CN114529536A - 一种实木质量检测方法 - Google Patents

一种实木质量检测方法 Download PDF

Info

Publication number
CN114529536A
CN114529536A CN202210171863.XA CN202210171863A CN114529536A CN 114529536 A CN114529536 A CN 114529536A CN 202210171863 A CN202210171863 A CN 202210171863A CN 114529536 A CN114529536 A CN 114529536A
Authority
CN
China
Prior art keywords
wood
image
wood board
board
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
CN202210171863.XA
Other languages
English (en)
Inventor
邬沛伟
温志平
李强
舒翔
李万清
欧阳倩雯
杨亮庆
佘学彬
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.)
Guangdong Nature Home Technology Research Co ltd
Beijing Deepexi Technology Co Ltd
Original Assignee
Guangdong Nature Home Technology Research Co ltd
Beijing Deepexi 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 Guangdong Nature Home Technology Research Co ltd, Beijing Deepexi Technology Co Ltd filed Critical Guangdong Nature Home Technology Research Co ltd
Priority to CN202210171863.XA priority Critical patent/CN114529536A/zh
Publication of CN114529536A publication Critical patent/CN114529536A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30—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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种实木质量检测方法，涉及木材加工检测技术领域，该方法包括以下步骤：首先，对来料木板的正面进行2D和3D图像采集；其次，对正反面2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对正反面3D图像进行尺寸测量和深度缺陷检测；最后，将正反两面的2D和3D检测结果进行融合，依据检测结果，将不同缺陷和不同颜色木板暂存于不同料仓。本发明中采用2D平面图像深度学习方法和3D点云图像机器视觉方法相结合的识别技术对实木板材进行自动检测，可精确、高效的指示木板缺陷类型、位置及程度，辨识木板颜色分级，测量板材长宽厚信息，对木板质量分级优选和提升板材加工经济效益有重要意义。

Description

一种实木质量检测方法
技术领域
本发明涉及木材加工检测技术领域，具体是一种实木质量检测方法。
背景技术
中国是一个森林资源匮乏的国家，在生产环节提高木材利用率是保护森林资源的有效手段。树木在生长过程中不可避免的受到各种自然环境的影响，出现死结、活结和虫孔等自然缺陷；同时，在木材加工储存环节也将引起多种后天缺陷。木材缺陷的类型、尺度和位置等特征将直接影响木材产品的强度、外观和木材的利用率，直接关系木制品的质量和企业的经济效益。因此，检测并剔除木材缺陷是木制品加工过程中的重要环节。
木材表面缺陷类型多，形状和分布复杂，在木制品生产过程中，主要依靠人工来标注指示木材缺陷。由于木材生产过程具有重复性和单一性的特点，在生产过程中容易导致检测人员注意力下降和疲劳问题，以及由于经验不同而造成的检测质量差异等。同时，人工检测木材缺陷效率低，不能适应现代化木材加工生产需求。因此，研究一套自动化实木质量检测方法是非常必要的。
发明内容
本发明的目的在于提供一种实木质量检测方法，以解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种实木质量检测方法，包括以下步骤：
步骤S1：传输单支木板来料并通过2D和3D对木板来料进行正面图像采集；
步骤S2：通过构建WoodDet模型对正面的2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对正面3D图像进行尺寸测量和深度缺陷检测；步骤S3：将木板翻面并对木板反面进行2D和3D图像采集；
步骤S4：同步骤S2，对反面2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对反面3D图像进行尺寸测量和深度缺陷检测；
步骤S5：分仓程序将正反两面的2D和3D检测结果进行融合，判别两面是否存在表面缺陷和异常颜色，判别两面是否存在尺寸不良和深度缺陷，并在正反两面中选出较好的一面作为优选面，得出最终分仓结果；
步骤S6：根据分仓程序检测结果，决定是否对木板进行翻面，最终实现以优选面向上，最后传输至不同仓位，堆垛缓存。
在上述技术方案的基础上，本发明还提供以下可选技术方案：
在一种可选方案中：所述2D采图采用线扫CCD相机，3D采图采用激光三维成像CCD相机。
在一种可选方案中：所述木板分仓结果，检测出不同缺陷类型和不同颜色分级的木板存储在不同仓位中。
在一种可选方案中：WoodDet模型是由CSPdarknet与SPP连接组成特征提取骨架，由FPN与PAN结构生成特征金字塔，再由不同尺度锚点框，生成最终检测目标。
在一种可选方案中：所述2D图像中检测木板的表面缺陷包括死结、活结、虫孔、面裂、断纹裂和端裂。
在一种可选方案中：在2D图像中，依据表面缺陷的产生原因和视觉表现特征，将死结和活结组合，面裂、断纹裂和端裂组合，虫孔单独一组，构建三个WoodDet模型缺陷检测任务；其中，单个缺陷检测任务的构建步骤如下：
对采集2D图像进行预处理，去除背景，并保留木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
对所有标注图像按8:2比例拆分为训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodDet模型进行训练，保存最优模型。
在一种可选方案中：所述WoodDet模型的木板表面缺陷检测步骤如下：
取木板的2D图像，进行预处理，提取木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
将所有子图像按批处理输入三个WoodDet模型，三个模型按平行推理，一次检出所有子图像中存在的六种缺陷，输出缺陷类别和对应坐标；
基于前述纪录的短边和长边缩放系数，将预测相对坐标映射至原图绝对坐标，再与相机采图像素比相乘，即可获得缺陷在木板平面的位置和大小。
在一种可选方案中：所述2D图像的异常颜色检测中异常颜色包括发黑、蓝变、白边、黑点和白点。
在一种可选方案中：在2D图像中，依据颜色异常的产生原因和视觉表现特征，将发黑和蓝变组合，黑点和白点组合，白边单独一组，构建三个WoodDet模型异常检测任务；该WoodDet模型异常检测任务的构建方式与权利要求6中针对表面缺陷的WoodDet模型异常检测任务的构建相同。
在一种可选方案中：所述木板2D图像的颜色分级，每支木板的颜色属于P1浅、P1深、P2浅和P2深中的一种，通过WoodNet模型进行分类；
该模型由一个输入层，一个3×3卷积层，一个3×3深度可分离卷积模块，二个3×3移动翻转瓶颈卷积模块，二个5×5移动翻转瓶颈卷积模块，三个3×3移动翻转瓶颈卷积模块，三个5×5移动翻转瓶颈卷积模块，四个5×5移动翻转瓶颈卷积模块，一个3×3移动翻转瓶颈卷积模块，一个1×1卷积层，一个全局平均池化层，一个全连接层，一个Softmax激活层组成，各层依次连接。
在一种可选方案中：所述WoodDet模型颜色分级模型构建步骤如下：
收集四种颜色木板各500支；
采集四种颜色木板的2D图像，并进行预处理，去除背景，保留木板区域；对木板区域图像的短边缩放至64像素，长边缩放至320像素；
将四个颜色木板图像分别保存在四个文件中，并按8:2比例划分训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodNet模型进行训练，保存最优模型。
在一种可选方案中：所述WoodDet模型检测木板异常颜色分级步骤如下：采集木板的2D图像，并进行预处理，去除背景，保留木板区域；将木板区域图像输入WoodNet模型，模型输出四个0至1区间的概率值，分别指示此木板颜色属于P1浅、P1深、P2浅和P2深四种颜色的可信程度，取最大概率值对应颜色类别，即实现木板颜色的分级。
在一种可选方案中：在所述3D图像的尺寸测量中，测量内容包括木板直角度、木板长度、木板宽度、木板弯曲度、木板扭曲度、木板侧弯以及木板瓦形。
在一种可选方案中：所述3D图像的尺寸测量步骤如下：
步骤M1：取木板的3D点云图像并对3D点云图像进行先腐蚀后膨胀的图像预处理操作，去除木板上的因毛刺而产生孤立点云，避免毛刺对长宽测量精度造成影响；
步骤M2：对步骤M1中预处理后的图像寻找最大连通域找到木板区域，并确定木板的4个顶点；
步骤M3：以宽度边长为半径，分别对木板的4个顶点，根据余弦定理分别计算4个顶点的角度，并计算该角度与直角的差值绝对值，将差值绝对值与设定阈值比较，并判断是否直角度不合格；
步骤M4：对步骤M1中的最大连通域进行透视变换，获得摆正的图像，分别获取木板长宽的像素长度；
步骤M5：将一块已知的长宽的标准板连续采集10次分别获得正反面图像的步骤M4中木板长宽的像素长度，分别获取正反面长度和宽度方向的尺寸比例尺均值；
步骤M6：将步骤M4中的像素长度和步骤M5中的比例尺相乘，即可获得木板正反面的长度和宽度，与设定长度宽度阈值比较，判断是否长度宽度不合格；
步骤M7：将步骤M4中摆正的图像进行局部滤波处理后求取图像的平均值作为木板的平均平面，并求取图像的最大值和最小值；
步骤M8：在木板长度方向求取若干个木板像素点，分别与步骤M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与步骤M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M9：将步骤M7中的最大值和最小值相减，差值除以M6中测量的木板长度得到木板扭曲度，将扭曲度与设定的扭曲度阈值进行比较，判断木板扭曲度是否合格；
步骤M10：在木板长度方向求取若干个木板像素点，分别与M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M11：在木板长度方向取若干个图像区域，分别求取各个区域内的最大值、最小值，将最大值和最小值相减获取瓦形变形量，并将瓦形变形量与设定的瓦形变形量阈值进行比较，判断瓦形是否合格。
在一种可选方案中：在所述3D图像的深度缺陷检测中，检测内容包括啃头、虫孔、开裂；其具体的检测步骤如下：
步骤N1：取步骤M7所述的滤波图像，进行边缘特征提取后进行图像闭运算获得边缘mask图像，在mask图像上进行连通域分析获取连通域信息；
步骤N2：在连通域信息内，对每个区域进行判断，若该区域的大小小于设定虫孔大小的阈值并且连通域内深度大于设定虫孔深度的阈值，则该区域判断为虫孔；若该区域的位置落在设定的木板两端范围外且该区域的大小大于设定虫孔大小的阈值，则该区域判断为啃头；若该区域的位置落在设定的木板两端范围内且该区域的大小大于设定虫孔大小的阈值，则该区域判断为开裂。
在一种可选方案中：在步骤S5和步骤S6的分仓程序中，分仓逻辑是依据木板种类、木板等级、木板规定长度、木板长度公差、木板规定厚度、木板厚度公差、木板规定宽度、木板厚度公差、含水率划分阈值、相机比例尺和各项检测项开关实现。
相较于现有技术，本发明的有益效果如下：
本发明中采用2D平面图像深度学习方法和3D点云图像机器视觉方法相结合的识别技术对实木板材进行自动检测，可精确、高效的指示木板缺陷类型、位置及程度，辨识木板颜色分级，测量板材长宽厚信息，对木板质量分级优选和提升板材加工经济效益有重要意义。
附图说明
图1为本发明的方法实现流程图。
图2为本发明的分仓流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明；在附图或说明中，相似或相同的部分使用相同的标号，并且在实际应用中，各部件的形状、厚度或高度可扩大或缩小。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
一种实木质量检测方法，包括以下步骤：
步骤S1：传输单支木板来料并通过2D和3D对木板来料进行正面图像采集；
步骤S2：通过构建WoodDet模型对正面的2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对正面3D图像进行尺寸测量和深度缺陷检测；步骤S3：将木板翻面并对木板反面进行2D和3D图像采集；
步骤S4：同步骤S2，对反面2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对反面3D图像进行尺寸测量和深度缺陷检测；
步骤S5：分仓程序将正反两面的2D和3D检测结果进行融合，判别两面是否存在表面缺陷和异常颜色，判别两面是否存在尺寸不良和深度缺陷，并在正反两面中选出较好的一面作为优选面，得出最终分仓结果；
步骤S6：根据分仓程序检测结果，决定是否对木板进行翻面，最终实现以优选面向上，最后传输至不同仓位，堆垛缓存。
所述2D采图采用线扫CCD相机，3D采图采用激光三维成像CCD相机。
所述木板分仓结果，检测出不同缺陷类型和不同颜色分级的木板存储在不同仓位中。
WoodDet模型是由CSPdarknet与SPP连接组成特征提取骨架，由FPN与PAN结构生成特征金字塔，再由不同尺度锚点框，生成最终检测目标。
所述2D图像中检测木板的表面缺陷包括死结、活结、虫孔、面裂、断纹裂和端裂。
在2D图像中，依据表面缺陷的产生原因和视觉表现特征，将死结和活结组合，面裂、断纹裂和端裂组合，虫孔单独一组，构建三个WoodDet模型缺陷检测任务；其中，单个缺陷检测任务的构建步骤如下：
对采集2D图像进行预处理，去除背景，并保留木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
对所有标注图像按8:2比例拆分为训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodDet模型进行训练，保存最优模型。
所述WoodDet模型的木板表面缺陷检测步骤如下：
取木板的2D图像，进行预处理，提取木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
将所有子图像按批处理输入三个WoodDet模型，三个模型按平行推理，一次检出所有子图像中存在的六种缺陷，输出缺陷类别和对应坐标；
基于前述纪录的短边和长边缩放系数，将预测相对坐标映射至原图绝对坐标，再与相机采图像素比相乘，即可获得缺陷在木板平面的位置和大小。
所述2D图像的异常颜色检测中异常颜色包括发黑、蓝变、白边、黑点和在2D图像中，依据颜色异常的产生原因和视觉表现特征，将发黑和蓝变组合，黑点和白点组合，白边单独一组，构建三个WoodDet模型异常检测任务；该WoodDet模型异常检测任务的构建方式与权利要求6中针对表面缺陷的WoodDet模型异常检测任务的构建相同。
所述木板2D图像的颜色分级，每支木板的颜色属于P1浅、P1深、P2浅和P2深中的一种，通过WoodNet模型进行分类；
该模型由一个输入层，一个3×3卷积层，一个3×3深度可分离卷积模块，二个3×3移动翻转瓶颈卷积模块，二个5×5移动翻转瓶颈卷积模块，三个3×3移动翻转瓶颈卷积模块，三个5×5移动翻转瓶颈卷积模块，四个5×5移动翻转瓶颈卷积模块，一个3×3移动翻转瓶颈卷积模块，一个1×1卷积层，一个全局平均池化层，一个全连接层，一个Softmax激活层组成，各层依次连接。
所述WoodDet模型颜色分级模型构建步骤如下：
收集四种颜色木板各500支；
采集四种颜色木板的2D图像，并进行预处理，去除背景，保留木板区域；对木板区域图像的短边缩放至64像素，长边缩放至320像素；
将四个颜色木板图像分别保存在四个文件中，并按8:2比例划分训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodNet模型进行训练，保存最优模型。
所述WoodDet模型检测木板异常颜色分级步骤如下：采集木板的2D图像，并进行预处理，去除背景，保留木板区域；将木板区域图像输入WoodNet模型，模型输出四个0至1区间的概率值，分别指示此木板颜色属于P1浅、P1深、P2浅和P2深四种颜色的可信程度，取最大概率值对应颜色类别，即实现木板颜色的分级。
在所述3D图像的尺寸测量中，测量内容包括木板直角度、木板长度、木板宽度、木板弯曲度、木板扭曲度、木板侧弯以及木板瓦形。
所述3D图像的尺寸测量步骤如下：
步骤M1：取木板的3D点云图像并对3D点云图像进行先腐蚀后膨胀的图像预处理操作，去除木板上的因毛刺而产生孤立点云，避免毛刺对长宽测量精度造成影响；
步骤M2：对步骤M1中预处理后的图像寻找最大连通域找到木板区域，并确定木板的4个顶点；
步骤M3：以宽度边长为半径，分别对木板的4个顶点，根据余弦定理分别计算4个顶点的角度，并计算该角度与直角的差值绝对值，将差值绝对值与设定阈值比较，并判断是否直角度不合格；
步骤M4：对步骤M1中的最大连通域进行透视变换，获得摆正的图像，分别获取木板长宽的像素长度；
步骤M5：将一块已知的长宽的标准板连续采集10次分别获得正反面图像的步骤M4中木板长宽的像素长度，分别获取正反面长度和宽度方向的尺寸比例尺均值；
步骤M6：将步骤M4中的像素长度和步骤M5中的比例尺相乘，即可获得木板正反面的长度和宽度，与设定长度宽度阈值比较，判断是否长度宽度不合格；
步骤M7：将步骤M4中摆正的图像进行局部滤波处理后求取图像的平均值作为木板的平均平面，并求取图像的最大值和最小值；
步骤M8：在木板长度方向求取若干个木板像素点，分别与步骤M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与步骤M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M9：将步骤M7中的最大值和最小值相减，差值除以M6中测量的木板长度得到木板扭曲度，将扭曲度与设定的扭曲度阈值进行比较，判断木板扭曲度是否合格；
步骤M10：在木板长度方向求取若干个木板像素点，分别与M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M11：在木板长度方向取若干个图像区域，分别求取各个区域内的最大值、最小值，将最大值和最小值相减获取瓦形变形量，并将瓦形变形量与设定的瓦形变形量阈值进行比较，判断瓦形是否合格。
在所述3D图像的深度缺陷检测中，检测内容包括啃头、虫孔、开裂；其具体的检测步骤如下：
步骤N1：取步骤M7所述的滤波图像，进行边缘特征提取后进行图像闭运算获得边缘mask图像，在mask图像上进行连通域分析获取连通域信息；
步骤N2：在连通域信息内，对每个区域进行判断，若该区域的大小小于设定虫孔大小的阈值并且连通域内深度大于设定虫孔深度的阈值，则该区域判断为虫孔；若该区域的位置落在设定的木板两端范围外且该区域的大小大于设定虫孔大小的阈值，则该区域判断为啃头；若该区域的位置落在设定的木板两端范围内且该区域的大小大于设定虫孔大小的阈值，则该区域判断为开裂。
在步骤S5和步骤S6的分仓程序中，分仓逻辑是依据木板种类、木板等级、木板规定长度、木板长度公差、木板规定厚度、木板厚度公差、木板规定宽度、木板厚度公差、含水率划分阈值、相机比例尺和各项检测项开关实现；
在步骤S5和步骤S6的分仓程序，其分仓逻辑与检测木板等级和木板种类有关。二翅豆木种A等级实木分仓逻辑：
Q1：读取配置表，获取木板种类、木板等级、木板规定长度、木板长度公差、木板规定厚度、木板厚度公差、木板规定宽度、木板厚度公差、含水率划分阈值、相机比例尺和各项检测项开关等参数；
Q2：对木板含水率进行检测，若木板含水率低于设定值则木板划分为含水率不合格仓并结束分仓，否则记录含水率等级数据进行下一步逻辑判断。
Q3：对木板缺陷数据进行汇总，实现木板正面优选，划分成3种情况：
情况一：木板两面均符合检测要求，没有不允许项，根据缺陷数量进行正面优选，优先选择缺陷数量少的一面为正面。若缺陷数量相等则选择颜色等级高的一面为正面；
情况二：木板两面均不符合检测要求，都有不允许项，选择当前木板朝上的一面为正面，减少后续机构的翻板操作。对木板进行降等逻辑判断，木板符合降等逻辑则，划分木板为降等仓并结束分仓，若不符合降等逻辑继续进行下一步逻辑判断；
情况三：木板只有一面符合检测要求，没有不允许项，选择符合要求的面为正面进行下一步逻辑判断；
Q4：对Q3中情况二和情况三的木板的非正面进行反面缺陷判断并记录对应数据。
Q5：对Q3中情况一和Q4的木板检测结果与尺寸类检测结果进行汇总，判断木板是否有三维缺陷。
Q6：木板存在三维缺陷，判断木板是否只存在欠宽和欠厚缺陷。若只存在欠宽和欠厚缺陷则划分木板为欠宽欠厚仓并结束分仓，否则划分木板为三维缺陷仓并结束分仓。
Q7：木板不存在三维缺陷，根据木板正面颜色和含水率等级，划分为不同仓位并结束分仓。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种实木质量检测方法，其特征在于，包括以下步骤：
步骤S1：传输单支木板来料并通过2D和3D对木板来料进行正面图像采集；
步骤S2：通过构建WoodDet模型对正面的2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对正面3D图像进行尺寸测量和深度缺陷检测；步骤S3：将木板翻面并对木板反面进行2D和3D图像采集；
步骤S4：同步骤S2，对反面2D图像进行表面缺陷检测、异常颜色检测和颜色分级，对反面3D图像进行尺寸测量和深度缺陷检测；
步骤S5：分仓程序将正反两面的2D和3D检测结果进行融合，判别两面是否存在表面缺陷和异常颜色，判别两面是否存在尺寸不良和深度缺陷，并在正反两面中选出较好的一面作为优选面，得出最终分仓结果；
步骤S6：根据分仓程序检测结果，决定是否对木板进行翻面，最终实现以优选面向上，最后传输至不同仓位，堆垛缓存。
2.根据权利要求1所述的实木质量检测方法，其特征在于，所述2D采图采用线扫CCD相机，3D采图采用激光三维成像CCD相机。
3.根据权利要求1所述的实木质量检测方法，其特征在于，所述木板分仓结果，检测出不同缺陷类型和不同颜色分级的木板存储在不同仓位中。
4.根据权利要求1所述的实木质量检测方法，其特征在于，WoodDet模型是由CSPdarknet与SPP连接组成特征提取骨架，由FPN与PAN结构生成特征金字塔，再由不同尺度锚点框，生成最终检测目标。
5.根据权利要求4所述的实木质量检测方法，其特征在于，所述2D图像中检测木板的表面缺陷包括死结、活结、虫孔、面裂、断纹裂和端裂。
6.根据权利要求5所述的实木质量检测方法，其特征在于，在2D图像中，依据表面缺陷的产生原因和视觉表现特征，将死结和活结组合，面裂、断纹裂和端裂组合，虫孔单独一组，构建三个WoodDet模型缺陷检测任务；其中，单个缺陷检测任务的构建步骤如下：
对采集2D图像进行预处理，去除背景，并保留木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
对所有标注图像按8:2比例拆分为训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodDet模型进行训练，保存最优模型。
7.根据权利要求6所述的实木质量检测方法，其特征在于，所述WoodDet模型的木板表面缺陷检测步骤如下：
取木板的2D图像，进行预处理，提取木板区域；
对木板区域图像的短边缩放至640像素，长边等比缩放，记录短边和长边缩放系数，然后按640×640像素大小滑窗切片，尾部不足时补全黑处理，获得数张正方形子图像；
将所有子图像按批处理输入三个WoodDet模型，三个模型按平行推理，一次检出所有子图像中存在的六种缺陷，输出缺陷类别和对应坐标；
基于记录的短边和长边缩放系数，将预测相对坐标映射至原图绝对坐标，再与相机采图像素比相乘，即可获得缺陷在木板平面的位置和大小。
8.根据权利要求6所述的实木质量检测方法，其特征在于，所述2D图像的异常颜色检测中异常颜色包括发黑、蓝变、白边、黑点和白点。
9.根据权利要求8所述的实木质量检测方法，其特征在于，在2D图像中，依据颜色异常的产生原因和视觉表现特征，将发黑和蓝变组合，黑点和白点组合，白边单独一组，构建三个WoodDet模型异常检测任务；该WoodDet模型异常检测任务的构建方式与权利要求6中针对表面缺陷的WoodDet模型异常检测任务的构建相同。
10.根据权利要求9所述的实木质量检测方法，其特征在于，所述木板2D图像的颜色分级，每支木板的颜色属于P1浅、P1深、P2浅和P2深中的一种，通过WoodNet模型进行分类，该模型由一个输入层，一个3×3卷积层，一个3×3深度可分离卷积模块，二个3×3移动翻转瓶颈卷积模块，二个5×5移动翻转瓶颈卷积模块，三个3×3移动翻转瓶颈卷积模块，三个5×5移动翻转瓶颈卷积模块，四个5×5移动翻转瓶颈卷积模块，一个3×3移动翻转瓶颈卷积模块，一个1×1卷积层，一个全局平均池化层，一个全连接层，一个Softmax激活层组成，各层依次连接。
11.根据权利要求10所述的实木质量检测方法，其特征在于，所述WoodDet模型颜色分级模型构建步骤如下：
收集四种颜色木板各500支；采集四种颜色木板的2D图像，并进行预处理，去除背景，保留木板区域；
对木板区域图像的短边缩放至64像素，长边缩放至320像素；
将四个颜色木板图像分别保存在四个文件中，并按8:2比例划分训练集和验证集；
对验证集和训练集图像分别进行翻转、镜像处理，扩充数据样本量；
将训练集和验证集输入WoodNet模型进行训练，保存最优模型。
12.根据权利要求11所述的实木质量检测方法，其特征在于，所述WoodDet模型检测木板异常颜色分级步骤如下：采集木板的2D图像，并进行预处理，去除背景，保留木板区域；将木板区域图像输入WoodNet模型，模型输出四个0至1区间的概率值，分别指示此木板颜色属于P1浅、P1深、P2浅和P2深四种颜色的可信程度，取最大概率值对应颜色类别，即实现木板颜色的分级。
13.根据权利要求1所述的实木质量检测方法，其特征在于，在所述3D图像的尺寸测量中，测量内容包括木板直角度、木板长度、木板宽度、木板弯曲度、木板扭曲度、木板侧弯以及木板瓦形。
14.根据权利要求13所述的实木质量检测方法，其特征在于，所述3D图像的尺寸测量步骤如下：
步骤M1：取木板的3D点云图像并对3D点云图像进行先腐蚀后膨胀的图像预处理操作，去除木板上的因毛刺而产生孤立点云，避免毛刺对长宽测量精度造成影响；
步骤M2：对步骤M1中预处理后的图像寻找最大连通域找到木板区域，并确定木板的4个顶点；
步骤M3：以宽度边长为半径，分别对木板的4个顶点，根据余弦定理分别计算4个顶点的角度，并计算该角度与直角的差值绝对值，将差值绝对值与设定阈值比较，并判断是否直角度不合格；
步骤M4：对步骤M1中的最大连通域进行透视变换，获得摆正的图像，分别获取木板长宽的像素长度；
步骤M5：将一块已知的长宽的标准板连续采集10次分别获得正反面图像的步骤M4中木板长宽的像素长度，分别获取正反面长度和宽度方向的尺寸比例尺均值；
步骤M6：将步骤M4中的像素长度和步骤M5中的比例尺相乘，即可获得木板正反面的长度和宽度，与设定长度宽度阈值比较，判断是否长度宽度不合格；
步骤M7：将步骤M4中摆正的图像进行局部滤波处理后求取图像的平均值作为木板的平均平面，并求取图像的最大值和最小值；
步骤M8：在木板长度方向求取若干个木板像素点，分别与步骤M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与步骤M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M9：将步骤M7中的最大值和最小值相减，差值除以M6中测量的木板长度得到木板扭曲度，将扭曲度与设定的扭曲度阈值进行比较，判断木板扭曲度是否合格；
步骤M10：在木板长度方向求取若干个木板像素点，分别与M2中长度方向的2个点所形成的直线点相减得到的像素距离，将像素距离与M5中的宽度比例尺相乘获取木板宽度变形量，并将宽度变形量与设定的宽度变形量阈值进行比较，判断侧弯是否合格；
步骤M11：在木板长度方向取若干个图像区域，分别求取各个区域内的最大值、最小值，将最大值和最小值相减获取瓦形变形量，并将瓦形变形量与设定的瓦形变形量阈值进行比较，判断瓦形是否合格。
15.根据权利要求14所述的实木质量检测方法，其特征在于，在所述3D图像的深度缺陷检测中，检测内容包括啃头、虫孔、开裂；其具体的检测步骤如下：
步骤N1：取步骤M7所述的滤波图像，进行边缘特征提取后进行图像闭运算获得边缘mask图像，在mask图像上进行连通域分析获取连通域信息；
步骤N2：在连通域信息内，对每个区域进行判断，若该区域的大小小于设定虫孔大小的阈值并且连通域内深度大于设定虫孔深度的阈值，则该区域判断为虫孔；若该区域的位置落在设定的木板两端范围外且该区域的大小大于设定虫孔大小的阈值，则该区域判断为啃头；若该区域的位置落在设定的木板两端范围内且该区域的大小大于设定虫孔大小的阈值，则该区域判断为开裂。
16.根据权利要求15所述的实木质量检测方法，其特征在于，在步骤S5和步骤S6的分仓程序中，分仓逻辑是依据木板种类、木板等级、木板规定长度、木板长度公差、木板规定厚度、木板厚度公差、木板规定宽度、木板厚度公差、含水率划分阈值、相机比例尺和各项检测项开关实现。
CN202210171863.XA 2022-02-24 2022-02-24 一种实木质量检测方法 Pending CN114529536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210171863.XA CN114529536A (zh) 2022-02-24 2022-02-24 一种实木质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210171863.XA CN114529536A (zh) 2022-02-24 2022-02-24 一种实木质量检测方法

Publications (1)

Publication Number Publication Date
CN114529536A true CN114529536A (zh) 2022-05-24

Family

ID=81625166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210171863.XA Pending CN114529536A (zh) 2022-02-24 2022-02-24 一种实木质量检测方法

Country Status (1)

Country Link
CN (1) CN114529536A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989648A (zh) * 2023-09-27 2023-11-03 北京凯威家具有限公司 一种家具生产用木板平整度检测设备
CN118134927A (zh) * 2024-05-07 2024-06-04 季华实验室 一种基于2d及3d图像的板材缺陷检测方法及相关设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116989648A (zh) * 2023-09-27 2023-11-03 北京凯威家具有限公司 一种家具生产用木板平整度检测设备
CN116989648B (zh) * 2023-09-27 2023-12-05 北京凯威家具有限公司 一种家具生产用木板平整度检测设备
CN118134927A (zh) * 2024-05-07 2024-06-04 季华实验室 一种基于2d及3d图像的板材缺陷检测方法及相关设备

Similar Documents

Publication Publication Date Title
JP4704804B2 (ja) 木材の節探査方法及び装置及びプログラム
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN108355987A (zh) 一种基于分块模板匹配的电池丝印质量检测方法
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
CN114529536A (zh) 一种实木质量检测方法
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
CN114219794B (zh) 基于机器视觉的刨花板表面质量评估方法及系统
CN109087274A (zh) 基于多维融合及语义分割的电子器件缺陷检测方法及装置
CN117152161B (zh) 一种基于图像识别的刨花板质量检测方法及系统
JP5085860B2 (ja) 木材の検査方法及び装置及びプログラム
CN113962929B (zh) 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线
CN109916910A (zh) 光伏玻璃边部缺陷检测系统及相应的方法
CN112233067A (zh) 一种热轧钢卷端面质量检测方法及系统
CN113608378A (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN113362276A (zh) 板材视觉检测方法及系统
CN114612471B (zh) 一种复杂纹理瓷砖表面缺陷检测方法
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN113947598A (zh) 基于图像处理的塑料餐盒缺陷检测方法、装置及系统
CN118014933A (zh) 一种基于图像检测的缺陷检测识别方法和装置
CN115239002A (zh) 一种新能源分布式光伏电站监测预警系统及方法
CN114387262A (zh) 一种基于机器视觉的螺母定位检测方法、装置及系统
CN114820470A (zh) 一种基于多特征融合的板材缺陷检测系统及检测方法
CN110906887B (zh) 一种服装缝纫平整度检测方法
CN117269168B (zh) 一种新能源汽车精密零配件表面缺陷检测装置及检测方法
CN115511775A (zh) 一种基于语义分割的轻量型瓷砖表面缺陷检测方法

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