CN117470142B - 一种人造板施胶均匀性检测方法、控制方法及装置 - Google Patents
一种人造板施胶均匀性检测方法、控制方法及装置 Download PDFInfo
- Publication number
- CN117470142B CN117470142B CN202311805908.5A CN202311805908A CN117470142B CN 117470142 B CN117470142 B CN 117470142B CN 202311805908 A CN202311805908 A CN 202311805908A CN 117470142 B CN117470142 B CN 117470142B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- artificial board
- sizing
- detection
- uniformity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000003292 glue Substances 0.000 title claims description 37
- 238000001514 detection method Methods 0.000 claims abstract description 309
- 238000001228 spectrum Methods 0.000 claims abstract description 250
- 239000000523 sample Substances 0.000 claims abstract description 161
- 239000002994 raw material Substances 0.000 claims abstract description 141
- 238000004513 sizing Methods 0.000 claims abstract description 131
- 238000004519 manufacturing process Methods 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000004026 adhesive bonding Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 42
- 230000003595 spectral effect Effects 0.000 claims description 39
- 239000002023 wood Substances 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 239000000835 fiber Substances 0.000 claims description 14
- 229920002522 Wood fibre Polymers 0.000 claims description 7
- 241000894007 species Species 0.000 claims description 7
- 239000002025 wood fiber Substances 0.000 claims description 7
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 5
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 5
- 241001330002 Bambuseae Species 0.000 claims description 5
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 5
- 239000011425 bamboo Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 239000000853 adhesive Substances 0.000 description 18
- 230000001070 adhesive effect Effects 0.000 description 18
- 238000012360 testing method Methods 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 11
- 238000012795 verification Methods 0.000 description 8
- 239000011094 fiberboard Substances 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 229920001807 Urea-formaldehyde Polymers 0.000 description 4
- GZCGUPFRVQAUEE-SLPGGIOYSA-N aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C=O GZCGUPFRVQAUEE-SLPGGIOYSA-N 0.000 description 4
- 238000002329 infrared spectrum Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- KXGFMDJXCMQABM-UHFFFAOYSA-N 2-methoxy-6-methylphenol Chemical compound [CH]OC1=CC=CC([CH])=C1O KXGFMDJXCMQABM-UHFFFAOYSA-N 0.000 description 1
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 229920000877 Melamine resin Polymers 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- 108010073771 Soybean Proteins Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011093 chipboard Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 239000003269 fluorescent indicator Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000126 in silico method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000012948 isocyanate Substances 0.000 description 1
- 150000002513 isocyanates Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000005011 phenolic resin Substances 0.000 description 1
- 229920001568 phenolic resin Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000019710 soybean protein Nutrition 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C—APPARATUS FOR APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05C11/00—Component parts, details or accessories not specifically provided for in groups B05C1/00 - B05C9/00
- B05C11/10—Storage, supply or control of liquid or other fluent material; Recovery of excess liquid or other fluent material
- B05C11/1002—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves
- B05C11/1005—Means for controlling supply, i.e. flow or pressure, of liquid or other fluent material to the applying apparatus, e.g. valves responsive to condition of liquid or other fluent material already applied to the surface, e.g. coating thickness, weight or pattern
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27N—MANUFACTURE BY DRY PROCESSES OF ARTICLES, WITH OR WITHOUT ORGANIC BINDING AGENTS, MADE FROM PARTICLES OR FIBRES CONSISTING OF WOOD OR OTHER LIGNOCELLULOSIC OR LIKE ORGANIC MATERIAL
- B27N1/00—Pretreatment of moulding material
- B27N1/02—Mixing the material with binding agent
- B27N1/0227—Mixing the material with binding agent using rotating stirrers, e.g. the agent being fed through the shaft of the stirrer
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B27—WORKING OR PRESERVING WOOD OR SIMILAR MATERIAL; NAILING OR STAPLING MACHINES IN GENERAL
- B27N—MANUFACTURE BY DRY PROCESSES OF ARTICLES, WITH OR WITHOUT ORGANIC BINDING AGENTS, MADE FROM PARTICLES OR FIBRES CONSISTING OF WOOD OR OTHER LIGNOCELLULOSIC OR LIKE ORGANIC MATERIAL
- B27N3/00—Manufacture of substantially flat articles, e.g. boards, from particles or fibres
- B27N3/02—Manufacture of substantially flat articles, e.g. boards, from particles or fibres from particles
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本发明涉及人造板施胶检测技术领域，尤其涉及一种人造板施胶均匀性检测方法、控制方法及装置，其中，人造板施胶均匀性检测方法包括：S1、获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；S2、将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值；S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并输出施胶均匀性检测结果。分析效率高，可实时反馈结果，能够应用于人造板生产线中。
Description
技术领域
本发明涉及人造板施胶检测技术领域，尤其涉及一种人造板施胶均匀性检测方法、控制方法及装置。
背景技术
刨花板和纤维板是常见的人造板，我国是刨花板和纤维板生产、消费、出口大国，且产量逐年增加。刨花板生产原料主要为各类木质刨花，刨花通常是由原木经截断和劈裂后通过削片、刨片等工艺生产出呈颗粒状的原料。纤维板生产原料主要为各类木质纤维，木纤维是木片软化后直接经过纤维分离制成的单体纤维或纤维束，呈比木刨花更细小且均匀的纤维。在连续平压刨花板和纤维板生产线上，通常喷头以雾化形式喷入胶黏剂对刨花颗粒和纤维颗粒原料进行施胶，然后通过搅拌使胶粘剂和原料最大限度的混合均匀。刨花原料和纤维原料的施胶均匀性对刨花板和纤维板质量的影响极大。施胶不均匀容易造成整体或局部施胶量过高或过低，如果整体施胶量过高，会增加生产成本，使用脲醛树脂胶粘剂时还会增加甲醛释放量；如果整体或局部施胶量过低，则胶粘剂与原料结合不充分，原料不容易被压实，成品板材会产生分层、板坯成型不均匀、力学性能差等缺陷。目前，人造板生产线上主要通过流量计量的形式控制胶粘剂与原料的配比，属于经验性做法，不能准确控制人造板原料的施胶均匀性。因此，在人造板生产过程中如何快速准确检测刨花原料和纤维原料的施胶均匀性状况具有重要意义。
目前，在刨花原料或纤维原料施胶均匀性的实验室分析研究中使用最多的方法是图像分析法。有研究借助光学显微镜分析了刨花原料的施胶效果；有研究将拌胶机中的施胶刨花取出、拍照并对图像进一步加工处理、建立判断施胶效果的参数、从而实现刨花施胶效果分析；有研究利用了计算机技术对微距摄影图像进行处理，快速量化分析刨花的施胶效果；还有研究通过数字图像处理技术研究了施胶量分别为3%、4%、6%施胶刨花的电子显微图像。以上所使用的分析方法均停留在实验室阶段，且使用计算机图像处理技术时通常需要使用荧光指示剂提前处理胶黏剂。因此，目前使用的人造板施胶效果分析方法存在分析效率低，不能实时反馈结果，以及不能应用于实际人造板生产线等问题。
为此，亟需一种改进的人造板施胶均匀性检测方法。
发明内容
鉴于现有技术的上述缺点、不足，本发明提供一种人造板施胶均匀性检测方法、控制方法及装置，分析效率高，能够实时反馈结果，并且能够应用于人造板生产线中。
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明提供一种人造板施胶均匀性检测方法，包括以下步骤：
步骤S1、获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱数据集包括每一个光谱检测探头采集的光谱数据；
步骤S2、将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值；
步骤S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
可选地，光谱检测探头设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方。
可选地，光谱检测探头静止设置在人造板生产线上；或者，光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱检测探头的移动过程中，光谱检测探头的检测区域始终覆盖人造板原料的输送宽度。
可选地，多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
可选地，将光谱数据输入多层卷积神经网络模型中；第一卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*5，卷积核的步长为1；第二卷积层中，使用tanh激活函数，卷积核的数量为256，卷积核的大小为1*5，卷积核的步长为1；残差连接模块的卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为1*2，池化核的步长均为2。
可选地，将二维数据输入多层卷积神经网络模型中；第一卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为5*5，卷积核的步长为1；第二卷积层中，使用relu激活函数，卷积核的数量为256，卷积核的大小为5*5，卷积核的步长为1；残差连接模块的卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为3*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为2*2，池化核的步长均为2。
可选地，将每一个光谱检测探头采集的光谱数据转换为二维数据，包括：
；
式中，是递归图中坐标为/>的像素，/>，/>；表示具有n个波长点的光谱数据。
可选地，根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，包括：
根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀并且施胶量偏高，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀并且施胶量偏低。
第二方面，本发明提供一种人造板施胶均匀性控制方法，包括：根据上述人造板施胶均匀性检测方法输出的人造板施胶均匀性检测结果，进行人造板施胶均匀性控制。
第三方面，本发明提供一种人造板施胶均匀性检测装置，包括：
获取模块，用于获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；其中，光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱数据集包括每一个光谱检测探头采集的光谱数据；
施胶量检测模块，用于将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值；
施胶均匀性检测模块，用于根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
本发明的有益效果是：本发明提供的人造板施胶均匀性检测方法，采用深度学习技术结合光谱数据分析建模对待检测人造板生产线上的人造板原料施胶量均匀性进行检测。相对于现有技术，其可以达到无损、快速、实时、在线检测要求，能够实现对刨花板或纤维板生产线上刨花或纤维原料施胶均匀性的快速实时检测，进而能够应用于实际人造板生产线中指导控制施胶量。
附图说明
图1为根据本发明具体实施方式的人造板施胶均匀性检测方法的流程示意图；
图2为根据本发明具体实施方式的光谱检测探头静止设置在人造板生产线上的结构示意图；
图3为根据本发明具体实施方式的光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上的结构示意图；
图4为根据本发明具体实施方式的多层卷积神经网络模型的结构示意图；
图5a为根据本发明具体实施方式的人造板原料施胶量为9%、18%的一维光谱示意图；
图5b为将图5a中人造板原料施胶量为9%的一维光谱转换成的二维图像的示意图；
图5c为将图5a中人造板原料施胶量为18%的一维光谱转换成的二维图像的示意图；
图6为根据本发明具体实施方式的人造板施胶均匀性检测装置的结构示意图。
附图标记说明
1：获取模块；
11：预处理模块；
2：施胶量检测模块；
3：施胶均匀性检测模块。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。需要说明的是，本文所提及的“上”、“下”、“左”、“右”、“前”、“后”等方位以图2的定向为准，其中，左右方向也为原料的输送宽度方向。
本发明提供一种人造板施胶均匀性检测方法，如图1所示，包括以下步骤：
步骤S1、获取用于检测人造板原料的光谱检测装置采集的光谱数据集；光谱检测装置设置在人造板生产线上且位于施胶工序之后，光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱数据集包括每一个光谱检测探头采集的光谱数据。
其中，人造板原料的输送宽度方向垂直于人造板原料的输送前进方向。人造板原料可以是以杨木、桉木、松木、杉木等树种木材制备的木刨花或木纤维，且木刨花或木纤维可以是单一树种的木刨花或木纤维，也可以是混合树种的木刨花或木纤维，也可以是竹材制备的竹刨花或竹纤维。施胶所使用的胶黏剂为脲醛树脂胶黏剂、酚醛树脂胶黏剂、异氰酸酯胶黏剂、三聚氰胺甲醛树脂胶黏剂、大豆蛋白胶黏剂等适用于人造板生产的胶黏剂中的某一种，还可以是含有功能改性剂的胶黏剂。
通过设置包括至少一个光谱检测探头的光谱检测装置，并且光谱检测装置的检测区域覆盖人造板原料的输送宽度，确保检测到人造板生产线上不同区域的代表性原料，提高人造板施胶均匀性检测的准确度。
需要说明的是，光谱检测装置采集光谱数据的间隔时间根据光谱检测装置的检测区域和人造板生产线的运行速度进行设置。
优选地，光谱检测装置包括1~10个光谱检测探头。
优选地，光谱检测探头采集光谱波长范围包括可见光谱波长、近红外光谱波长和中红外光谱波长中的一种或两种以上的组合。即光谱检测探头采集光谱的波长范围包括可见光谱波长，可见光和近红外光组合光谱波长，近红外光谱波长，中红外光谱波长，近红外光和中红外光组合光谱波长，或者可见光、近红外光和中红外光的组合光谱波长。
优选地，光谱检测探头设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方。
优选地，光谱检测探头静止设置在人造板生产线上，所有光谱检测探头的检测区域覆盖人造板原料的输送宽度；或者，光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱检测探头的移动过程中，所有光谱检测探头的检测区域始终覆盖人造板原料的输送宽度。
具体而言，光谱检测探头静止设置在人造板生产线上，每相邻光谱检测探头之间的间隔相等。使光谱检测探头均匀分布在人造板生产线上，确保检测到人造板生产线上不同区域的代表性原料，适用于设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方；当光谱检测探头设置在人造板原料输送管道上时，人造板原料输送管道壁上开设有石英窗口，光谱检测探头通过石英窗口对管道内的原料进行检测。
作为一个示例，如图2所示，光谱检测装置包括4个光谱检测探头，4个光谱检测探头沿垂直于人造板原料输送前进方向的直线，静止设置在预压完成之后的原料上方，4个光谱检测探头从左至右依次排列为光谱检测探头1、光谱检测探头2、光谱检测探头3和光谱检测探头4，光谱检测探头1距离人造板生产线原料输送区域左端端部0.16米，光谱检测探头2与光谱检测探头1间隔0.3米，光谱检测探头3与光谱检测探头2间隔0.3米，光谱检测探头4与光谱检测探头3间隔0.3米，光谱检测探头4距离人造板生产线原料输送区域右端端部0.16米，4个光谱检测探头距离人造板生产线上人造板原料表面的距离均为0.025米。
具体而言，光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上，实现光谱检测探头相对人造板原料的检测轨迹为“S”形，确保最大限度检测到不同区域人造板原料，适用于设置在铺装完成之后的原料上方或预压完成之后的原料上方。
作为一个示例，如图3所示，光谱检测装置包括2个光谱检测探头，2个光谱检测探头由前至后、由左至右依次排列设置在预压完成之后的原料上方，并且2个光谱检测探头均沿原料输送宽度方向可移动地设置在人造板生产线上，2个光谱检测探头由前至后依次排列为光谱检测探头1和光谱检测探头2，光谱检测探头1和光谱检测探头2距离人造板生产线上人造板原料表面的距离均为0.025米。
步骤S2、将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值。
优选地，如图4所示，多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
光谱数据为一维数据，用于光谱数据输入的多层卷积神经网络模型为一维卷积神经网络。用于光谱数据转换的二维数据输入的多层卷积神经网络模型为二维卷积神经网络。
进一步优选地，将光谱数据输入多层卷积神经网络模型中；第一卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*5，卷积核的步长为1；第二卷积层中，使用tanh激活函数，卷积核的数量为256，卷积核的大小为1*5，卷积核的步长为1；残差连接模块的卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为1*2，池化核的步长均为2。
进一步优选地，将二维数据输入多层卷积神经网络模型中；第一卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为5*5，卷积核的步长为1；第二卷积层中，使用relu激活函数，卷积核的数量为256，卷积核的大小为5*5，卷积核的步长为1；残差连接模块的卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为3*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为2*2，池化核的步长均为2。
优选地，将每一个光谱检测探头采集的光谱数据转换为二维数据，包括：采用递归图（Recurrence plot）方法将每一个光谱检测探头采集的光谱数据转换为二维数据，如图5a、图5b、图5c所示。
进一步地，采用递归图方法将每一个光谱检测探头采集的光谱数据转换为二维数据，包括：
；
式中，是递归图中坐标为/>的像素，/>，/>；表示具有n个波长点的光谱数据。数据通过除以S的最大值进行归一化。通过对每个坐标的像素值进行可视化即可得到递归图。
优选地，在步骤S1和步骤S2之间，还包括：步骤S11、对光谱数据集进行预处理。具体地，对光谱数据集进行预处理包括：采用数据平滑、一阶微分、二阶微分、标准变量变换、多元散射校正、中心化、去趋势化、小波变换等方法中的一种或两种以上的方法组合，对光谱数据集进行预处理。
相应地，步骤S2为，将预处理的每一个光谱检测探头采集的光谱数据或者将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值。
步骤S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
优选地，根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，包括：根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏高，并且发出报警信息，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏低，并且发出报警信息。
优选地，在步骤S1之前还包括：
步骤S01、基于光谱检测装置采集的光谱数据集进行预处理，根据预处理的光谱数据集划分获得训练集、验证集和测试集，或者，将预处理的光谱数据集转换为二维数据集，并根据二维数据集划分获得训练集、验证集和测试集。
其中，光谱检测装置采集的光谱数据集包括：依据人造板原料的来源、生产时间、尺寸、含水率和树种条件，分不同批次，制备不同梯度施胶量的人造板原料过程中光谱检测探头采集的光谱数据集。
具体地，预处理的光谱数据集按照常用规则或比例随机划分出训练集、验证集和测试集。例如使用五折交叉验证划分，或8:1:1随机划分等。
划分后的训练集、验证集、测试集要求每一个数据集中均同时包含不同施胶量条件下的人造板原料的光谱数据。
步骤S02、根据训练集、验证集和测试集，使用优化器对多层卷积神经网络模型进行训练，获得训练好的多层卷积神经网络模型。
具体地，在训练过程中对测试集数据的预测结果与实际结果之间相关系数均大于0.98时，完成对多层卷积神经网络模型的训练，保存模型。
本发明提供的人造板施胶均匀性检测方法，采用深度学习技术结合光谱分析建模对待检测人造板生产线上的人造板原料施胶均匀性进行检测。相对于现有技术，其可以达到无损、快速、实时、在线检测要求，能够实现对刨花板或纤维板生产线上刨花或纤维原料施胶均匀性的快速实时检测，进而能够应用于实际人造板生产线中指导控制施胶量。
图6为根据本发明的人造板施胶均匀性检测装置的结构示意图。
如图6所示，该人造板施胶均匀性检测装置包括：获取模块1、施胶量检测模块2和施胶均匀性检测模块3。
获取模块1，用于获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；其中，光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱数据集包括每一个光谱检测探头采集的光谱数据。
施胶量检测模块2，用于将预处理的每一个光谱检测探头采集的光谱数据或者将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值。
施胶均匀性检测模块3，用于根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
优选地，人造板施胶均匀性检测装置还包括预处理模块11，用于对光谱数据集进行预处理。
优选地，施胶均匀性检测模块3，用于根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏高，并且发出报警信息，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏低，并且发出报警信息。
需要说明的是，本实施例提供的人造板施胶均匀性检测装置中各模块的具体功能，及人造板施胶均匀性检测流程，可参照上述提供的人造板施胶均匀性检测方法的详细描述，此处不再赘述。
本发明还提供一种人造板施胶均匀性控制方法，包括：根据上述人造板施胶均匀性检测方法输出的人造板施胶均匀性检测结果，进行人造板施胶均匀性控制。
实施例1
本实施例提供一种人造板施胶均匀性检测方法，包括以下步骤：
步骤S01、基于光谱检测装置采集的光谱数据集进行预处理，根据预处理的光谱数据集划分获得训练集、验证集和测试集。
其中，光谱检测装置采集的光谱数据集包括：依据刨花原料的来源、生产时间、尺寸、含水率和树种条件，分不同批次，制备不同梯度施胶量的刨花原料过程中光谱检测探头采集的光谱数据集。预处理的光谱数据集按照8:1:1随机划分出训练集、验证集和测试集。
具体地，施胶所使用的胶黏剂为脲醛树脂胶黏剂。
具体地，光谱检测探头的波长范围为350至2500 nm，包含了部分可见光和近红外波长。
具体地，采用数据平滑、一阶微分和标准变量变换的组合，对光谱数据集进行预处理。
步骤S02、根据训练集、验证集和测试集，使用优化器对多层卷积神经网络模型进行训练，获得训练好的多层卷积神经网络模型。
具体地，在训练过程中对测试集数据的预测结果与实际结果之间相关系数均大于0.98时，完成对多层卷积神经网络模型的训练，保存模型。
步骤S1、获取用于检测刨花原料的光谱检测装置采集的光谱数据集。
具体地，光谱检测装置包括4个光谱检测探头，光谱检测探头设置在铺装完成之后的人造板原料上方，并且光谱检测探头静止设置在人造板生产线上，每相邻光谱检测探头之间的间隔相等。光谱检测探头的波长范围为350至2500 nm，包含了部分可见光和近红外波长。
步骤S11、对光谱数据集进行预处理。
具体地，采用数据平滑、一阶微分和标准变量变换的组合，对光谱数据集进行预处理。
步骤S2、将预处理的每一个光谱检测探头采集的光谱数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值。
多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
光谱数据为一维数据，用于光谱数据输入的多层卷积神经网络模型为一维卷积神经网络模型。
进一步地，第一卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*5，卷积核的步长为1；第二卷积层中，使用tanh激活函数，卷积核的数量为256，卷积核的大小为1*5，卷积核的步长为1；残差连接模块的卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为1*2，池化核的步长均为2。
步骤S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
具体地，根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，包括：根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏高，并且发出报警信息，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏低，并且发出报警信息。
如下表所示，是将350-2500nm波长的光谱数据分别输入本实施例训练好的多层卷
积神经网络模型和训练好的偏最小二乘回归模型中，预测刨花原料施胶量的效果对比表。
| 模型方法 | 相关系数 | 均方根误差 | 平均绝对误差 |
| 多层卷积神经网络模型 | 0.9971 | 0.2833 | 0.1855 |
| 偏最小二乘回归模型 | 0.9520 | 1.1552 | 0.8947 |
可以看出，两种方法都可以实现预测刨花原料施胶量的快速、准确预测，但多层卷积神经网络模型对刨花原料施胶量预测的相关系数均高于偏最小二乘回归模型；同时，多层卷积神经网络模型的均方根误差和平均绝对误差显著低于偏最小二乘回归模型。说明本实施例使用的多层卷积神经网络模型优于偏最小二乘模型。
实施例2
本实施例提供一种人造板施胶均匀性检测方法，包括以下步骤：
步骤S01、基于光谱检测装置采集的光谱数据集进行预处理，将预处理的光谱数据集转换为二维数据集，并根据二维数据集划分获得训练集、验证集和测试集。
其中，光谱检测装置采集的光谱数据集包括：依据纤维原料的来源、生产时间、尺寸、含水率和树种条件，分不同批次，制备不同梯度施胶量的纤维原料过程中光谱检测探头采集的光谱数据集。预处理的光谱数据集按照8:1:1随机划分出训练集、验证集和测试集。
具体地，施胶所使用的胶黏剂为脲醛树脂胶黏剂。
具体地，光谱检测探头的波长范围为780至2400 nm，包含了部分近红外波长。
具体地，采用数据平滑、一阶微分和标准变量变换的组合，对光谱数据集进行预处理。
步骤S02、根据训练集、验证集和测试集，使用优化器对多层卷积神经网络模型进行训练，获得训练好的多层卷积神经网络模型。
具体地，在训练过程中对测试集数据的预测结果与实际结果之间相关系数均大于0.98时，完成对多层卷积神经网络模型的训练，保存模型。
步骤S1、获取用于检测刨花原料的光谱检测装置采集的光谱数据集。
具体地，光谱检测装置包括2个光谱检测探头，光谱检测探头设置在铺装完成之后的人造板原料上方，2个光谱检测探头由前至后、由左至右依次排列设置在预压完成之后的原料上方，并且2个光谱检测探头均沿原料输送宽度方向可移动地设置在人造板生产线上。光谱检测探头的波长范围为780至2400 nm，包含了部分近红外波长。
步骤S11、对光谱数据集进行预处理。
具体地，采用数据平滑、一阶微分和标准变量变换的组合，对光谱数据集进行预处理。
步骤S2、将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值。
将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据，包括：采用递归图（Recurrence plot）方法将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据，如图5a、图5b、图5c所示。
进一步地，采用递归图方法将预处理的每一个光谱检测探头采集的光谱数据转换为二维数据，包括：
；
式中，是递归图中坐标为/>的像素，/>，/>；表示具有n个波长点的光谱数据。数据通过除以S的最大值进行归一化。通过对每个坐标的像素值进行可视化即可得到递归图。
多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
用于光谱数据转换的二维数据输入的多层卷积神经网络模型为二维卷积神经网络模型。
进一步地，第一卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为5*5，卷积核的步长为1；第二卷积层中，使用relu激活函数，卷积核的数量为256，卷积核的大小为5*5，卷积核的步长为1；残差连接模块的卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为3*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为2*2，池化核的步长均为2。
步骤S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果。
具体地，根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，包括：根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏高，并且发出报警信息，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀、施胶量偏低，并且发出报警信息。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征 “上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是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发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (10)
1.一种人造板施胶均匀性检测方法，其特征在于，包括以下步骤：
步骤S1、获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱数据集包括每一个光谱检测探头采集的光谱数据；
步骤S2、将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值；
步骤S3、根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，并依据判断结果输出人造板施胶均匀性检测结果；
人造板原料为木刨花、木纤维、竹刨花或竹纤维；
光谱数据集包括：依据人造板原料的来源、生产时间、尺寸、含水率和树种条件，分不同批次，制备不同梯度施胶量的人造板原料过程中光谱检测探头采集的光谱数据集；
光谱检测探头的波长范围为350至2500 nm。
2.根据权利要求1所述的人造板施胶均匀性检测方法，其特征在于，
光谱检测探头设置在人造板原料输送管道上、铺装完成之后的人造板原料上方或预压完成之后的人造板原料上方。
3.根据权利要求1所述的人造板施胶均匀性检测方法，其特征在于，
光谱检测探头静止设置在人造板生产线上；或者，
光谱检测探头沿原料输送宽度方向可移动地设置在人造板生产线上，在光谱检测探头的移动过程中，所有光谱检测探头的检测区域始终覆盖人造板原料的输送宽度。
4.根据权利要求1所述的人造板施胶均匀性检测方法，其特征在于，
多层卷积神经网络模型包括依次连接的输入层、第一卷积层、第一最大池化层、第一残差连接模块、第二残差连接模块、第三残差连接模块、第二卷积层、第二最大池化层、全连接层和输出层；
每个残差连接模块均包括并行设置的第一卷积单元和第二卷积单元，第一卷积单元包括依次连接的两个卷积层，第二卷积单元包括一个卷积层，每个卷积层后均连接一个批归一化层，第一卷积单元的输出特征和第二卷积单元的输出特征相加作为下一层的输入。
5.根据权利要求4所述的人造板施胶均匀性检测方法，其特征在于，
将光谱数据输入多层卷积神经网络模型中；
第一卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*5，卷积核的步长为1；第二卷积层中，使用tanh激活函数，卷积核的数量为256，卷积核的大小为1*5，卷积核的步长为1；残差连接模块的卷积层中，使用tanh激活函数，卷积核的数量为128，卷积核的大小为1*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为1*2，池化核的步长均为2。
6.根据权利要求4所述的人造板施胶均匀性检测方法，其特征在于，
将二维数据输入多层卷积神经网络模型中；
第一卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为5*5，卷积核的步长为1；第二卷积层中，使用relu激活函数，卷积核的数量为256，卷积核的大小为5*5，卷积核的步长为1；残差连接模块的卷积层中，使用relu激活函数，卷积核的数量为128，卷积核的大小为3*3，卷积核的步长为1；第一最大池化层和第二最大池化层中，池化核的大小均为2*2，池化核的步长均为2。
7.根据权利要求1所述的人造板施胶均匀性检测方法，其特征在于，将每一个光谱检测探头采集的光谱数据转换为二维数据，包括：；
式中，是递归图中坐标为/>的像素，/>，/>；表示具有n个波长点的光谱数据。
8.根据权利要求1所述的人造板施胶均匀性检测方法，其特征在于，根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断，包括：
根据每一个光谱检测探头对应原料检测区域的施胶量检测值，判断其是否在预先设定的施胶量上限值和预先设定的施胶量下限值之间，若在，则光谱检测探头对应原料检测区域的施胶均匀性为均匀，若大于施胶量上限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀并且施胶量偏高，若小于施胶量下限值，则光谱检测探头对应原料检测区域的施胶均匀性为不均匀并且施胶量偏低。
9.一种人造板施胶均匀性控制方法，其特征在于，包括：
根据权利要求1至8任一项所述的人造板施胶均匀性检测方法输出的人造板施胶均匀性检测结果，进行人造板施胶均匀性控制。
10.一种人造板施胶均匀性检测装置，其特征在于，包括：
获取模块（1），用于获取设置在人造板生产线上且位于施胶工序之后的用于检测人造板原料的光谱检测装置采集的光谱数据集；其中，光谱检测装置的检测区域覆盖人造板原料的输送宽度，光谱检测装置包括至少一个光谱检测探头，光谱检测探头的波长范围为350至2500 nm，光谱数据集包括每一个光谱检测探头采集的光谱数据，光谱数据集包括：依据人造板原料的来源、生产时间、尺寸、含水率和树种条件，分不同批次，制备不同梯度施胶量的人造板原料过程中光谱检测探头采集的光谱数据集；
施胶量检测模块（2），用于将每一个光谱检测探头采集的光谱数据或者将每一个光谱检测探头采集的光谱数据转换为二维数据输入预先训练的多层卷积神经网络模型中，获得每一个光谱检测探头对应原料检测区域的施胶量检测值；
施胶均匀性检测模块（3），用于根据每一个光谱检测探头对应原料检测区域的施胶量检测值进行均匀性判断并依据判断结果输出人造板施胶均匀性检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311805908.5A CN117470142B (zh) | 2023-12-26 | 2023-12-26 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311805908.5A CN117470142B (zh) | 2023-12-26 | 2023-12-26 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117470142A CN117470142A (zh) | 2024-01-30 |
| CN117470142B true CN117470142B (zh) | 2024-03-15 |
Family
ID=89635057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311805908.5A Active CN117470142B (zh) | 2023-12-26 | 2023-12-26 | 一种人造板施胶均匀性检测方法、控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117470142B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006119166A2 (en) * | 2005-04-29 | 2006-11-09 | The Regents Of The University Of Colorado | Multi-excitation diagnostic systems and methods for classification of tissue |
| CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
| CN108268902A (zh) * | 2018-01-26 | 2018-07-10 | 厦门大学 | 基于递归图的高光谱图像变换及物质检测识别系统及方法 |
| CN110773378A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 点胶方法、设备、系统、服务端装置及存储介质 |
| CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
| CN113514471A (zh) * | 2021-07-09 | 2021-10-19 | 武汉华臻志创科技有限公司 | 一种涂胶效果图像检测方法 |
| CN114295556A (zh) * | 2021-12-28 | 2022-04-08 | 浙江工业大学 | 一种基于一维卷积的高光谱理化指标拟合方法及系统 |
| CN116958036A (zh) * | 2023-03-28 | 2023-10-27 | 南昌航空大学 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
| CN117036806A (zh) * | 2023-08-10 | 2023-11-10 | 南京信息工程大学 | 一种基于双重复用残差网络的物体识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220404361A1 (en) * | 2021-06-16 | 2022-12-22 | Si-Ware Systems | Compact spectroscopic analyzer device |
-
2023
- 2023-12-26 CN CN202311805908.5A patent/CN117470142B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006119166A2 (en) * | 2005-04-29 | 2006-11-09 | The Regents Of The University Of Colorado | Multi-excitation diagnostic systems and methods for classification of tissue |
| CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
| CN108268902A (zh) * | 2018-01-26 | 2018-07-10 | 厦门大学 | 基于递归图的高光谱图像变换及物质检测识别系统及方法 |
| CN110773378A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 点胶方法、设备、系统、服务端装置及存储介质 |
| CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
| CN113514471A (zh) * | 2021-07-09 | 2021-10-19 | 武汉华臻志创科技有限公司 | 一种涂胶效果图像检测方法 |
| CN114295556A (zh) * | 2021-12-28 | 2022-04-08 | 浙江工业大学 | 一种基于一维卷积的高光谱理化指标拟合方法及系统 |
| CN116958036A (zh) * | 2023-03-28 | 2023-10-27 | 南昌航空大学 | 一种基于高光谱技术的无人机巡检绝缘子污秽状态的方法 |
| CN117036806A (zh) * | 2023-08-10 | 2023-11-10 | 南京信息工程大学 | 一种基于双重复用残差网络的物体识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117470142A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1275042C (zh) | 一种对中药生产工艺进行实时监控的方法 | |
| KR100233948B1 (ko) | 다변수 보정과 조합된 분광학적 방법에 의해보드의 성질측정방법 | |
| CN109540831B (zh) | 基于高光谱成像技术的枸杞子品种识别方法 | |
| CN116305671B (zh) | 一种人造板的生产线监测方法及系统 | |
| CN101231274A (zh) | 近红外光谱快速测定山药中尿囊素含量的方法 | |
| CN106501208A (zh) | 一种基于近红外光谱特征的烟叶风格相似性分类方法 | |
| CN105136738A (zh) | 一种基于近红外识别桉木和相思木属间树种的方法 | |
| CN101242911B (zh) | 分层基体的生产方法 | |
| CN108169165A (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN102506731B (zh) | 利用近红外光谱检测造纸法再造烟叶厚度的方法 | |
| CN101900673A (zh) | 一种在线无损检测纸张性能的方法 | |
| CN107402192A (zh) | 一种快速分析香精香料质量稳定性的方法 | |
| CN117470142B (zh) | 一种人造板施胶均匀性检测方法、控制方法及装置 | |
| Grigorev et al. | Russian sawmill modernization (a case study). Part 2: improving the efficiency of wood chipping operations | |
| CN105223140A (zh) | 同源物质的快速识别方法 | |
| Acuna et al. | Use of near infrared spectroscopy and multivariate analysis to predict wood density of Douglas-fir from chain saw chips | |
| AU2004204412B2 (en) | Methods for monitoring resin-loading of wood materials and engineered wood products | |
| CN102706811A (zh) | 一种应用近红外光谱分析技术鉴别卷烟糖料质量的方法 | |
| CN110308226A (zh) | 一种发酵虫草菌粉生产全过程链质量控制快速检测方法 | |
| CN117848978A (zh) | 木竹材表面化学添加物分布均匀性检测、控制方法及装置 | |
| CN108061724A (zh) | 新疆彩棉内在品质近红外光谱无损快速检测方法 | |
| CN117907249A (zh) | 人造板生产过程中防水剂混合均匀性检测装置和控制装置 | |
| EP0967326B1 (de) | Verfahren zur Prozessführung und Prozessoptimierung bei der Herstellung von Fasermatten und/oder Faserplatten | |
| CN113917003A (zh) | 一种白芷饮片中欧前胡素含量的检测方法 | |
| KR101922448B1 (ko) | 근적외선 분광기를 이용한 이탈리안 라이그라스 및 페러니얼 라이그라스 종자의 초종판별 방법 |
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 |