CN111899232B - 利用图像处理对竹木复合集装箱底板无损检测的方法 - Google Patents

利用图像处理对竹木复合集装箱底板无损检测的方法 Download PDF

Info

Publication number
CN111899232B
CN111899232B CN202010699496.1A CN202010699496A CN111899232B CN 111899232 B CN111899232 B CN 111899232B CN 202010699496 A CN202010699496 A CN 202010699496A CN 111899232 B CN111899232 B CN 111899232B
Authority
CN
China
Prior art keywords
bamboo
wood composite
composite container
image processing
scale
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.)
Active
Application number
CN202010699496.1A
Other languages
English (en)
Other versions
CN111899232A (zh
Inventor
孙建平
陈傲南
梁懿
蒋志林
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN202010699496.1A priority Critical patent/CN111899232B/zh
Publication of CN111899232A publication Critical patent/CN111899232A/zh
Application granted granted Critical
Publication of CN111899232B publication Critical patent/CN111899232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • G01N2021/8472—Investigation of composite materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
    • Y02W90/10—Bio-packaging, e.g. packing containers made from renewable resources or bio-plastics

Abstract

本发明公开了一种利用图像处理对竹木复合集装箱底板无损检测的方法，涉及无损检测技术领域，该方法包括以下步骤：(1)竹木复合集装箱底板样本加工；(2)采集图片；(3)图片处理归整；(4)归整样本检测报告数据；(5)处理样本端面图像和数据规整，编写程序代码，提取图像的特征参数；(6)人工神经网络分析。本发明充分利用了图像处理适用面宽，灵活性高的特点，利用MATLAB软件分析得到了竹木复合集装箱底板端面信息和性能之间的关系，端面信息特征参数与力学性能有明显的相关性；在人工网络模型中，利用图片信息特征参数得到的预测值与实际测量值关系拟合度也很高，具有一定推广意义。

Description

利用图像处理对竹木复合集装箱底板无损检测的方法
技术领域
本发明涉及无损检测技术领域，具体是利用图像处理技术结合MATLAB软件对竹木复合集装箱底板进行性能检测的方法。
背景技术
竹木复合材料生产成本低，可有效利用废材，能够合理利用木质资源，具有复合效应、科学发挥材料特性的优势，且物理力学性能良好等，由于这些广泛的优点，竹木复合材料应用于功能性和结构性两大方面。功能性竹木复合材料主要用于制作家具和装饰，然而更多开发的竹木复合材料使用于结构材料。集装箱底板更是竹木复合材料作为结构材料的一个非常重要的用途。
越来越多的检测方法被运用到木质材料性能测试方面，尤其是不破坏材料的检测方法。木质材料无损检测技术随着结构木质材料的迅速发展而得到了迅速的发展。在无损检测中，常用的方法有超声波检测、应力波检测和X射线检测，但是鲜有人结合图像处理方法对竹木复合材料进行检测和分析。传统无损检测技术基于操作扶着或者设备不变移动，降低了其使用范围。而图像处理具有诸多优势，该技术再现性好，处理精度高，适用面宽，适用于任何一种图像，还具有灵活性高的特点。木质材料的纹理与其力学强度、变形、干缩湿胀及对热、电、声的传导性等性能有着密切联系，而竹木复合材料端面图像包含大量的材料结构信息，如竹材层的位置、层数、比例等，以及木材单板的位置、厚度、树种等，这些信息与竹木复合材料的物理力学性能密切相关。通过图像处理技术探索竹木复合材料物理力学性能与其端面特征参数的本构关系，并运用人工神经网络构建模型，为无损检测提供新的研究思路，力求更为灵活快速方便的无损检测方法。
发明内容
本发明的目的是提供一种利用图像处理对竹木复合集装箱底板进行性能检测的方法，能够使得到的底板物理力学性能与实际测得的力学性能相近或者有某种关系，从而实现对竹木复合集装箱底板的无损检测。
为了实现上述目的，本发明采取的技术方案是：一种利用图像处理对竹木复合集装箱底板无损检测的方法，包括以下步骤：
(1)竹木复合集装箱底板样本加工，使用裁板锯将企业抽样检测后的竹木复合集装箱底板锯出尺寸为50mm×50mm×28mm的样本，贴上标签标明裁下的样本的物理力学性能检测项目、编号、时间。并采集检测集装箱底板的检测报告；
(2)采集图片，使用平板式彩色图像扫描仪，扫描出每个木块四面50mm×28mm且分辨率为600dpi的端面图像；
(3)图片处理归整，利用软件裁剪图片多余的边部，按时间和批号对图片进行整理和归类；
(4)归整样本检测报告数据，使用Excel软件整理样本的检测报告结果，分类归纳样本的组坯、集装载荷、抗弯强度、弹性模量、静曲强度等数据；
(5)处理样本端面图像和数据规整，编写灰度共生矩阵、伽柏变换、小波变换的程序代码，使用MATLAB软件对归整后的图像进行计算处理，提取图像的特征参数；
(6)人工神经网络分析，编写人工神经网络的程序代码，使用MATLAB对图像处理提取的特征参数和物理力学性能参数进行训练构建性能预测模型。
步骤(1)中所述的物理力学性能包括顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度、横纹弹性模量、横纹静曲强度。
步骤(5)中所述的端面有1、2、3、4共四个端面，1、3面纹理类似，2、4面纹理类似步骤(5)中所述的伽柏的特征参数为图像均值、对比度和熵。
步骤(5)中所述的灰度共生矩阵的特征参数为能量、对比度、相关性、熵、均匀度。
步骤(5)中所述的小波变换的特征参数为尺度1上的低频系数、尺度1上的水平高频系数、尺度1上的垂直高频系数、尺度1上的对角线高频系数、尺度2上的低频系数、尺度2上的水平高频系数、尺度2上的垂直高频系数、尺度2上的对角线高频系数。
步骤(6)中所述的人工神经网络包括输入层、隐含层、输出层。输入层为通过图像处理提取的样本端面图像特征参数，输出层为样本的物理力学性能参数。通过不断训练学习，调整得到获得合适的连接权值，最后得到成熟有效的模型。
与现有的无损检测方法相比，本发明的优点在于：
图像处理技术现性好，处理精度高，适用面宽，适用于任何一种图像，还具有灵活性高的特点，应用图像处理技术很容易得到竹木复合集装箱底板的断面图像，图像包含大量的材料结构信息，这些信息与竹木复合材料的物理力学性能密切相关，并利用MATLAB处理获取的图像特征数据信息，从而使性能检测变得灵活快速方便。
具体实施方式
以下通过实施例对本发明的技术方案作进一步描述。
以下实施例中所采用的材料和仪器均为市售。
实施例1
本实施例为本发明所述的图像处理对集装箱底板进行无损检测的一个实例，包括以下步骤：
(1)竹木复合集装箱底板样本加工，使用裁板锯将企业抽样检测后的竹木复合集装箱底板锯出尺寸为50mm×50mm×28mm的样本，贴上标签标明裁下的样本的物理力学性能检测项目、编号、时间。并采集检测集装箱底板的检测报告；
(2)采集图片，使用平板式彩色图像扫描仪，扫描出每个木块四面50mm×28mm且分辨率为600dpi的端面图像；
(3)图片处理归整，利用软件裁剪图片多余的边部，按时间和批号对图片进行整理和归类；
(4)归整样本检测报告数据，使用Excel软件整理样本的检测报告结果，分类归纳样本的组坯、集装载荷、抗弯强度、弹性模量、静曲强度等数据；
(5)处理样本端面图像和数据规整，编写伽柏的程序代码，使用MATLAB软件对归整后的图像进行计算处理，提取图像的图像均值、对比度和熵三个特征参数。
(6)人工神经网络分析，编写人工神经网络的程序代码，通过人工神经网络训练构建伽柏特征参数图像均值、对比度和熵预测顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度的模型。输入样本的伽柏特征参数图像均值、对比度和熵共6个值，输出顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度共4个值，通过多次训练得到恰当的连接权值。
实施例2
本实施例为本发明所述的图像处理对集装箱底板进行无损检测的又一个实例，包括以下步骤：
(1)竹木复合集装箱底板样本加工，使用裁板锯将企业抽样检测后的竹木复合集装箱底板锯出尺寸为50mm×50mm×28mm的样本，贴上标签标明裁下的样本的物理力学性能检测项目、编号、时间。并采集检测集装箱底板的检测报告；
(2)采集图片，使用平板式彩色图像扫描仪，扫描出每个木块四面50mm×28mm且分辨率为600dpi的端面图像；
(3)图片处理归整，利用软件裁剪图片多余的边部，按时间和批号对图片进行整理和归类；
(4)归整样本检测报告数据，使用Excel软件整理样本的检测报告结果，分类归纳样本的组坯、集装载荷、抗弯强度、弹性模量、静曲强度等数据；
(5)处理样本端面图像和数据规整，编写灰度共生矩阵的程序代码，使用MATLAB软件对归整后的图像进行计算处理，提取能量、对比度、相关性、熵、均匀度共5个特征参数；
(6)人工神经网络分析，编写人工神经网络的程序代码，通过人工神经网络训练构建通过灰度共生矩阵特征参数能量、对比度、相关性、熵、均匀度预测顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度的模型。输入样本灰度共生矩阵特征参数能量、对比度、相关性、熵、均匀度共10个值，输出纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度共4个值。通过多次训练得到恰当的连接权值。
实施例3
本实施例为本发明所述的图像处理对集装箱底板进行无损检测的再一个实例，包括以下步骤：
(1)竹木复合集装箱底板样本加工，使用裁板锯将企业抽样检测后的竹木复合集装箱底板锯出尺寸为50mm×50mm×28mm的样本，贴上标签标明裁下的样本的物理力学性能检测项目、编号、时间。并采集检测集装箱底板的检测报告。
(2)采集图片，使用平板式彩色图像扫描仪，扫描出每个木块四面50mm×28mm且分辨率为600dpi的端面图像。
(3)图片处理归整，利用软件裁剪图片多余的边部，按时间和批号对图片进行整理和归类。
(4)归整样本检测报告数据，使用Excel软件整理样本的检测报告结果，分类归纳样本的组坯、集装载荷、抗弯强度、弹性模量、静曲强度等数据。
(5)处理样本端面图像和数据规整，编写小波变换的程序代码，使用MATLAB软件对归整后的图像进行计算处理，提取尺度1上的低频系数ca1、尺度1上的水平高频系数h1、尺度1上的垂直高频系数v1、尺度1上的对角线高频系数d1、尺度2上的低频系数ca2、尺度2上的水平高频系数h2、尺度2上的垂直高频系数v2、尺度2上的对角线高频系数d2共8个特征参数。
(6)人工神经网络分析，编写人工神经网络的程序代码，通过人工神经网络训练构建通过小波变换特征参数尺度1上的低频系数、尺度1上的水平高频系数、尺度1上的垂直高频系数、尺度1上的对角线高频系数、尺度2上的低频系数、尺度2上的水平高频系数、尺度2上的垂直高频系数、尺度2上的对角线高频系数预测顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度的模型。输入样本的小波变换特征参数尺度1上的低频系数、尺度1上的水平高频系数、尺度1上的垂直高频系数、尺度1上的对角线高频系数、尺度2上的低频系数、尺度2上的水平高频系数、尺度2上的垂直高频系数、尺度2上的对角线高频系数共16个值，输出纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度共4个值，通过多次训练得到恰当的连接权值。
性能分析
利用伽柏、灰度共生矩阵、小波变换提取了竹木复合集装箱底板两种端面共36个特征参数，并研究分析了这些特征参数与对应力学性能的关系。在全部样本中，从2/4端面提取的伽柏特征参数和横纹弹性模量、横纹静曲强度都呈极强的正相关性，其中特征参数对比度与横纹静曲强度的线性相关程度最高，其拟合公式为y＝-365.968+352.383x，拟合系数约为0.85；从1/3端面提取的灰度共生矩阵特征参数相关性和横纹静曲强度的线性关系公式为y＝271.319+(-70.85)x，相关系数为0.814；从两种端面提取的小波变换特征参数尺度1上的低频系数、尺度2上的低频系数与横纹静曲强度呈明显的负相关，其中，从2/3面提取的特征参数尺度2上的低频系数与横纹静曲强度的线性公式为y＝93.80778+(-4.64303E-4)x，相关系数为0.776。
另外，本发明还构建了五个特征参数-力学强度的人工神经网络模型，利用伽柏、灰度共生矩阵、小波变换的特征参数预测横纹抗弯强度、顺纹抗弯强度、顺纹静曲强度、顺纹弹性模量等五种力学性能。伽柏-力学强度模型对横纹抗弯强度、顺纹弹性模量的预测可以推广，模型的预测值与实际值线性关系拟合度分别为0.923、0.904；灰度共生矩阵-力学强度模型对顺纹静曲强度的预测推广性较高，模型的预测值与实际值线性关系拟合度高达0.82；小波变换-力学强度模型对顺纹抗弯强度、顺纹静曲强度的预测效果较好，模型的预测值与实际值线性关系拟合度分别为0.708、0.918。
以上仅是本发明的部分实施例，本领域的技术人员在不脱离本发明的精神实质和技术方案的情况下，利用上述揭示的方法对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，均仍属于本发明保护的范围内。

Claims (7)

1.一种利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，包括以下步骤：
（1）竹木复合集装箱底板样本加工，使用裁板锯将企业抽样检测后的竹木复合集装箱底板锯出尺寸为50mm×50mm×28mm的样本，贴上标签标明裁下的样本的物理力学性能检测项目、编号、时间，并采集检测集装箱底板的检测报告；
（2）采集图片，使用平板式彩色图像扫描仪，扫描出每个木块四面50mm×28mm且分辨率为600dpi的端面图像；
（3）图片处理归整，利用软件裁剪图片多余的边部，按时间和批号对图片进行整理和归类；
（4）归整样本检测报告数据，使用Excel软件整理样本的检测报告结果，分类归纳样本的组坯、集装载荷、抗弯强度、弹性模量、静曲强度数据；
（5）处理样本端面图像和数据规整，编写灰度共生矩阵、伽柏变换、小波变换的程序代码，使用MATLAB软件对归整后的图像进行计算处理，提取图像的特征参数；
（6）人工神经网络分析，编写人工神经网络的程序代码，使用MATLAB对图像处理提取的特征参数和物理力学性能参数进行训练构建性能预测模型。
2.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤（1）中所述的物理力学性能包括顺纹抗弯强度、横纹抗弯强度、顺纹弹性模量、顺纹静曲强度、横纹弹性模量、横纹静曲强度。
3.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤（5）中所述的端面有1、2、3、4共四个端面，1、3面纹理类似，2、4面纹理类似。
4.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤（5）中所述的伽柏的特征参数为图像均值、对比度和熵。
5.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤 （5） 中所述的灰度共生矩阵的特征参数为能量、对比度、相关性、熵、均匀度共5个特征参数。
6.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤（5）中所述的小波变换的特征参数为尺度1上的低频系数、尺度1上的水平高频系数、尺度1上的垂直高频系数、尺度1上的对角线高频系数、尺度2上的低频系数、尺度2上的水平高频系数、尺度2上的垂直高频系数、尺度2上的对角线高频系数。
7.根据权利要求1所述的利用图像处理对竹木复合集装箱底板无损检测的方法，其特征在于，步骤（6）中所述的人工神经网络包括输入层、隐含层和输出层，输入层为通过图像处理提取的样本端面图像特征参数，输出层为样本的物理力学性能参数，通过不断训练学习，调整得到获得合适的连接权值，最后得到成熟有效的模型。
CN202010699496.1A 2020-07-20 2020-07-20 利用图像处理对竹木复合集装箱底板无损检测的方法 Active CN111899232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010699496.1A CN111899232B (zh) 2020-07-20 2020-07-20 利用图像处理对竹木复合集装箱底板无损检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010699496.1A CN111899232B (zh) 2020-07-20 2020-07-20 利用图像处理对竹木复合集装箱底板无损检测的方法

Publications (2)

Publication Number Publication Date
CN111899232A CN111899232A (zh) 2020-11-06
CN111899232B true CN111899232B (zh) 2023-07-04

Family

ID=73189448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010699496.1A Active CN111899232B (zh) 2020-07-20 2020-07-20 利用图像处理对竹木复合集装箱底板无损检测的方法

Country Status (1)

Country Link
CN (1) CN111899232B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107239751A (zh) * 2017-05-22 2017-10-10 西安电子科技大学 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN107992794A (zh) * 2016-12-30 2018-05-04 腾讯科技（深圳）有限公司 一种活体检测方法、装置和存储介质
CN109533891A (zh) * 2018-12-26 2019-03-29 西北农林科技大学 一种椭球形甘蓝调向分列装置
CN110110758A (zh) * 2019-04-15 2019-08-09 南京航空航天大学 一种基于卷积神经网络的表面粗糙度分类方法
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
WO2020077866A1 (zh) * 2018-10-17 2020-04-23 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9717417B2 (en) * 2014-10-29 2017-08-01 Spectral Md, Inc. Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992794A (zh) * 2016-12-30 2018-05-04 腾讯科技（深圳）有限公司 一种活体检测方法、装置和存储介质
CN107239751A (zh) * 2017-05-22 2017-10-10 西安电子科技大学 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
WO2020077866A1 (zh) * 2018-10-17 2020-04-23 平安科技（深圳）有限公司 基于摩尔纹的图像识别方法、装置、设备和存储介质
CN109533891A (zh) * 2018-12-26 2019-03-29 西北农林科技大学 一种椭球形甘蓝调向分列装置
CN110110758A (zh) * 2019-04-15 2019-08-09 南京航空航天大学 一种基于卷积神经网络的表面粗糙度分类方法
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于智能技术的木材缺陷定量无损检测研究;孙建平;胡英成;王逢瑚;仪器仪表学报;第34卷(第009期);1955-1960 *

Also Published As

Publication number Publication date
CN111899232A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
Vázquez et al. Determination of the mechanical properties of Castanea sativa Mill. using ultrasonic wave propagation and comparison with static compression and bending methods
CN110363746B (zh) 一种基于卷积神经网络的超声无损检测信号分类方法
CN106770648B (zh) 一种复合材料刚度系数的无损测量方法
Wang et al. Grading of softwood lumber using non-destructive techniques
CN106596306B (zh) 一种木质板材弹性常数的同步测试方法
Yu et al. Lamb wave-based damage imaging of CFRP composite structures using autoencoder and delay-and-sum
CN106596723A (zh) 一种多层复合材料结构力学参数声学检测方法
Hu et al. Experimental and numerical studies on mechanical behaviors of beech wood under compressive and tensile states
CN111899232B (zh) 利用图像处理对竹木复合集装箱底板无损检测的方法
CN111208196A (zh) 一种高强度螺栓早期疲劳损伤非线性超声波检测方法
CN115856101A (zh) 一种基于稀疏矩阵的超声频域全聚焦方法
Mousavi et al. Machine learning analysis of features extracted from time–frequency domain of ultrasonic testing results for wood material assessment
Wang et al. Glue-laminated bamboo for dowel-type moment-resisting connections
Wei et al. Damage quantification of aluminum plates using SC-DTW method based on Lamb waves
CN113361383A (zh) 一种基于遗传算法特征参数优化的瓷绝缘子损伤神经网络识别方法
CN111272609A (zh) 一种结构用规格锯材的分等方法
CN112285651A (zh) 基于特征提取矩阵相似度识别复合材料冲击源位置的方法及系统
CN102866204B (zh) 一种树脂在纤维层内浸润程度的快速无损检测方法
Jiang et al. A hybrid multiple damages detection method for plate structures
Hettler et al. Application of a probabilistic algorithm for ultrasonic guided wave imaging of carbon composites
CN116246737A (zh) 一种粗骨料超高性能混凝土强度预测方法及相关设备
Kulakovskyi et al. Defect imaging on CFRP and honeycomb composite structures by guided waves generated and detected by a sparse PZT array
Tiitta et al. Predicting the bending properties of air dried and modified Populus tremula L. wood using combined air-coupled ultrasound and electrical impedance spectroscopy
Zhao et al. The method of identifying the species of coniferous wood based on GLCM
CN114841892A (zh) 一种基于全连接网络的稀疏导波数据恢复方法

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
GR01 Patent grant
GR01 Patent grant