量的自动化检测和分类。
所述方法包括如下步骤：
S1、通过背部透过性照射获取木皮样本图像。所述辐射源优选为可见光光源，进一步地，所述辐射源优选为强度可调光源。
具体步骤包括：
S11、通过传送装置将木皮传输到图像采集区域，所述图像采集区与透过性照射系统处于同一区域；所述木皮在图像采集过程中，基本静止于图像采集区域；
S12、透过性照射系统通过光源，例如由多个LED光源组成的平面光源，从木皮样本的背面投射光线，该光源的强度通过控制，使得光线可以穿透木皮样本，在置于木皮正面的传感器中呈现一个图像。该光照强度可以通过一个控制器来控制，使得在加工木皮的既定厚度下总是能够穿透木皮样本。
在一种优选实施方式中，可以通过图像采集设备的输入或反馈自动调节光照强度，使得光照强度能够自适应不同的木皮厚度。由于木皮厚度对光线穿透性的影响，使得光线穿透木皮之后所形成的图像能够反映该木皮样本的厚度分布。
其中，所述木皮样本的“背面”与“正面”是相对的概念，并非严格的方位限定；并且，透过性光源与图像传感器的位置优选可以互换。
在一种优选的实施方式中，还包括一个正面的光照步骤S13，
S13、正面照射木皮样本。控制器控制正、反面光照强度，使得透射光源发射的光线透过木皮后能够呈现一个较好的图像。
进一步，所述控制器可以使用一个预先配置的方式将光照强度优化并固定。同时也可以使用一个自适应的方式来调节背面、或背面和正面两侧光照强度。一种优选的方式是进行多强度扫描，同时，使用图像采集设备采集样本图像并输入分析器，分析器能够识别该光照强度下是否能够得到携带厚度分布信息的图像样本，如果能够则停止改变光照强度；如果不能满足条件，则继续改变光照条件。
S2、对获得的木皮样本图像进行标注。所述标注是对一个图像样本以及该样本的厚度分布信息进行标注。例如一个标注如下：
[d][fn][Si]
其中，d为一个图像样本的数据，例如可以是原始图像数据，也可以是经过图像处理的图像样本数据。fn为厚度相关的等级。背部光照强度Si为可选标注，在一种优选的实施方式中，Si也可以作为一个信息标注维度，与图像样本进行关联。
所述步骤S2还可以进一步包括如下步骤：
S21、对木皮厚度存在问题的区域和强度进行进一步标注。例如，对木皮厚度低于一个预定义阈值的区域或厚度分布不均匀的区域进行区域标注以及该区域的质量等级进行标注。
S22、对木皮其他的缺陷进行标注，例如虫眼、矿物线等缺陷。这种标注不仅标注区域和质量等级，还可以标注缺陷的类型。也就是说这种标注可以记录更细分的有关木皮质量的信息，这些信息与上述厚度不均匀一样，可以通过背部光照系统得到的图像中得以呈现。其中能够被标记的特征必须是能够通过背部透射光照系统得以呈现在图像采集装置中的木皮特征，其他无法呈现的特征即使被标注也无法应用后续的木皮质量检测系统/单元所识别。
S3、将标注后的图像样本输入到自动检测模型(初始模型)中，自动检测模型结合相应的属性对神经网络进行训练。其中上述神经网络包括含有多个层、每个层包含多个节点、相邻两层多个节点之间存在可训练权重的神经网络。其中，相应的属性为预设的检测属性或自定义检测的属性。
具体步骤包括：
S31、生成最终的滤波器取值。卷积层通过与一个滤波器(filter)的卷积操作，将前一层的多个节点与下一层的节点相连。一般来说，卷积层的每一个节点只与前一层的部分节点相连。通过训练过程，其中使用初始值的滤波器可以根据训练数据不断改变自身的权重，进而生成最终的滤波器取值。
S32、节点降维。降采样层可以使用最大池化(max-pooling)的方法将一组节点降维成一个节点，优选使用非线性取最大值的方法。在经过多个卷积层和降采样层后，一个全连接层最终用于产生检测的输出，全连接层将前一层的所有节点与后一层的所有节点相连。
学习过程可以在本地检测系统中完成，也可以在云端完成。在一种实施方式中，图像采集装置采集木皮样本的图像数据以及标注后的数据集传送到云端服务器进行模型训练，服务器将训练后的模型传输到本地的处理器并完成部署。
在一种实施方式中，云端服务器可以使用多种来源的训练数据。例如来自多个本地图像采集并标注的数据，进而使得获得的数据量增大。
S4、将采集到的图像输入至训练后的自动检测模型的神经网络中，得到一个用于判断木皮质量的输出。
所述步骤S4还可以进一步包括如下步骤：
S41、光照强度与图像样本同时输入至训练后的神经网络。将光照强度作为一个单独的输入，与图像样本一起输入至神经网络，则可以归一化该光照强度的影响，使得神经网络的判断更为精准。神经网络根据准确的光照强度对图像进行更加精准的分析。这是由于，光照强度能够改变透过木皮的光线的强度，进而影响图像的成像效果，不同的光照强度产生的图像可能导致神经网络的误判。
S42、神经网络输出不同质量等级的判断。例如根据厚度及其分布情况分类得到的一个评级信息；
S43、在木皮的图像中标注出厚度或厚度分布不均匀的区域。例如在木皮样本的图像中标出厚度不满足条件或厚度分布均匀度不满足条件的区域，神经网络可以进行识别并标记，甚至对该区域的质量评级以及厚度信息进行识别并标记；
S44、对缺陷类型进行识别。例如木皮中虫眼、矿物线等缺陷类型进行识别标注；通过激光打标或喷涂的方法将上述木皮质量检测的输出进行标记。
S45、神经网络给出木皮的用途分类。例如，该木皮可以适用于后期复合木板的哪种用途，例如可以用于木板的表面或背面或中间层。
所述步骤S45还可以进一步包括如下步骤：
S451、当木皮样本被分入第一对应分类时，通过传送装置及传送切换装置，将木皮传送至第一对应分类；
S452、当木皮样本被分入其他分类时，通过传送装置及传送切换装置，将木皮传送至第二分类；以此类推，直至完成木皮的分类拣选。
本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定；“初始模型”包括但不限于未经训练的原始模型，也可以是其他批次或种类的单板数据训练的、但不能直接用于当前检测的模型，或其他任何可实现本发明对应功能或效果的检测模型。
此外，本申请实施例还提供了一种存储设备，例如，计算机可读介质，包括在被执行时进行以下操作的计算机可读指令：执行上述实施方式中的方法的各步骤的操作。
本申请实施例的木皮自动检测装置的又一种示例的结构，本申请具体实施例并不对木皮自动检测装置的具体实现做限定。如图6所示，该木皮自动检测装置100可以包括：
处理器(processor)110、通信接口(Communications Interface)120、存储器(memory)130、以及通信总线140。其中：
处理器110、通信接口120、以及存储器130通过通信总线140完成相互间的通信。
通信接口120，用于与比如客户端等的网元通信。
处理器110，用于执行程序132，具体可以执行上述方法实施例中的相关步骤。
具体地，程序132可以包括程序代码，所述程序代码包括计算机操作指令。
处理器110可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器130，用于存放程序132。存储器130可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。程序132具体可以用于使得所述木皮自动检测装置100执行以下步骤：
获取经背面透过性照射的木皮样本图像；
接收对所述木皮样本图像的标注信息；
将标注后的图像样本输入到需进行机器学习的初始模型中；根据所述木皮样本图像和对应的所述标注信息进行训练，获得经过机器学习的缺陷检测模型
获取经背面透过性照射的待检测木皮图像；
根据经过机器学习的缺陷检测模型对所述待检测木皮图像进行识别和匹配；
根据所述识别和匹配的结果得到识别和匹配后的木皮的质量信息；
基于所述质量信息标记识别和匹配后的木皮，和/或基于所述质量信息分类拣选识别和匹配后的木皮；
所述木皮样本或待检测木皮在图像获取过程中，基本静止于图像采集区域。
程序132中各步骤的具体实现可以参见上述实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。比如，典型地，本申请的技术方案可通过至少一个如图7所示的通用型计算机设备210来实现和/或传播。在图7中，通用型计算机设备210包括：计算机系统/服务器212、外接设备214和显示设备216；其中，所述计算机系统/服务器212包括处理单元220、I/O接口222、网络适配模块224和存储模块230，内部通常通过总线实现数据传输；进一步地，存储模块230通常由多种存储设备组成，比如，RAM(RandomAccessMemory，随机存储器)232、缓存234和存储系统(一般由一个或多个大容量非易失性存储介质组成)236等；实现本申请技术方案的部分或全部功能的程序240保存在存储模块230中，通常以多个程序模块242的形式存在。
而前述的计算机可读取存储介质包括以存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方式或技术来实现的物理易失性和非易失性、可移动和不可因东介质。计算机可读取存储介质具体包括，但不限于，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、可擦除可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存或其他固态存储器技术、CD-ROM、数字多功能盘(DVD)、HD-DVD、蓝光(Blue-Ray)或其他光存储设备、磁带、磁盘存储或其他磁性存储设备、或能用于存储所需信息且可以由计算机访问的任何其他介质。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种基于人工智能的单板缺陷检测方法，其特征在于，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
其中，在获取图像过程中，待检测单板与图像采集装置相对位置不变。
2.一种基于人工智能的单板缺陷检测方法，其特征在于，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
根据所述质量信息的输出结果对所述单板进行标记。
3.如权利要求2所述的方法，其特征在于，所述待检测单板的质量信息的输出结果包括：
直接输出不同质量等级的判断结果；或者，
输出不同质量等级的判断结果、并标注出厚度或厚度分布不均匀的区域。
4.一种基于人工智能的单板缺陷检测方法，其特征在于，所述方法包括：
获取经背面透过性照射的待检测单板图像；
根据缺陷检测模型对所述待检测单板图像进行识别和匹配；
根据所述识别和匹配的结果得到所述待检测单板的质量信息；
根据所述质量信息对所述单板分类拣选。
5.如权利要求4所述的方法，其特征在于，所述缺陷检测模型利用机器学习获得，具体包括如下步骤：
获取经背面透过性照射的单板样本图像；
接收对所述单板样本图像的标注信息；
将标注后的图像样本输入到需进行机器学习的初始模型中；
根据所述单板样本图像和对应的所述标注信息对初始模型进行训练，获得经过机器学习的缺陷检测模型。
6.如权利要求5所述的方法，其特征在于，所述接收对所述单板样本图像的标注信息的步骤进一步包括：
接收对单板厚度存在问题的区域和强度的标注信息；和/或，
接收对通过背面光照系统得到的图像中呈现的单板虫眼和/或矿物线缺陷的标注信息。
7.一种基于人工智能的单板缺陷检测设备，其特征在于，所述设备包括：
传送装置；
单板限位装置，能够将传送装置上的单板固定于图像采集区；
图像采集装置，用于在单板固定于图像采集区时获取单板的透过性照射图像；
以及，
质量检测单元，用于通过图像采集装置获取的图像，对单板的缺陷进行识别，并输出识别结果。
8.如权利要求7所述的检测设备，其特征在于，所述质量检测单元还包括：具有自动检测模型的缺陷检测模块，自动检测模型结合相应的属性进行机器学习，所述相应的属性为预设的检测属性或自定义检测的属性。
9.一种计算机可读介质，其上存储有计算机指令，其特征在于，该计算机指令被执行以实现如权利要求1-6中任一项所述的方法步骤。
10.一种电子设备，其特征在于，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-6中任一项所述的方法步骤。
CN201711335874.2A 2017-12-14 2017-12-14 一种基于人工智能的单板检测方法和检测设备 Pending CN108362703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711335874.2A CN108362703A (zh) 2017-12-14 2017-12-14 一种基于人工智能的单板检测方法和检测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711335874.2A CN108362703A (zh) 2017-12-14 2017-12-14 一种基于人工智能的单板检测方法和检测设备

Publications (1)

Publication Number Publication Date
CN108362703A true CN108362703A (zh) 2018-08-03

Family

ID=63009987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711335874.2A Pending CN108362703A (zh) 2017-12-14 2017-12-14 一种基于人工智能的单板检测方法和检测设备

Country Status (1)

Country Link
CN (1) CN108362703A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110221200A (zh) * 2019-06-10 2019-09-10 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110458814A (zh) * 2019-07-29 2019-11-15 山东艾雷维特智能科技有限公司 一种木材单板缺陷的检测方法、装置及系统
CN113533206A (zh) * 2021-07-26 2021-10-22 上海图也信息技术有限公司 一种工业互联网的工业检测系统及方法
CN114199892A (zh) * 2021-12-10 2022-03-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101198859A (zh) * 2005-06-21 2008-06-11 郡是株式会社 膜检查装置和膜检查方法
CN101923059A (zh) * 2010-04-15 2010-12-22 北京经纬纺机新技术有限公司 一种自动验布方法及系统
CN103363896A (zh) * 2012-03-30 2013-10-23 东京特殊电线株式会社 层叠体的检查方法、层叠体检查装置以及层叠体制造装置
CN104034735A (zh) * 2014-02-28 2014-09-10 金东纸业（江苏）股份有限公司 一种多层物料的检测设备
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104751447A (zh) * 2015-01-10 2015-07-01 哈尔滨工业大学（威海） 一种锂电池单元缺陷检测方法
CN205103180U (zh) * 2015-10-28 2016-03-23 江西弘泰电子信息材料有限公司 一种造纸质量缺陷在线检测系统
CN205538742U (zh) * 2016-03-18 2016-08-31 中国矿业大学 透明平板材料裂纹图像的采集装置
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101198859A (zh) * 2005-06-21 2008-06-11 郡是株式会社 膜检查装置和膜检查方法
CN101923059A (zh) * 2010-04-15 2010-12-22 北京经纬纺机新技术有限公司 一种自动验布方法及系统
CN103363896A (zh) * 2012-03-30 2013-10-23 东京特殊电线株式会社 层叠体的检查方法、层叠体检查装置以及层叠体制造装置
CN104034735A (zh) * 2014-02-28 2014-09-10 金东纸业（江苏）股份有限公司 一种多层物料的检测设备
CN104458755A (zh) * 2014-11-26 2015-03-25 吴晓军 一种基于机器视觉的多类型材质表面缺陷检测方法
CN104751447A (zh) * 2015-01-10 2015-07-01 哈尔滨工业大学（威海） 一种锂电池单元缺陷检测方法
CN205103180U (zh) * 2015-10-28 2016-03-23 江西弘泰电子信息材料有限公司 一种造纸质量缺陷在线检测系统
CN205538742U (zh) * 2016-03-18 2016-08-31 中国矿业大学 透明平板材料裂纹图像的采集装置
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘秉钺: "《纸浆造纸企业科技.生产.设备管理》", 31 October 1995 *
张忠夫: "《机电传动与控制》", 31 July 2001 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110221200A (zh) * 2019-06-10 2019-09-10 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110221200B (zh) * 2019-06-10 2021-06-29 河北工业大学 一种基于深度学习的万能式断路器附件故障诊断方法
CN110458814A (zh) * 2019-07-29 2019-11-15 山东艾雷维特智能科技有限公司 一种木材单板缺陷的检测方法、装置及系统
CN113533206A (zh) * 2021-07-26 2021-10-22 上海图也信息技术有限公司 一种工业互联网的工业检测系统及方法
CN114199892A (zh) * 2021-12-10 2022-03-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统
CN114199892B (zh) * 2021-12-10 2022-11-18 江苏雷默智能科技有限公司 一种基于机器视觉的板材测量方法及系统

Similar Documents

Publication Publication Date Title
CN108362702A (zh) 一种基于人工智能的单板缺陷检测方法、系统及设备
CN108362703A (zh) 一种基于人工智能的单板检测方法和检测设备
CN207636508U (zh) 一种单板缺陷检测系统及设备
US10122973B2 (en) Fluoroscopic inspection method, device and storage medium for automatic classification and recognition of cargoes
CN105630743B (zh) 一种光谱波数的选择方法
US9588098B2 (en) Optical method and apparatus for identifying wood species of a raw wooden log
US20060262972A1 (en) Method, apparatus and program product for searching knots in wood
Bianconi et al. Performance analysis of colour descriptors for parquet sorting
CN108247764A (zh) 基于机器学习的木板切割方法、装置、电子设备和介质
Hittawe et al. Multiple features extraction for timber defects detection and classification using SVM
Yu et al. Recognition of wood surface defects with near infrared spectroscopy and machine vision
Chen et al. Edge-glued wooden panel defect detection using deep learning
Mallik et al. Classification of wood micrographs by image segmentation
JP2014205306A (ja) 単板の選別堆積装置及び単板選別方法
KR20200013217A (ko) 인공지능 기반의 피혁 검출방법 및 피혁제품 생산방법
Kryl et al. Wood recognition and quality imaging inspection systems
Kurdthongmee Colour classification of rubberwood boards for fingerjoint manufacturing using a SOM neural network and image processing
Grigorev et al. Russian sawmill modernization (a case study). Part 2: improving the efficiency of wood chipping operations
Nguyen et al. An innovative and automated method for characterizing wood defects on trunk surfaces using high-density 3D terrestrial LiDAR data
US9449255B2 (en) Method and apparatus for the determination of classification parameters for the classification of bank notes
Todoroki et al. Automated knot detection with visual post-processing of Douglas-fir veneer images
JP6017390B2 (ja) 単板の選別堆積装置及び単板選別方法
Sukrisdyanto et al. Wood Strength Classification Based on RGB Color and Image Texture Using KNN Method
Kuo et al. Automated Optical Inspection for Defect Identification and Classification in Actual Woven Fabric Production Lines
US20220215527A1 (en) Veneer sorting control device, veneer sorting control method, and program for veneer sorting control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180803

RJ01 Rejection of invention patent application after publication