CN116740449A - 基于ai计算机视觉技术的刨花形态检测方法及系统 - Google Patents
基于ai计算机视觉技术的刨花形态检测方法及系统 Download PDFInfo
- Publication number
- CN116740449A CN116740449A CN202310724537.1A CN202310724537A CN116740449A CN 116740449 A CN116740449 A CN 116740449A CN 202310724537 A CN202310724537 A CN 202310724537A CN 116740449 A CN116740449 A CN 116740449A
- Authority
- CN
- China
- Prior art keywords
- image
- shavings
- detected
- shaving
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 239000002023 wood Substances 0.000 claims abstract description 217
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 239000004744 fabric Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000013526 transfer learning Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 235000013312 flour Nutrition 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000003707 image sharpening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000031700 light absorption Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种基于AI计算机视觉技术的刨花形态检测方法及系统,属于刨花形态检测技术领域。方法包括:获取待检测刨花图像;对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;基于刨花的尺寸检测结果和刨花的形状识别结果,确定待检测刨花的形态。本申请利用AI智能视觉技术来实现对刨花形态的智能识别检测,健全完善了刨花形态表征方法,提高了刨花形态检测的精度和效率,并可以用于精准诊断刨花板生产过程,预报刨花板的质量。
Description
技术领域
本申请属于刨花形态检测技术领域,具体涉及一种基于AI计算机视觉技术的刨花形态检测方法及系统。
背景技术
刨花是构成刨花板的基本单元,现有的刨花质量检测方法主要依赖机械筛分来分选不同规格刨花,这种方法不仅无法精确识别刨花尺寸和形状而且检测效率低下。随着人工智能逐步引入人造板制造业,越来越多的人发现相对于利用筛网筛分的传统检测方法,如计算机视觉检测和机器视觉检测更加快速有效。但是,目前计算机视觉在林产工业中,大部分应用于表面缺陷检测,如木材表面缺陷识别、人造板外观质量检测等。而目前对于刨花形态识别算法,主要通过传统的数字图像处理算法实现刨花长度、宽度或矩形度识别,但难以自动识别刨花厚度并判断出刨花近似几何形状。
发明内容
为此,本申请提供一种基于AI计算机视觉技术的刨花形态检测方法及系统,有助于解决现有技术难以自动精确识别刨花尺寸和判断出刨花近似几何形状,以及刨花检测识别效率较低的问题。
为实现以上目的,本申请采用如下技术方案:
第一方面,本申请提供一种基于AI计算机视觉技术的刨花形态检测方法,包括:
获取待检测刨花图像;
对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
基于所述刨花的尺寸检测结果和刨花的形状识别结果,确定待检测刨花的形态。
进一步地,所述获取待检测刨花图像,具体包括:
将待检测刨花倒入100目筛网震动筛选,直至明显看不到木粉移动为止;
将留在100目筛网上的待检测刨花逐一平铺在黑色吸光布上并确保每个待检测刨花之间相互没有重叠,同时在黑色吸光布上设置预设参照物,利用高清相机平行俯拍待检测刨花和预设参照物,获得待检测刨花的第一检测面图像;
将待检测刨花放入预制黑色底板以使待检测刨花竖立/侧立,并在黑色底板上设置预设参照物,利用高清相机平行俯拍竖立/侧立的待检测刨花和预设参照物,获得待检测刨花的第二检测面图像;
依据待检测刨花的第一检测面图像和第二检测面图像,确定待检测刨花图像。
进一步地,所述对图像预处理后的待检测刨花图像进行刨花尺寸检测,具体包括:
基于预设参照物的实际尺寸与图像预处理后的待检测刨花图像中预设参照物的像素尺寸,计算出待检测刨花图像的单位尺寸像素数;所述待检测刨花图像包括待检测刨花的第一检测面图像和第二检测面图像;
利用边缘检测算子分别对待检测刨花的第一检测面图像和第二检测面图像进行刨花轮廓提取,获得刨花第一轮廓图像和刨花第二轮廓图像;
利用填充函数分别对所述刨花第一轮廓图像和刨花第二轮廓图像进行图像孔洞识别,并对小于预设填充阈值的图像孔洞进行填充,获得填充后的刨花第一轮廓图像和刨花第二轮廓图像;
基于填充后的刨花第一轮廓图像,找到与刨花平面轮廓边界外接且矩形面积最小的刨花平面最小外接矩形,依据刨花平面最小外接矩形的长度与宽度,确定待检测刨花的像素长度、像素宽度;
基于填充后的刨花第二轮廓图像,找到与刨花侧面轮廓边界外接且矩形面积最小的刨花侧面最小外接矩形,依据刨花侧面最小外接矩形的宽度,确定待检测刨花的像素厚度;
基于所述单位尺寸像素数对待检测刨花的像素长度、像素宽度和像素厚度进行换算,获得待检测刨花实际的长度、宽度与厚度。
进一步地,所述预设刨花形状识别模型的训练过程包括:
基于刨花的形状类别,对图像预处理后的待检测刨花图像进行形状类别划分,并根据形状类别划分结果分类建立数据集;
对数据集中的待检测刨花图像进行数据增强处理,获得数据增强后的数据集;
依据7:3的划分比例将数据增强后的数据集划分为训练集和验证集;
将训练集输入预训练模型,按照预设模型训练参数进行迁移学习训练,获得初始刨花形状检测模型;
将验证集输入所述初始刨花形状检测模型进行验证,并根据验证结果对模型参数进行调整,获得预设刨花形状识别模型。
进一步地,所述图像预处理包括二值化处理、直方图均衡化、图像锐化和图像滤波处理中的至少一种。
进一步地,所述填充函数为imfill函数;所述预设填充阈值具体为500px。
进一步地,所述预设模型训练参数包括:模型学习率设为0.0001;每批次训练的样本数量设置为105;每轮迭代次数为4次;最大训练轮数设为55;模型共迭代220次。
进一步地,所述数据增强处理包括图像左右翻转、图像上下翻转、图像缩放变换和图像旋转变换中的至少一种。
进一步地,所述预训练模型具体为DarkNet-19预训练模型。
第二方面,本申请提供一种基于AI计算机视觉技术的刨花形态检测系统,包括:
图像采集模块,用于获取待检测刨花图像;
图像预处理模块,用于对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
尺寸检测模块,用于对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
形状识别模块,用于将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
形态输出模块,用于基于刨花的尺寸检测结果和刨花的形状识别结果,输出待检测刨花的形态。
本申请采用以上技术方案,至少具备以下有益效果:
通过本申请提供的基于AI计算机视觉技术的刨花形态检测方法,通过获取待检测刨花图像;对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;基于刨花的尺寸检测结果和刨花的形状识别结果,确定待检测刨花的形态。本申请通过对刨花图像进行预处理,以消除图像中无关的信息,并恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据。然后对图像预处理的刨花图像进行尺寸检测,识别获取刨花的实际尺寸参数。同时利用预设刨花形状识别模型对刨花图像进行形状识别,对图像中的刨花形状进行识别分类,获得刨花的形状识别结果。最终结合刨花的实际尺寸参数和形状识别结果分析出刨花的形态。本申请利用AI智能视觉技术来实现对刨花形态的智能识别检测利用该方法及系统能同时识别检测刨花长度、宽度、厚度与近似几何形状,提高了刨花形态检测的准确率与效率,完善了刨花质量描述方法。本申请降低了对刨花形态的测量误差,并可以用于精准诊断刨花板生产过程,预报刨花板的物理力学性能。
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,并不能限制本申请。
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。
图1是本发明的基于AI计算机视觉技术的刨花形态检测方法流程图;
图2是本发明的刨花形态识别技术流程图;
图3是本发明的刨花长、宽检测过程示例图;
图4是本发明的刨花厚度检测过程示例图;
图5是本发明的刨花形状样本示例图;
图6是本发明的刨花形状识别输出结果示例图;
图7是本发明的基于AI计算机视觉技术的刨花形态检测系统架构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。
刨花形态是刨花板物理力学性能和生产加工过程的重要影响因素之一。刨我们的实验结果表明刨花形态以及不同形态刨花的数量受刨花制备过程的影响且影响刨花板物理力学性能。因此,在刨花板生产过程中,刨花形态的监测和控制对于保证刨花板产品质量具有十分重要的意义。然而,工厂现有的监测方法主要依靠人工主观判断,利用该方法监测刨花形态变化情况不但准确率低、效率低且数据质量无法保障。而随着人工智能逐步引入人造板制造业,越来越多的人发现相对于利用筛网筛分的传统检测方法,基于AI的计算机视觉方法可以实现在线自动识别,提高刨花检测精度和效率。但是,目前计算机视觉在林产工业的应用中,大部分为表面缺陷检测,如木材表面缺陷识别、人造板外观质量检测等。对于刨花形态识别算法,主要通过传统的数字图像处理算法实现刨花长度、宽度或矩形度识别,而没有提到过利用深度学习算法进行刨花几何形状和厚度的识别。
因此,本发明设计了一种表面带有缝隙的图像采集底板,通过宽度最多为3.5mm、深度10mm的数条缝隙使刨花立起来或者刨花侧面正对相机从而得到刨花厚度面图像,即第二检测面图像,最后定义该部分最小外接矩形宽度为刨花最大厚度。此外,本发明还提出了一种利用深度迁移学习图像识别算法自动检测刨花形态的方法。通过应用和嵌入智能化检测方法,达到了提高刨花板工厂对刨花形态变化的监控效率和精度的目的。同时,完善了刨花质量描述方法,提高了刨花板生产过程诊断和质量控制装备的智能化水平。本发明可以为刨花板生产过程控制提供一种智能、准确和高效的检测手段,成为工厂管理人员灵活监管生产过程提供得力工具。本发明的详细实现过程见下列实施例。
实施例1:
请参阅图1和图2,图1是本发明的一种基于AI计算机视觉技术的刨花形态检测方法,图2是本发明的刨花形态识别技术流程。如图1所示,方法包括:
S1:获取待检测刨花图像;
S2:对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
S3:对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
S4:将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
S5:基于刨花的尺寸检测结果和刨花的形状识别结果,确定待检测刨花的形态。
进一步地,在本实施例中,获取待检测刨花图像过程具体包括:
将待检测刨花倒入100目筛网,使用电动振筛机进行连续震动筛选,将待检测刨花中大于100目的木粉筛出,直至明显看不到有木粉明显移动为止。
检测刨花长度、宽度与形状时,将黑色无影吸光布平铺至平整的试验台面上,然后将留在大于100目筛网上的待检测刨花逐一平铺在黑色吸光布上并确保每个待检测刨花之间相互没有重叠,同时在黑色吸光布上设置预设参照物,利用高清相机平行俯拍待检测刨花和预设参照物,获得待检测刨花的第一检测面图像。待检测刨花的第一检测面是待检测刨花平铺在黑色吸光布上,从待检测刨花顶部俯视所能看见的面。
检测刨花厚度时,将待检测刨花放入预制黑色底板的底板缝隙里,使其稳定卡在缝隙中,将待检测刨花竖立/侧立起来,并保证刨花互不接触。同时在黑色底板上设置预设参照物,在LED无影灯光源下,利用1600万像素高清相机平行俯拍竖立/侧立的待检测刨花和预设参照物,固定拍摄距离为25cm,分辨率设置为1280x 960,获得待检测刨花的第二检测面图像。待检测刨花的第二检测面是待检测刨花竖立/侧立在预制黑色底板上,从待检测刨花顶部俯视所能看见的面。若待检测刨花的第一检测面表示平面,则第二检测面表示的是待检测刨花的侧面或竖立面,二者具体根据待检测刨花的摆放位置确定。
最后汇总拍摄的待检测刨花的第一检测面图像和第二检测面图像,获得一个待检测刨花的图像集。
具体的,图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而提高特征抽取、图像分割、匹配和识别的可靠性。本实施例中涉及的图像预处理包括二值化处理、直方图均衡化、图像锐化和图像滤波处理中的至少一种。
在具体实践过程中,本发明对在复杂环境下拍摄的刨花图像进行了一系列预处理。根据图像质量,首先通过二值化处理将彩色刨花图像变换为黑白图像,以达到减少所需处理的数据量,提高图像识别效率的目的。然后进行直方图均衡化处理,通过调整原始图像的直方图,使之呈均衡分布的样式,达到增强图像整体对比度的目的。随后,通过图像锐化处理使图像的边缘、轮廓线等细节变得清晰。最后利用中值滤波函数,为图像去噪,减少图像中灰尘等噪声干扰。
进一步地,本实施例中,对图像预处理后的待检测刨花图像进行刨花尺寸检测,具体包括:
基于预设参照物的实际尺寸与图像预处理后的待检测刨花图像中预设参照物的像素尺寸,计算出待检测刨花图像的单位尺寸像素数;待检测刨花图像包括待检测刨花的第一检测面图像和第二检测面图像;
利用边缘检测算子分别对待检测刨花的第一检测面图像和第二检测面图像进行刨花轮廓提取,获得刨花第一轮廓图像和刨花第二轮廓图像;
利用填充函数分别对刨花第一轮廓图像和刨花第二轮廓图像进行图像孔洞识别,并对小于预设填充阈值的图像孔洞进行填充,获得填充后的刨花第一轮廓图像和刨花第二轮廓图像;
基于填充后的刨花第一轮廓图像,查找与刨花平面轮廓边界外接且矩形面积最小的刨花平面最小外接矩形,依据刨花平面最小外接矩形的长度与宽度,确定待检测刨花的像素长度、像素宽度;
基于填充后的刨花第二轮廓图像,查找与刨花侧面轮廓边界外接且矩形面积最小的刨花侧面最小外接矩形,依据刨花侧面最小外接矩形的宽度,确定待检测刨花的像素厚度;
基于单位尺寸像素数对待检测刨花的像素长度、像素宽度和像素厚度进行换算,获得待检测刨花实际的长度、宽度与厚度。
具体实践过程中,参照图2所示,本实施例对刨花的尺寸检测流程具体如下:
确定单位尺寸像素数:为了找出图像中像素点与真实世界坐标系映射关系的过程,本发明利用直径为2.50cm的一元硬币作为参照物,通过参照物的实际尺寸与图像预处理后的待检测刨花图像中预设参照物的像素尺寸,计算出待检测刨花图像的单位尺寸像素数。
目标轮廓检测:轮廓可以简单看成将具有相同的颜色或者灰度的连续的点连在一起的曲线。经过对比现有的不同边缘检测算子(包括Canny、Bwperim、Sobel等)对刨花图像的轮廓提取效果,本申请最终选用Bwperim算子检测刨花轮廓边界。
图像孔洞填充:在图像采集过程中,镜头下会有不少灰尘或木粉颗粒影响图像质量,经过上述目标轮廓的边缘检测后,会得到一张含有孔洞的刨花轮廓图像。因此,为了减小环境中粉尘颗粒对检测精度的影响,利用imfill函数识别并填充小于500px的孔洞。
识别刨花最小外接矩形尺寸:求目标最小外接矩形就是找到凸多边形的外接且面积最小的矩形。参照图3所示,在待检测刨花的平面图像中,检测到与刨花外接且面积最小的矩形,计算出刨花最小外接矩形的长度与宽度,该矩形长度与宽度就是目标刨花(待检测刨花)的最长轴与最短轴,即待检测刨花的像素长度与像素宽度。最后,利用单位尺寸像素数计算出矩形的实际尺寸,获得刨花的实际长度与宽度,并输出可视化结果。
同理,参照图4所示,在待检测刨花的侧面图像中,检测到与刨花外接且面积最小的矩形,计算出刨花最小外接矩形的宽度,该矩形宽度就是目标刨花(待检测刨花)的像素厚度,利用单位尺寸像素数换算得到的刨花实际厚度,并输出可视化结果。
进一步地,本实施例中,预设刨花形状识别模型的训练过程包括:
基于刨花的形状类别,对图像预处理后的待检测刨花图像进行形状类别划分,并根据形状类别划分结果分类建立数据集;
对数据集中的待检测刨花图像进行数据增强处理,获得数据增强后的数据集;
依据7:3的划分比例将数据增强后的数据集划分为训练集和验证集;
将训练集输入预训练模型,按照预设模型训练参数进行迁移学习训练,获得初始刨花形状检测模型;
将验证集输入初始刨花形状检测模型进行验证,并根据验证结果对模型参数进行调整,获得预设刨花形状识别模型。
具体实践过程中,本实施例利用深度迁移学习图像识别算法自动检测刨花形态,参照图2所示,对刨花形状的识别过程具体如下:
选择预训练模型:预训练模型是一个已经训练好并保存下来的深度学习网络模型,该网络之前已经在大型的数据集上进行过训练。本申请经过分析对比VGG-19、GoogleNet、ResNet-50和DarkNet-19四种网络模型迁移学习结果,最终选用DarkNet-19预训练模型进行迁移学习以区分不同形状刨花。
建立数据集:将预处理后的刨花图像人工分为杆状、类矩形、类三角形及其它型4种类别,每类各选150张建立数据集,最终共获得600张图片,不同形状刨花样本如图5所示。
迁移学习:迁移学习是一种机器学习方法,将在一个任务上学到的知识应用于另一个新的任务。在深度学习中,这通常意味着利用在大型数据集(如ImageNet)上训练的预训练模型,用于解决新的图像分类任务。预训练模型可以捕捉通用的特征和模式,因此可以为新任务提供良好的初始参数。本发明中,迁移学习网络选择Adam优化器,模型训练参数设置如下:学习率设为0.0001;每批次训练的样本数量设置为105;每轮迭代次数为4次;最大训练轮数设为55;共迭代220次。将训练集输入预训练模型,按照上述模型训练参数进行迁移学习训练,获得初始刨花形状检测模型。
验证结果:将验证集输入初始刨花形状检测模型进行验证,根据验证结果对模型参数进行优化调整。在完成模型训练和验证过程后,保存并导出训练结果和模型参数。最后,参照图6所示,选择一个未经训练的新图像使用经过上述迁移学习训练的网络模型对其进行分类识别,并输出可视化结果。
具体的,本实施例的方法基于Matlab平台搭建。首先,将待检测刨花倒入100目筛网,使用电动振筛机进行连续震动筛选,将待检测刨花中大于100目的木粉筛出,直至明显看不到有木粉明显移动为止。然后将留在100目筛网上的刨花逐一平铺在黑色吸光布上并确保相互没有重叠部分,采用高清相机平行俯拍刨花平面图像。最后,将采集到的刨花图像导入Matlab,通过基于数字图像处理技术的目标尺寸检测算法识别刨花长度与宽度,通过基于深度迁移学习的图像分类算法识别刨花几何形状。而在识别刨花厚度时,需要将刨花放入表面带有缝隙的自制黑色底板使刨花立起来,并保证互不接触。该底板表面设有多条缝隙,每条缝隙的宽度为1~3.5mm、长度为100~150mm,深度为5mm~10mm。其中,1~3.5mm宽度不一的缝隙共9条。利用设置在黑色底板顶部相机采集立起来的刨花侧面图像,最终通过检测并计算刨花侧面最小外接矩形宽度得到刨花厚度。这种智能化的刨花形态检测方法解决了非标准矩形的刨花难以手动测量、不规则的刨花几何形状难以合理描述等难题。不但能为刨花板工厂生产过程中刨花形态变化的评估、诊断提供参考,优化刨花板生产加工工艺,同时通过应用和嵌入数字、智能技术和系统,还可以提高刨花板生产装备的智能化水平,成为工厂管理人员灵活监管生产过程的得力工具。相比较传统的刨花形态描述方法,该方法检测效率、精度更高。
综上,本申请例利用AI智能视觉技术,无需消耗大量人工和时间,只需提供图像采集设备和计算机即可完成。参照下表1的刨花形状分类模型训练数据可知,本申请提供的方法对于刨花尺寸测量误差小于0.01mm,刨花近似几何形状识别准确率达99.17%。同时,该方法可以实现多片刨花同时检测,还体现了数据收集高效率的优点。此外,本实施例还设计了一种能让刨花竖立/侧立起来且表面带有缝隙的底板,使高清相机能采集并识别到刨花厚度。
表1刨花形状分类模型训练数据表
实施例2:
本实施例提供一种基于AI计算机视觉技术的刨花形态检测系统,参照图7所示,系统包括:
图像采集模块,用于获取待检测刨花图像;
图像预处理模块,用于对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
尺寸检测模块,用于对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
形状识别模块,用于将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
形态输出模块,用于基于刨花的尺寸检测结果和刨花的形状识别结果,输出待检测刨花的形态。
其中,图像采集模块采用1600万像素高清相机来采集待检测刨花图像。图预处理模块、尺寸检测模块、形状识别模块和形态输出模块设置在工业计算机中形成图像处理终端,将高清相机和图像处理终端相连接构成实际的刨花形态检测系统。
本申请通过对刨花图像进行预处理,以消除图像中无关的信息,并恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据。然后对图像预处理的刨花图像进行尺寸检测,识别获取刨花的实际尺寸参数。同时利用预设刨花形状识别模型对刨花图像进行形状识别,对图像中的刨花形状进行识别分类,获得刨花的形状识别结果。最终结合刨花的实际尺寸参数和形状识别结果分析出刨花的形态。本申请利用AI智能视觉技术来实现对刨花形态的自主识别检测,提高了对刨花形态的识别精度与准确率,降低了对刨花形态的测量误差。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于AI计算机视觉技术的刨花形态检测方法,其特征在于,包括:
获取待检测刨花图像;
对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
基于所述刨花的尺寸检测结果和刨花的形状识别结果,确定待检测刨花的形态。
2.根据权利要求1所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述获取待检测刨花图像,具体包括:
将待检测刨花倒入100目的筛网震动筛选,直至明显看不到木粉移动为止;
将留在100目筛网上的待检测刨花逐一平铺在黑色吸光布上并确保每个待检测刨花之间相互没有重叠,同时在黑色吸光布上设置预设参照物,利用高清相机平行俯拍待检测刨花和预设参照物,获得待检测刨花的第一检测面图像;
将待检测刨花放入预制黑色底板以使待检测刨花竖立/侧立,并在黑色底板上设置预设参照物,利用高清相机平行俯拍竖立/侧立的待检测刨花和预设参照物,获得待检测刨花的第二检测面图像;
依据待检测刨花的第一检测面图像和第二检测面图像,确定待检测刨花图像。
3.根据权利要求1所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述对图像预处理后的待检测刨花图像进行刨花尺寸检测,具体包括:
基于预设参照物的实际尺寸与图像预处理后的待检测刨花图像中预设参照物的像素尺寸,计算出待检测刨花图像的单位尺寸像素数;所述待检测刨花图像包括待检测刨花的第一检测面图像和第二检测面图像;
利用边缘检测算子分别对待检测刨花的第一检测面图像和第二检测面图像进行刨花轮廓提取,获得刨花第一轮廓图像和刨花第二轮廓图像;
利用填充函数分别对所述刨花第一轮廓图像和刨花第二轮廓图像进行图像孔洞识别,并对小于预设填充阈值的图像孔洞进行填充,获得填充后的刨花第一轮廓图像和刨花第二轮廓图像;
基于填充后的刨花第一轮廓图像,查找与刨花平面轮廓边界外接且矩形面积最小的刨花平面最小外接矩形,依据刨花平面最小外接矩形的长度与宽度,确定待检测刨花的像素长度、像素宽度;
基于填充后的刨花第二轮廓图像,查找与刨花侧面轮廓边界外接且矩形面积最小的刨花侧面最小外接矩形,依据刨花侧面最小外接矩形的宽度,确定待检测刨花的像素厚度;
基于所述单位尺寸像素数对待检测刨花的像素长度、像素宽度和像素厚度进行换算,获得待检测刨花实际的长度、宽度与厚度。
4.根据权利要求1所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述预设刨花形状识别模型的训练过程包括:
基于刨花的形状类别,对图像预处理后的待检测刨花图像进行形状类别划分,并根据形状类别划分结果分类建立数据集;
对数据集中的待检测刨花图像进行数据增强处理,获得数据增强后的数据集;
依据7:3的划分比例将数据增强后的数据集划分为训练集和验证集;
将训练集输入预训练模型,按照预设模型训练参数进行迁移学习训练,获得初始刨花形状检测模型;
将验证集输入所述初始刨花形状检测模型进行验证,并根据验证结果对模型参数进行调整,获得预设刨花形状识别模型。
5.根据权利要求1所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述图像预处理包括二值化处理、直方图均衡化、图像锐化和图像滤波处理中的至少一种。
6.根据权利要求3所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述填充函数为imfill函数;所述预设填充阈值具体为500px。
7.根据权利要求4所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述预设模型训练参数包括:模型学习率设为0.0001;每批次训练的样本数量设置为105;每轮迭代次数为4次;最大训练轮数设为55;模型共迭代220次。
8.根据权利要求4所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述数据增强处理包括图像左右翻转、图像上下翻转、图像缩放变换和图像旋转变换中的至少一种。
9.根据权利要求4所述的基于AI计算机视觉技术的刨花形态检测方法,其特征在于,所述预训练模型具体为DarkNet-19预训练模型。
10.一种基于AI计算机视觉技术的刨花形态检测系统,其特征在于,包括:
图像采集模块,用于获取待检测刨花图像;
图像预处理模块,用于对待检测刨花图像进行图像预处理,获得图像预处理后的待检测刨花图像;
尺寸检测模块,用于对图像预处理后的待检测刨花图像进行刨花尺寸检测,获得刨花的尺寸检测结果;
形状识别模块,用于将图像预处理后的待检测刨花图像输入预设刨花形状识别模型,对刨花形状进行识别,获得刨花的形状识别结果;
形态输出模块,用于基于刨花的尺寸检测结果和刨花的形状识别结果,输出待检测刨花的形态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724537.1A CN116740449A (zh) | 2023-06-19 | 2023-06-19 | 基于ai计算机视觉技术的刨花形态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310724537.1A CN116740449A (zh) | 2023-06-19 | 2023-06-19 | 基于ai计算机视觉技术的刨花形态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116740449A true CN116740449A (zh) | 2023-09-12 |
Family
ID=87904185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310724537.1A Pending CN116740449A (zh) | 2023-06-19 | 2023-06-19 | 基于ai计算机视觉技术的刨花形态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117270537A (zh) * | 2023-09-28 | 2023-12-22 | 江苏保龙机电制造有限公司 | 一种自动刨花的移动路径控制系统及控制方法 |
-
2023
- 2023-06-19 CN CN202310724537.1A patent/CN116740449A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117270537A (zh) * | 2023-09-28 | 2023-12-22 | 江苏保龙机电制造有限公司 | 一种自动刨花的移动路径控制系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN103593670A (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN111266315A (zh) | 基于视觉分析的矿石物料在线分拣系统及其方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
CN110490826B (zh) | 一种照相机中雾滴样本图像处理方法 | |
CN110096980A (zh) | 字符检测识别系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN102901735B (zh) | 利用计算机对工件缺损、裂变、变形进行自动检测的系统 | |
CN116740449A (zh) | 基于ai计算机视觉技术的刨花形态检测方法及系统 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测系统及检测方法 | |
CN109115775B (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN113362276A (zh) | 板材视觉检测方法及系统 | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
CN117330582A (zh) | 一种高分子pe薄膜表面晶点检测系统 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 |
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 |