CN115415186A - 一种基于深度学习的人工智能木片自动分级方法及系统 - Google Patents

一种基于深度学习的人工智能木片自动分级方法及系统 Download PDF

Info

Publication number
CN115415186A
CN115415186A CN202211078026.9A CN202211078026A CN115415186A CN 115415186 A CN115415186 A CN 115415186A CN 202211078026 A CN202211078026 A CN 202211078026A CN 115415186 A CN115415186 A CN 115415186A
Authority
CN
China
Prior art keywords
wood chips
image
guide plate
wood chip
wood
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
CN202211078026.9A
Other languages
English (en)
Inventor
陆春
齐文
李嘉耀
杨福流
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 for Nationalities
Original Assignee
Guangxi University for Nationalities
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 for Nationalities filed Critical Guangxi University for Nationalities
Priority to CN202211078026.9A priority Critical patent/CN115415186A/zh
Publication of CN115415186A publication Critical patent/CN115415186A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • B07C5/362—Separating or distributor mechanisms

Landscapes

  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于深度学习的人工智能木片自动分级方法及系统，其中所述系统包括：设备框架、上料部件、质量分级检测模块、下料部件、主控系统模块；所述设备框架用于承载分级系统中的部件；所述上料部件用于抓取待分级木片，并将其放置于主控系统模块进行筛选、导向；所述导向板分选机构用于按等级分选木片，所述主控系统模块用于控制分级系统实现自动分级。通过上述系统及方法能够实现木片表面缺陷的自动高效识别及木片的自动分级筛选，避免人工分级误差大、效率低、成本高的问题，使木片分选达到自动化、规模化，具有广阔的市场应用前景。

Description

一种基于深度学习的人工智能木片自动分级方法及系统
技术领域
本发明公开涉及木材加工与应用开发技术领域，尤其涉及一种基于深度学习的人工 智能木片自动分级方法及系统。
背景技术
胶合板是最重要的木材产品之一，其生产工艺是将原木进行去皮、旋切、干燥、上胶、模压等工艺，制成胶合板。而由于木材生长周期内，在生长过程中容易形成节疤、 虫洞等缺陷，并且旋切得到的木片在干燥过程中，由于木材的生长应力、水份蒸发速度 等因素的影响，也造成了单板表面皱缩和开裂的缺陷。这些因素不仅影响了胶合板的外 观，也严重的影响了胶合板的强度，进而影响了胶合板的品质和质量。
在木材加工过程中，将木片分成不同的等级，表面缺陷较少的单板用于胶合板的面 板，而缺陷较多的木片则用于板芯或低端胶合板产品是非常有意义的。为此，木片的表面缺陷是评定木材质量的重要指标之一。随着木材加工业向机械化、自动化的大规模生 产发展，企业对板材的加工质量，尤其是表面缺陷给予了越来越多的重视，因而木片表 面缺陷检测技术变得越来越重要。但是很多小型加工企业在木片分级环节多采用人工分 级，该方法是由工作人员的视觉和工作经验对木片表面缺陷类别进行判断和单板等级的 评价，其问题在于依据个人经验判断受主观因素影响较大，不同工作人员的判断结果可 能不同，不仅降低了工作效率而且还因人员技能的影响产品分级结果，对木片分级判断 错误，还对产品后续的精深加工造成损失。
因而，建立基于人工智能和机器视觉的一种高效、可靠的木片表面缺陷分级系统，对于提高胶合板的产品质量、降低生产成本十分必要。
发明内容
鉴于此，本发明公开提供了一种基于深度学习的人工智能木片自动分级方法及系统， 用于提高胶合板的产品质量、降低生产成本。
第一方面本发明提供了一种基于深度学习的人工智能木片自动分级系统，具体为: 包括：设备框架、上料部件、质量分级检测模块、下料部件、主控系统模块；所述设备 框架用于承载分级系统中的部件；所述上料部件用于抓取待分级木片，并将其放置于主 控系统模块进行筛选、导向；所述导向板分选机构用于按等级分选木片，所述主控系统 模块用于控制分级系统实现自动分级。
进一步地，所述上料部件包括上料框、六自由度机械臂、气动吸盘阵列、距离传感器；
所述质量分级检验模块包括3D相机、检测室；
所述下料部件包括导向板分选机构、木片收集框；
所述主控系统模块包括工业计算机、第一伺服电机、第一传送带；
所述设备框架从前至后依次包括三部分：第一传送部、导向部、第二传送部；
所述六自由度机械臂布置在第一传送部前端的一侧，所述距离传感器安装在六自由 度机械臂的末端，所述气动吸盘阵列安装在六自由度机械臂夹持端；六自由度机械臂的控制电机及距离传感器分别与工业计算机信号连接，
所述检查室布置在第一传送部的中后部，其两端固定在设备框架上，所述3D相机固 定在检查室顶部；所述3D相机与工业计算机信号连接；
第一传送部、第二传送部的首尾端均设有第一伺服电机，由第一伺服电机带动第一 传送部、第二传送部中的第一传送带运动；
所述导向部为导向板分选机构，所述导向板分选机构包括导向板框架、第二传送带、 第二伺服电机、第三伺服电机，所述第二传送带套接在导向板框架上，所述第二伺服电机的电机轴与第二传送带驱动轴连接，所述第三伺服电机固定在设备框架上，第三伺服 电机的电机轴与导向板框架的中部连接；所述木片收集框布置在导向板分选机构下方对 应处；
所述第一伺服电机、第二伺服电机、第三伺服电机均分别与工业计算机信号连接。
进一步地，所述导向板分选机构设有三个，分别为A级导向板分选机构、B级导向板分选机构、C级导向板分选机构；对应地导向板分选机构下方分别设有A级收集框、B 级收集框及C级收集框，
第二方面，本发明提供了一种采用上述系统进行木片自动分级的方法，包括如下步 骤：
S1:识别木片表面缺陷，对木片进行分级；
S2:精确定位木片的位置：
S3:传送控制木片，对分级后的木片实现最终的分选；
其中所述S1包括：
S11：获取木片的黑白图像；
S12：依据所述黑白图像获取黑白图像的缺陷外轮廓点；
S13：获取图像的缺陷轮廓；
S14：计算图像的缺陷面积；
S15：判定木片的等级。
进一步地，S11具体为：实际采集得到的木片图像的信息包含：红绿蓝三色的彩色数据，用五维数组描述为Color_Image[i,j,r,g,b]，其中i表示当前像素点的横向序号；j表示当前像素点的纵向序号；r表示该像素点的红色值；g表示该像素点的绿色值；b表示 该像素点的蓝色值；
颜色筛分所述木片的图像信息，完成对多有像素点的设定，得到一幅黑白的图像，该 图像由横向和纵向两个方向的像素点构成：设定图像的红绿蓝三色的临界值(Cr、Cg、Cb)， 判断图像所有像素点的红绿蓝三个颜色：若像素点的红绿蓝三个颜色值均高于红绿蓝三色的 临界值(Cr、Cg、Cb)，则将该点的红绿蓝各像素值均设定为0，否则将该点的红绿蓝各像素 值均设定为1。
进一步地，所述S12为：若Color_Image[i-1,j,r,g,b]的rgb值均等于1，且 Color_Image[i+1,j,r,g,b]的rgb值均等于1，且Color_Image[i,j-1,r,g,b]的rgb值均等于1，且Color_Image[i,j+1,r,g,b]的rgb值均等于1，则判断该点为缺陷区域的内部点，将该点的rgb值 均设置为1，否则设置为0。
进一步地，所述S13为：取图像数组Color_Image中第一个rgb值均等于0的像素点N[i,j]为当前点，其中i为像素点的横向序号，j为像素点的纵向序号；并在轮廓数组Outline[l,k,i,j]中记录N[i,j]点，按照像素点N[i,j-1],N[i-1,j-1],N[i-1,j],N[i-1,j+1],N[i,j+1], N[i+1,j+1],N[i+1,j],N[i-1,j+1]的先后顺序，判断像素点的值，其中l为当前轮廓的序号，其初 值为0，每增加一个轮廓其值增加1；k为第l个轮廓点的当前序号，其初值为0，每记录一 个点，k值自动增加1；i为像素点的横向序号，j为像素点的纵向序号，若Color_Image[x,y,r,g,b] 的rgb值均等于0，其中x为上述8个像素点的横向序号；y为上述8个像素点的纵向序号， 则在轮廓数组Outline[l,k,i,j]记录N[x,y]点，并将该点Color_Image[x,y,r,g,b]的rgb值均设置为 1；重复上面的步骤，直到Color_Image数组中所有的rgb值均等于1，得到Outline[l,k,i,j]轮 廓数组。
进一步地，所述S14为:由于木片表面缺陷的轮廓为凸多边形，将Outline[l,k,i,j]的所有 点数量为k，从Outline[l,1,i,j]点向除了Outline[l,2,i,j]点和终点以外的点连线，可以构成k-1 个三角形；对每个三角形计算三条边的边长：a,b,c，和平均周长p＝(a+b+c)/2，按照公式：三角 形面积s＝p(p-a)(p-b)(p-c)的1/2次方；统计所有k-1个三角形的面积，得到缺陷的面积S，统 计缺陷的数量Num＝Num+1和缺陷面积之和Ssum＝Ssum+S；
完成步骤上述步骤S11-S14后，再次在三维数组Color_Image数组中找像素值v不为零 的点，执行步骤S11-14得到Color_Image数组中所有像素点均为1为止；最终得到木片上所有 缺陷的数量Num和所有缺陷面积之和Ssum。
进一步地，所述S15为：预设A级板临界缺陷数Na、B级板临界缺陷数Nb和A级板 临界缺陷面积Sa、B级板临界缺陷面积(Sb)；
当木片上缺陷的数量Num<Na且缺陷面积Ssum<Sa判定为A级板；当木片上缺陷的数量Na<Num<Nb且缺陷面积Sa<Ssum<Sb判定为B级板；当木片上缺陷的数量Num>Nb且缺陷 面积Ssum>Sb判定为C级板。
进一步地，所述S2的方法为：测量机械臂末端的气动吸盘阵列(3)与木片之间的距离采用距离传感器(4)测量，距离传感器通过测定发射的声波或光波在气动吸盘与木 片之间的传播时间t，将传播时间t乘以声波或者光波的速度，得到木片与气动吸盘之 间的距离；
所述S3的方法为：第一伺服电机驱动第一传送带带动木片运动，木片在随着传送带 传送的过程中依次经过检测室、导向板分选机构，工业计算机判断木片等级后，发送运动指令给对应的导向板分选机构旋转将引导木片落入相应的木片收集框中，完成分选操作，其中所述导向板分选机构的初始位置呈水平状态。
本发明提供的一种基于深度学习的人工智能木片自动分级方法及系统，是一种包含 木片表面缺陷的高效识别、木片的精确定位和木片的传送和分选的控制方法，在上料部件、质量分级检测模块、下料部件、主控系统模块四部分的协同作用下，实现木片表面 缺陷的自动高效识别及木片的自动分级筛选，避免人工分级误差大、效率低、成本高的 问题，使木片分选达到自动化、规模化，具有广阔的市场应用前景。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能 限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例， 并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开实施例提供的一种基于深度学习的人工智能木片自动分级系统的 组成结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附 图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如 所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。
为解决木片表面缺陷人工分选效率低、精度差的问题，本实施方案提供了一种基于深 度学习的人工智能木片自动分级系统，包括：设备框架、上料部件、质量分级检测模块、 下料部件、主控系统模块；设备框架用于承载分级系统中的部件；上料部件用于抓取待分级木片，并将其放置于主控系统模块进行筛选、导向；导向板分选机构用于按等级分 选木片，主控系统模块用于控制分级系统实现自动分级。
如图1所示，上料部件包括上料框1、六自由度机械臂2、气动吸盘阵列3、距离传 感器4；
上述质量分级检验模块包括3D相机5、检测室6；
上述下料部件包括导向板分选机构7、木片收集框8；
上述主控系统模块包括工业计算机9、第一伺服电机10、第一传送带11；
上述设备框架从前至后依次包括三部分：第一传送部、导向部、第二传送部；
上述六自由度机械臂2布置在第一传送部前端的一侧，距离传感器4安装在六自由度机械臂2的末端，气动吸盘阵列3安装在六自由度机械臂2夹持端；六自由度机械臂 2的控制电机及距离传感器4、气动吸盘阵列3分别与工业计算机9信号连接；
上述六自由度机械臂2由六个驱动电机协同驱动运动，将气动吸盘阵列3移动到木片1上方，距离传感器4测定气动吸盘阵列3木片之间的距离，并将距离发送给工业计 算机9。工业计算机9向六自由度机械臂2发送运动控制指令，使吸盘阵列贴近木片， 并控制连通真空的电磁阀吸合，吸盘产生吸力从而抓取木片，随后六自由度机械臂2由 六个驱动电机的协同运动，将木片1放到传送带11上；
检查室6布置在第一传送部的中后部，其两端固定在设备框架上，3D相机5固定在检查室6顶部；3D相机5与工业计算机9信号连接；
第一传送部、第二传送部的首尾端均设有第一伺服电机10，由第一伺服电机带动第 一传送部、第二传送部中的第一传送带11运动；
导向部为导向板分选机构7，导向板分选机构7包括两个伺服电机，一个伺服电机在 其内部，电机轴与同步带驱动轴相连，用于驱动导向板分选机构的传送带转动；另一个伺服 电机固定在设备框架上，电机轴与导向板分选机构相连接，通过伺服电机的转动，可带动导 向板分选机构7实现顺时针方向转动和逆时针方向转动。
具体地，导向板分选机构7包括导向板框架、第二传送带12、第二伺服电机13、第三伺服电机14，第二传送带12套接在导向板框架上，第二伺服电机13的电机轴与第二 传送带12驱动轴连接，第三伺服电机14固定在设备框架上，第三伺服电机14的电机轴 与导向板框架的中部连接；所述木片收集框8布置在导向板分选机构7下方对应处；
第一伺服电机10、第二伺服电机13、第三伺服电机14均分别与工业计算机9信号连接。
进一步改进，导向板分选机构7设有三个，分别为A级导向板分选机构、B级导向 板分选机构、C级导向板分选机构；对应地导向板分选机构下方分别设有A级收集框、 B级收集框及C级收集框；
另一方面，本实施方案采用上述系统的木片自动分级方法，该方法通过采用高效识 别木片表面缺陷的、精确定位木片位置和传送和分选木片等步骤协同作用实现木片自动 分级。
基于上述系统结构，在木片分选时由六自由度机械臂2移动到上料框框1上方，随后置 于六自由度机械臂2末端的距离传感器4测定机械臂末端与上料框框1之间的距离，并将距 离数据传输给工业计算机9；工业计算机9将上料框框1内木片的位置坐标发送给六自由度 机械臂2，六自由度机械臂2带动气动吸盘阵列3移动到木片上方，对木片进行拾取，并将 木片放置到传送带11上；随后工业计算机9控制伺服电机10带动传送带11将木片送入检测 室6；置于检测室6顶部的相机5采集木片的图像信息，并将图像信息数据传给工业计算机9， 工业计算机9根据如下方法统计木片表面的节疤数、裂纹数，经过分析，评定木片的等级， 并控制导向板分选机构利用将不同级别的木片放入不同等级的木片收集框内。
具体包括如下步骤：
S1:识别木片表面缺陷，对木片进行分级；
S2:精确定位木片的位置：
S3:传送控制木片，对分级后的木片实现最终的分选；
其中S1包括：
S11：获取木片的黑白图像；
通过工业计算机9得到的图像数据为包含红绿蓝三色的彩色数据，可以用一个五维数组 进行描述，Color_Image[i,j,r,g,b]，其中i表示当前像素点的横向序号；j表示当前像素点的纵向 序号；r表示该像素点的红色值；g表示该像素点的绿色值；b表示该像素点的蓝色值。
对采集到的木片表面图像进行颜色筛分，具体方法是，设定图像的红绿蓝三色的临界值(Cr、Cg、Cb)，对图像所有像素点的红绿蓝三个颜色进行判断，若像素点的红绿蓝三个颜 色值均高于红绿蓝三色的临界值(Cr、Cg、Cb)，则将该点的红绿蓝各像素值均设定为0，否 则将该点的红绿蓝各像素值均设定为1，完成所有像素点的设定后，得到一幅黑白的图像， 该图像由横向和纵向两个方向的像素点构成。
S12：依据黑白图像获取黑白图像的缺陷外轮廓点；
对S11中得到的黑白图像各像素点进行分析，若Color_Image[i-1,j,r,g,b]的rgb值均等于1， 且Color_Image[i+1,j,r,g,b]的rgb值均等于1，且Color_Image[i,j-1,r,g,b]的rgb值均等于1，且 Color_Image[i,j+1,r,g,b]的rgb值均等于1，则判断该点为缺陷区域的内部点，将该点的rgb值 均设置为1，否则设置为0。对所有像素点进行分析，得到缺陷外轮廓的点。
S13：获取图像的缺陷轮廓；
取图像数组Color_Image中第一个rgb值均等于0的像素点N[i,j](i为像素点的横向序号； j为像素点的纵向序号)为当前点，并在轮廓数组Outline[l,k,i,j](l为当前轮廓的序号，其初值 为0，每增加一个轮廓其值增加1；k为第l个轮廓点的当前序号，其初值为0，每记录一个 点，k值自动增加1；i为像素点的横向序号；j为像素点的纵向序号)中记录N[i,j]点，按照像 素点N[i,j-1],N[i-1,j-1],N[i-1,j],N[i-1,j+1],N[i,j+1],N[i+1,j+1],N[i+1,j],N[i-1,j+1]的先后顺序， 判断像素点的值，若Color_Image[x,y,r,g,b](x为上述8个像素点的横向序号；y为上述8个像 素点的纵向序号)的rgb值均等于0，则在轮廓数组Outline[l,k,i,j]记录N[x,y]点，并将该点 Color_Image[x,y,r,g,b]的rgb值均设置为1。重复上面的步骤，直到Color_Image数组中所有的 rgb值均等于1，得到Outline[l,k,i,j]轮廓数组。
S14：计算图像的缺陷面积；
由于木片表面缺陷的轮廓多为凸多边形，因此将Outline[l,k,i,j]的所有点(总共有k个点)， 从Outline[l,1,i,j]点向除了Outline[l,2,i,j]点和终点以外的点连线，可以构成k-1个三角形。对 每个三角形计算三条边的边长：a,b,c，和平均周长p＝(a+b+c)/2，按照公式：三角形面积s＝ p(p-a)(p-b)(p-c)的1/2次方。统计所有k-1个三角形的面积，得到缺陷的面积S，统计缺陷的 数量Num＝Num+1和缺陷面积之和Ssum＝Ssum+S。
完成步骤上述步骤S11-S14后，再次在三维数组Color_Image数组中找像素值v不为零 的点，执行步骤1-4得到Color_Image数组中所有像素点均为1为止。最终得到木片上所有缺 陷的数量Num和所有缺陷面积之和Ssum。
S15：判定木片的等级。
预设A级板临界缺陷数(Na)，B级板临界缺陷数(Nb)和A级板临界缺陷面积(Sa),B级板临界缺陷面积(Sb)，当木片上缺陷的数量Num<Na且缺陷面积Ssum<Sa判定为A级板； 当木片上缺陷的数量Na<Num<Nb且缺陷面积Sa<Ssum<Sb判定为B级板；当木片上缺陷的数量Num>Nb且缺陷面积Ssum>Sb判定为C级板。
S2:精确定位木片的位置：
机械臂末端的气动吸盘阵列3与木片之间的距离采用距离传感器4进行测量，距离传感 器采用的是超声波传感器或激光传感器，工作原理是通过测定发射的声波或光波在气动吸盘 与木片之间的传播时间(t)，将传播时间t乘以声波或者光波的速度，得到木片与气动吸盘之 间的距离。
S3:传送控制木片，对分级后的木片实现最终的分选；
在分选传送带上有3个导向板分选机构7，分别对应A级板，B级板，C级板，3个导 向板初始位置都为水平位置。木片的传送采用伺服电机10驱动的传送带带动木片进行运动，木片在运动的过程中依次经过检测室6、导向板分选机构7等区域，工业计算机9判断木片等级后，发送运动指令给对应的导向板分选机构7，如A级板则第1号导向板分选机构7顺 时针转动-45度，待木片输送完成后再逆时针转动10-90度，回复到初始位置；如A级板则第 1号导向板分选机构7顺时针转动-10-(-90)度，待木片输送完成后再逆时针转动45度，回 复到初始位置；如B级板则第2号导向板分选机构7顺时针转动-10-(-90)度，待木片输送 完成后再逆时针转动10-90度，回复到初始位置；如C级板则第3号导向板分选机构7顺时 针转动-10-(-90)度，待木片输送完成后再逆时针转动-10-(-90)度，回复到初始位置。导 向板分选机构7的旋转将引导木片落入相应的木片收集框8中，完成分选操作。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它 实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权 利要求指出。

Claims (10)

1.一种基于深度学习的人工智能木片自动分级系统，其特征在于，包括：设备框架、上料部件、质量分级检测模块、下料部件、主控系统模块；所述设备框架用于承载分级系统中的部件；所述上料部件用于抓取待分级木片，并将其放置于主控系统模块进行筛选、导向；所述导向板分选机构用于按等级分选木片，所述主控系统模块用于控制分级系统实现自动分级。
2.根据权利要求1所述的一种基于深度学习的人工智能木片自动分级系统，其特征在于，所述上料部件包括上料框(1)、六自由度机械臂(2)、气动吸盘阵列(3)、距离传感器(4)；
所述质量分级检验模块包括3D相机(5)、检测室(6)；
所述下料部件包括导向板分选机构(7)、木片收集框(8)；
所述主控系统模块包括工业计算机(9)、第一伺服电机(10)、第一传送带(11)；
所述设备框架从前至后依次包括三部分：第一传送部、导向部、第二传送部；
所述六自由度机械臂(2)布置在第一传送部前端的一侧，所述距离传感器(4)安装在六自由度机械臂(2)的末端，所述气动吸盘阵列(3)安装在六自由度机械臂(2)夹持端；六自由度机械臂(2)的控制电机及距离传感器(4)分别与工业计算机(9)信号连接；
所述检查室(6)布置在第一传送部的中后部，其两端固定在设备框架上，所述3D相机(5)固定在检查室(6)顶部；所述3D相机(5)与工业计算机(9)信号连接；
第一传送部、第二传送部的首尾端均设有第一伺服电机(10)，由第一伺服电机带动第一传送部、第二传送部中的第一传送带(11)运动；
所述导向部为导向板分选机构(7)，所述导向板分选机构(7)包括导向板框架、第二传送带(12)、第二伺服电机(13)、第三伺服电机(14)，所述第二传送带(12)套接在导向板框架上，所述第二伺服电机(13)的电机轴与第二传送带(12)驱动轴连接，所述第三伺服电机(14)固定在设备框架上，第三伺服电机(14)的电机轴与导向板框架的中部连接；所述木片收集框(8)布置在导向板分选机构(7)下方对应处；
所述第一伺服电机(10)、第二伺服电机(13)、第三伺服电机(14)均分别与工业计算机(9)信号连接。
3.根据权利要求1所述的一种基于深度学习的人工智能木片自动分级系统，其特征在于，所述导向板分选机构(7)设有三个，分别为A级导向板分选机构、B级导向板分选机构、C级导向板分选机构；对应地导向板分选机构下方分别设有A级收集框、B级收集框及C级收集框。
4.一种采用如权利要求1-3任意一项所述系统的木片自动分级方法，其特征在于，包括如下步骤：
S1:识别木片表面缺陷，对木片进行分级；
S2:精确定位木片的位置：
S3:传送控制木片，对分级后的木片实现最终的分选；
其中所述S1包括：
S11：获取木片的黑白图像；
S12：依据所述黑白图像获取黑白图像的缺陷外轮廓点；
S13：获取图像的缺陷轮廓；
S14：计算图像的缺陷面积；
S15：判定木片的等级。
5.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S11具体为：实际采集得到的木片图像的信息包含：红绿蓝三色的彩色数据，用五维数组描述为Color_Image[i,j,r,g,b]，其中i表示当前像素点的横向序号；j表示当前像素点的纵向序号；r表示该像素点的红色值；g表示该像素点的绿色值；b表示该像素点的蓝色值；
颜色筛分所述木片的图像信息，完成对多有像素点的设定，得到一幅黑白的图像，该图像由横向和纵向两个方向的像素点构成：设定图像的红绿蓝三色的临界值Cr、Cg、Cb，判断图像所有像素点的红绿蓝三个颜色：若像素点的红绿蓝三个颜色值均高于红绿蓝三色的临界值(Cr、Cg、Cb)，则将该点的红绿蓝各像素值均设定为0，否则将该点的红绿蓝各像素值均设定为1。
6.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S12为：若Color_Image[i-1,j,r,g,b]的rgb值均等于1，且Color_Image[i+1,j,r,g,b]的rgb值均等于1，且Color_Image[i,j-1,r,g,b]的rgb值均等于1，且Color_Image[i,j+1,r,g,b]的rgb值均等于1，则判断该点为缺陷区域的内部点，将该点的rgb值均设置为1，否则设置为0。
7.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S13为：取图像数组Color_Image中第一个rgb值均等于0的像素点N[i,j]为当前点，其中i为像素点的横向序号，j为像素点的纵向序号；并在轮廓数组Outline[l,k,i,j]中记录N[i,j]点，按照像素点N[i,j-1],N[i-1,j-1],N[i-1,j],N[i-1,j+1],N[i,j+1],N[i+1,j+1],N[i+1,j],N[i-1,j+1]的先后顺序，判断像素点的值，其中l为当前轮廓的序号，其初值为0，每增加一个轮廓其值增加1；k为第l个轮廓点的当前序号，其初值为0，每记录一个点，k值自动增加1；i为像素点的横向序号，j为像素点的纵向序号，若Color_Image[x,y,r,g,b]的rgb值均等于0，其中x为上述8个像素点的横向序号；y为上述8个像素点的纵向序号，则在轮廓数组Outline[l,k,i,j]记录N[x,y]点，并将该点Color_Image[x,y,r,g,b]的rgb值均设置为1；重复上面的步骤，直到Color_Image数组中所有的rgb值均等于1，得到Outline[l,k,i,j]轮廓数组。
8.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S14为:由于木片表面缺陷的轮廓为凸多边形，将Outline[l,k,i,j]的所有点数量为k，从Outline[l,1,i,j]点向除了Outline[l,2,i,j]点和终点以外的点连线，可以构成k-1个三角形；对每个三角形计算三条边的边长：a,b,c，和平均周长p＝(a+b+c)/2，按照公式：三角形面积s＝p(p-a)(p-b)(p-c)的1/2次方；统计所有k-1个三角形的面积，得到缺陷的面积S，统计缺陷的数量Num＝Num+1和缺陷面积之和Ssum＝Ssum+S；
完成步骤上述步骤S11-S14后，再次在三维数组Color_Image数组中找像素值v不为零的点，执行步骤S11-14得到Color_Image数组中所有像素点均为1为止；最终得到木片上所有缺陷的数量Num和所有缺陷面积之和Ssum。
9.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S15为：预设A级板临界缺陷数Na、B级板临界缺陷数Nb和A级板临界缺陷面积Sa、B级板临界缺陷面积(Sb)；
当木片上缺陷的数量Num<Na且缺陷面积Ssum<Sa判定为A级板；当木片上缺陷的数量Na<Num<Nb且缺陷面积Sa<Ssum<Sb判定为B级板；当木片上缺陷的数量Num>Nb且缺陷面积Ssum>Sb判定为C级板。
10.根据权利要求4所述的一种木片自动分级方法，其特征在于，所述S2的方法为：测量机械臂末端的气动吸盘阵列(3)与木片之间的距离采用距离传感器(4)测量，距离传感器通过测定发射的声波或光波在气动吸盘与木片之间的传播时间t，将传播时间t乘以声波或者光波的速度，得到木片与气动吸盘之间的距离；
所述S3的方法为：第一伺服电机驱动第一传送带带动木片运动，木片在随着传送带传送的过程中依次经过检测室(6)、导向板分选机构(7)，工业计算机(9)判断木片等级后，发送运动指令给对应的导向板分选机构(7)旋转将引导木片落入相应的木片收集框(8)中，完成分选操作，其中所述导向板分选机构的初始位置呈水平状态。
CN202211078026.9A 2022-09-05 2022-09-05 一种基于深度学习的人工智能木片自动分级方法及系统 Pending CN115415186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211078026.9A CN115415186A (zh) 2022-09-05 2022-09-05 一种基于深度学习的人工智能木片自动分级方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211078026.9A CN115415186A (zh) 2022-09-05 2022-09-05 一种基于深度学习的人工智能木片自动分级方法及系统

Publications (1)

Publication Number Publication Date
CN115415186A true CN115415186A (zh) 2022-12-02

Family

ID=84202597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211078026.9A Pending CN115415186A (zh) 2022-09-05 2022-09-05 一种基于深度学习的人工智能木片自动分级方法及系统

Country Status (1)

Country Link
CN (1) CN115415186A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117225735A (zh) * 2023-11-13 2023-12-15 临沂众为智能科技有限公司 一种板材分级视觉检测输送设备及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117225735A (zh) * 2023-11-13 2023-12-15 临沂众为智能科技有限公司 一种板材分级视觉检测输送设备及其方法
CN117225735B (zh) * 2023-11-13 2024-02-09 临沂众为智能科技有限公司 一种板材分级视觉检测输送设备及其方法

Similar Documents

Publication Publication Date Title
CN109772733B (zh) 一种基于视觉的缺陷竹块检测分拣装置及方法
CN111729869B (zh) 一种机器视觉分析的汽车功率器件检测系统
CN115415186A (zh) 一种基于深度学习的人工智能木片自动分级方法及系统
CN1485616A (zh) 禽蛋品质无损自动检测分级设备及方法
CN111545483B (zh) 一种筷子分拣检测装置及其检测算法
CN207238542U (zh) 一种基于机器视觉的篾片缺陷在线检测系统
CN106596570A (zh) 检测纸张不透光镀膜层缺陷的方法及其装置
CN113744247A (zh) 一种pcb焊点缺陷识别方法和系统
CN114113129B (zh) 一种镜片微小缺陷识别抓取系统及方法
CN114529510B (zh) 一种阴极铜在线质量自动检测分类方法
CN115672779A (zh) 一种基于深度学习的鸡蛋缺陷检测分拣装置
CN112950602B (zh) 基于深度相机与机器学习的糖果缺陷检测装置及分类方法
CN110587502A (zh) 一种砂轮网片自动化成型、捡拾与检验一体化系统及其方法
CN116698860B (zh) 基于图像处理实现批量实心根类中药切片质量分析的方法
CN212597236U (zh) 一种汽车功率器件品质检测装置
CN116309375B (zh) 实木板材双面缺陷检测及智能加工坐标确定方法
CN212093316U (zh) 一种基于kinect相机的木材缺陷检测装置
CN113256568A (zh) 一种基于深度学习的机器视觉板材计数通用系统及方法
CN108176603A (zh) 发动机连杆多代号识别方法及其自动分拣设备
CN218309371U (zh) 一种木片自动分级系统
CN116078704A (zh) 一种基于ccd的外观检测设备
CN112337810B (zh) 一种视觉引导分拣珍珠机器人及其分拣方法
CN210434894U (zh) 一种腰果分拣装备
CN110193472B (zh) 一种基于视觉的工件传输、检测、分拣和组装系统及方法
CN113560214A (zh) 一种用于珍珠的智能分拣系统及其使用方法

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