• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于YOLO v5算法的板材質(zhì)量視覺檢測技術(shù)研究

      2021-11-04 11:40劉風(fēng)華謝國賢肖浩南楊良生黎劍鋒
      現(xiàn)代信息科技 2021年9期
      關(guān)鍵詞:邊緣檢測機(jī)器視覺

      劉風(fēng)華 謝國賢 肖浩南 楊良生 黎劍鋒

      DOI:10.19850/j.cnki.2096-4706.2021.09.039

      摘? 要:對(duì)于家具板件自動(dòng)化生產(chǎn),快速、準(zhǔn)確的板件質(zhì)量檢測系統(tǒng)是不可或缺的。以YOLO v5算法為基礎(chǔ)對(duì)計(jì)算機(jī)輔助檢查板件質(zhì)量技術(shù)進(jìn)行了研究。在機(jī)器學(xué)習(xí)算法的基礎(chǔ)上,結(jié)合運(yùn)動(dòng)目標(biāo)捕捉算法作為輔助檢測方法,實(shí)現(xiàn)板件的識(shí)別和定位,然后通過OpenCV中的圖像處理和輪廓識(shí)別方法來實(shí)現(xiàn)板件尺寸測量。該算法的板件識(shí)別率達(dá)98.33%,識(shí)別多種顏色板件外形長寬尺寸時(shí),實(shí)測最大尺寸誤差2.23 mm,能滿足家具板件生產(chǎn)質(zhì)量檢測的需求。

      關(guān)鍵詞:機(jī)器視覺;YOLO v5;邊緣檢測;尺寸檢測

      中圖分類號(hào):TP277? ? 文獻(xiàn)標(biāo)識(shí)碼:A? 文章編號(hào):2096-4706(2021)09-0149-05

      Research on Visual Inspection Technology of Plate Quality Based on?YOLO v5 Algorithm

      LIU Fenghua1,XIE Guoxian2,XIAO Haonan2,YANG Liangsheng1,LI Jianfeng1

      (1.Guangzhou KDT Machinery Co.,Ltd.,Guangzhou? 510535,China;

      2.Guangzhou Wangshi Software Technology Co.,Ltd.,Guangzhou? 510535,China)

      Abstract:For the automatic production of furniture panel,fast and accurate panel quality inspection system is indispensable. Based on YOLO v5 algorithm,the technology of computer-aided inspection of plate quality is studied. On the basis of machine learning algorithm,combined with the moving object capture algorithm as an auxiliary detection method,the panel recognition and location were realized. Then the panel size measurement is realized by image processing and contour recognition in OpenCV. The recognition rate of the algorithm is 98.33%. When recognizing the length and width dimensions of multi-color panels,the measured maximum dimension error is 2.23 mm,which can meet the needs of furniture panel production quality detection.

      Keywords:machine vision;YOLO v5;edge detection;size detection

      0? 引? 言

      在板材加工過程中,由于加工工藝和機(jī)械精度的原因,產(chǎn)品難免會(huì)出現(xiàn)缺陷。為了確保產(chǎn)品質(zhì)量,板件需要由工廠進(jìn)行測試,在生產(chǎn)過程中盡可能減少不合格產(chǎn)品。傳統(tǒng)人工視覺質(zhì)量檢查方法存在效率低、易出錯(cuò)和主觀性大等問題。而機(jī)器視覺主要依靠計(jì)算機(jī)模擬人類視覺功能,能為板件質(zhì)量檢測提供優(yōu)化解決方案,實(shí)現(xiàn)家具行業(yè)生產(chǎn)自動(dòng)化。與傳統(tǒng)的手工方法相比,機(jī)器視覺檢測速度快、精度高、結(jié)果客觀,可以快速、準(zhǔn)確地檢測板件的加工缺陷,并對(duì)缺陷參數(shù)進(jìn)行綜合分析,判斷板件是否合格,且滿足企業(yè)生產(chǎn)的長時(shí)間、高精度重復(fù)工作的要求[1]。

      質(zhì)檢系統(tǒng)的功能是將攝像頭采集到的板件信息實(shí)時(shí)輸出和檢查。近年來,一些學(xué)者逐漸開展了使用機(jī)器視覺檢測板件質(zhì)量的研究。板件尺寸檢測系統(tǒng)需要先通過攝像機(jī)獲取工件的圖像,然后進(jìn)行相關(guān)的圖像處理得出所需要的結(jié)果。唐小松[2]等介紹了一種利用面陣攝像機(jī)獲取板件信息的系統(tǒng),但該系統(tǒng)需要板件處于靜止?fàn)顟B(tài),難以滿足工廠生產(chǎn)效率的需求。龔建釗[3]等提出了一種利用CCD線陣相機(jī)獲取板件尺寸的尺寸檢測系統(tǒng),通過強(qiáng)曝光消除板件材質(zhì)和環(huán)境光線的影響。鄧斌攸[4]等通過預(yù)檢系統(tǒng)獲取板件材質(zhì)信息,再通過線掃描相機(jī)獲取板件圖像。這兩種系統(tǒng)都能實(shí)現(xiàn)板材的在線檢測,并達(dá)到較高的精度。但由于線陣相機(jī)成本高,工廠實(shí)際應(yīng)用門檻較高;此外,線陣相機(jī)對(duì)板件通過速度的穩(wěn)定性要求較高,對(duì)抖動(dòng)敏感,對(duì)作業(yè)環(huán)境有較高需求。

      本文提出一種能連續(xù)識(shí)別生產(chǎn)線中的板件,以及測量板件尺寸的在線尺寸檢測系統(tǒng)。該系統(tǒng)通過機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)板件識(shí)別,再通過圖像處理技術(shù)進(jìn)行尺寸檢測。為了快速識(shí)別板件,板檢測算法首先需要具備實(shí)時(shí)響應(yīng)和高精度?,F(xiàn)有的基于深度學(xué)習(xí)物體檢測方法在汽車、人臉等識(shí)別上已經(jīng)有廣泛應(yīng)用。

      卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為深度學(xué)習(xí)的一種代表性算法,被廣泛應(yīng)用于目標(biāo)識(shí)別[5],其中YOLO算法[6]消除了候選區(qū)域的生成階段,并將特征提取、回歸和分類放入卷積網(wǎng)絡(luò)中,從而簡化了網(wǎng)絡(luò)。盡管由于邊界預(yù)測的時(shí)空限制的影響,它對(duì)小目標(biāo)的檢測效果不佳,但是它具有更快的檢測速度,常用于車輛,無人機(jī)目標(biāo)識(shí)別等項(xiàng)目[7,8],能滿足板件檢測的實(shí)時(shí)性。

      1? 系統(tǒng)介紹

      本系統(tǒng)能以50 m/min的速度在線識(shí)別、測量長寬在200 mm到1 800 mm之間的不同材質(zhì)的家具板件,對(duì)于材質(zhì)顏色與環(huán)境顏色對(duì)比度高的板件,其機(jī)器檢測結(jié)果與人工檢測差值小于1 mm。而對(duì)于材質(zhì)與環(huán)境顏色相近板件,其識(shí)別精度較低,差值在±3 mm以內(nèi)。

      設(shè)備布置圖如圖1所示,硬件系統(tǒng)的核心包括兩部分:采集圖像的視頻系統(tǒng)和處理圖像的控制機(jī)。該視頻系統(tǒng)由放置在生產(chǎn)線上方的高清攝像機(jī)(攝像機(jī)型號(hào):MV-GEF1200GC-T-CL,鏡頭型號(hào):MV-LD-8-10M-A)組成,用于獲取板件圖像??刂茩C(jī)則用作處理圖像,實(shí)現(xiàn)目標(biāo)板定位、尺寸檢測等算法。根據(jù)質(zhì)量檢查系統(tǒng)所需的功能,該算法分為三個(gè)模塊完成:板件識(shí)別模塊、圖像處理模塊及尺寸測量模塊。

      由于圖像處理和后續(xù)檢測依賴于板件識(shí)別結(jié)果,因此首要任務(wù)是標(biāo)記板件位置。板件通過You-Only-Look-Once v5(YOLO v5)算法并結(jié)合運(yùn)動(dòng)物體檢測的算法進(jìn)行定位。尺寸測量模塊的主要任務(wù)為計(jì)算板件識(shí)別模塊所檢測出的板件外形尺寸。

      2? 板件識(shí)別

      2.1? 基于YOLO v5的檢測模型

      YOLO v5是用于物體檢測的一階段卷積神經(jīng)網(wǎng)絡(luò)(CNN),是在YOLO v1-YOLO v4[9,10]的基礎(chǔ)上改進(jìn)的。與Faster-RCNN不同,YOLO v5網(wǎng)絡(luò)是通過回歸直接獲得邊界框的坐標(biāo)和每個(gè)類的概率,使得物體檢測模型的計(jì)算速度大大提高,更適應(yīng)實(shí)時(shí)質(zhì)量檢測的要求。

      YOLO v5的網(wǎng)絡(luò)結(jié)構(gòu)可分為四部分:input、backbone、Neck和預(yù)測層。相比于之前版本的算法,YOLO v5在input端使用了Mosaic數(shù)據(jù)增強(qiáng)方式,隨機(jī)調(diào)用4張圖片并按隨機(jī)大小、分布進(jìn)行堆疊,提升對(duì)小目標(biāo)的識(shí)別能力,并且能同時(shí)計(jì)算4張圖片,減少內(nèi)存的消耗。在Backbone上主要采用Focus結(jié)構(gòu)、CSPnet結(jié)構(gòu),在Neck上采用FPN結(jié)構(gòu)和PAN結(jié)構(gòu)。

      在檢測過程中,YOLO v5將用于訓(xùn)練的圖像劃分為S×S的網(wǎng)格,這些網(wǎng)格在x和y軸上以相同的密度分布。每個(gè)網(wǎng)格預(yù)測木板是否落入其內(nèi)部。當(dāng)預(yù)測為正時(shí),網(wǎng)格負(fù)責(zé)檢測這個(gè)對(duì)象。置信度(ξ)定義如下:

      ξ(Obj)=Pr(Obj)×IOU

      其中,Pr(Obj)指示預(yù)測邊界框內(nèi)是否存在板,IOU指示實(shí)框與預(yù)測框的交集,其定義為:

      其中BoxT表示基于訓(xùn)練標(biāo)簽的真實(shí)邊框,BoxP表示預(yù)測邊框,area()表示面積。

      在檢測板件的過程中,首先選擇合適的候選區(qū)域并進(jìn)行預(yù)測。其次對(duì)預(yù)測結(jié)果進(jìn)行篩選,得到置信度高的預(yù)測框。每個(gè)邊界框包含五個(gè)預(yù)測值:x、y、w、h和置信度。得到每個(gè)預(yù)測框的置信度后,將低于閾值的框去掉,然后對(duì)剩余的邊界框進(jìn)行非極大值抑制(NMS)處理,得到多組高分邊界框。最后導(dǎo)出位置參數(shù)。

      誤差損失函數(shù)由三部分組成,分別為置信度、分類和預(yù)測邊界框的坐標(biāo)的誤差。由于本研究中只存在板件作為唯一識(shí)別的對(duì)象,因此不存在分類誤差。而其中YOLO v5使用BECLogits函數(shù)計(jì)算置信度的損失函數(shù),GIOU計(jì)算預(yù)測邊界框的損失函數(shù),所以模型的損失函數(shù)可以表示為:

      其中C是包含真實(shí)框和預(yù)測邊界框的矩形邊界框的最小面積。

      2.2? 模型訓(xùn)練

      用于訓(xùn)練的數(shù)據(jù)集由現(xiàn)場拍攝并標(biāo)有板件的圖像組成,所提出的檢測模型可以通過以下4個(gè)步驟進(jìn)行訓(xùn)練:

      (1)在現(xiàn)場收集約700張分辨率為4 096×3 000的圖像。因?yàn)榘寮?shù)據(jù)集屬于小樣本數(shù)據(jù)集,需要對(duì)采集到的圖像進(jìn)行圖像增強(qiáng)以獲得更好的訓(xùn)練效果,包括旋轉(zhuǎn)、鏡像、顏色和亮度調(diào)整、模糊等處理,以提高檢測模型的泛化能力。

      (2)給圖像編號(hào)并標(biāo)記板件作為標(biāo)注數(shù)據(jù)集。標(biāo)注數(shù)據(jù)集由圖像和標(biāo)注文件組成,隨機(jī)選取其中20%作為測試集,20%作為訓(xùn)練集。

      (3)根據(jù)Darknet-53網(wǎng)絡(luò)的官方權(quán)重,只對(duì)檢測層的權(quán)重進(jìn)行預(yù)訓(xùn)練優(yōu)化,得到穩(wěn)定的損失函數(shù)值。本文的模型訓(xùn)練和測試是在配置為GPU(NVIDA RTX 1050)和CPU(Intel(R) CPU@2.3 GHz)的計(jì)算機(jī)上完成的。關(guān)鍵參數(shù)設(shè)置為:初始學(xué)習(xí)率為0.001、動(dòng)量為0.95和衰減率為0.001。

      (4)進(jìn)行微調(diào)訓(xùn)練,優(yōu)化網(wǎng)絡(luò)各層的權(quán)重,以達(dá)到最佳模型性能。

      圖2為模型訓(xùn)練過程的損失曲線。可以看出該模型表現(xiàn)出良好的收斂性。訓(xùn)練后損失函數(shù)值從0.156 65降到0.009 04。

      2.3? 運(yùn)動(dòng)目標(biāo)檢測

      針對(duì)YOLO目標(biāo)檢測對(duì)于未學(xué)習(xí)或異形板件識(shí)別中不成功和漏檢的問題,本研究擬將YOLO算法與運(yùn)動(dòng)目標(biāo)檢測算法相結(jié)合。運(yùn)動(dòng)目標(biāo)檢測的常用方法包括光流法、幀差法和背景去除法。幀差法對(duì)運(yùn)動(dòng)目標(biāo)移動(dòng)速度低、幀間像素差距小的圖像不敏感,檢測結(jié)果容易產(chǎn)生“雙影”和“空洞”。而背景法在視頻初始幀中存在移動(dòng)目標(biāo),目標(biāo)移動(dòng)緩慢等情況下容易產(chǎn)生“鬼影”和“拖影”。本文采用基于結(jié)合去背景法和二幀差相結(jié)合的運(yùn)動(dòng)物體檢測算法對(duì)板件進(jìn)行檢測,這兩種方法提取的差異圖像是通過邏輯運(yùn)算得到的,可以更好地去除“鬼影”。分別對(duì)兩種算法得到的前景圖進(jìn)行標(biāo)記,并對(duì)標(biāo)記的前景圖進(jìn)行邏輯運(yùn)算,獲得可能的“鬼影”位置。最后將設(shè)定的閾值與像素?cái)?shù)進(jìn)行比較,判斷局部區(qū)域是否為重影。

      本系統(tǒng)中YOLO v5檢測算法與運(yùn)動(dòng)目標(biāo)檢測算法是同時(shí)運(yùn)行的,并以YOLO v5算法作為主要檢測方式,通過設(shè)定的面積占比閾值判斷檢測出的板件是否為同一塊。當(dāng)兩個(gè)算法檢測到同一塊板件時(shí),以YOLO v5的檢測結(jié)果作為輸出圖像;當(dāng)YOLO v5算法遇到無法識(shí)別的板件時(shí),則將運(yùn)動(dòng)目標(biāo)檢測算法的結(jié)果作為輸出圖像。具體流程如圖3所示。

      3? 板件尺寸檢測

      3.1? 圖像處理

      目標(biāo)識(shí)別算法得到的板件圖像往往存在缺陷,難以直接用于后續(xù)的面板質(zhì)量檢測,主要有以下三個(gè)原因:

      (1)由于相機(jī)的成像原理,拍攝的圖像會(huì)畸變、失真。

      (2)板件在運(yùn)輸機(jī)上運(yùn)輸產(chǎn)生跑偏、震動(dòng)。

      (3)板子上可能有污漬、灰塵,因此需要對(duì)圖像進(jìn)行處理以去除污漬。

      相關(guān)的具體步驟如下文。

      3.1.1? 畸變校正

      由于鏡頭成像原理,畸變?cè)谒y免。由于圖像的畸變,直接影響后續(xù)測量的精度,其中徑向畸變影響最大。因此,可以在計(jì)算相機(jī)參數(shù)的公式中加入二階徑向畸變,建立畸變模型方程,其式為:

      其中s1和s2是相機(jī)的徑向畸變系數(shù)。相機(jī)的參數(shù)和畸變系數(shù)可以通過最小二乘法得到。由于攝像頭和傳送裝置的位置保持不變,因此該檢測系統(tǒng)中攝像頭的畸變只需要校正一次,后續(xù)不需要重復(fù)校準(zhǔn)。

      3.1.2? 圖片校正

      板材在輸送帶上運(yùn)動(dòng)過程中,會(huì)產(chǎn)生振動(dòng),導(dǎo)致采集到的板材出現(xiàn)偏差,影響后續(xù)檢測。本文對(duì)傅里葉變換得到的頻域圖像進(jìn)行二值化處理,然后利用Houge線檢測得到校正角,再根據(jù)校正角度校正圖像。

      3.1.3? 圖像處理

      控制機(jī)對(duì)圖像做腐蝕、膨脹、高斯模糊、邊緣增強(qiáng)、銳化等預(yù)處理,以排除圖像噪聲的干擾,并按照二值化閾值對(duì)圖像二值化,在此基礎(chǔ)上再提取板件的幾何要素特征。

      3.2? 尺寸檢測算法

      經(jīng)過數(shù)字圖像處理、輪廓特征提取和區(qū)域特征提取后,利用OpenCV的輪廓識(shí)別算法對(duì)板件圖像的輪廓特征進(jìn)行擬合。這種輪廓識(shí)別算法是用拓?fù)浞治鰜泶_定二值化圖像邊界的算法,可以更好地提取板件的邊緣輪廓。然后將提取到的輪廓點(diǎn)像素按照偏差平方和最小的原則進(jìn)行直線擬合,擬合結(jié)果用多項(xiàng)式方程表示,相關(guān)的計(jì)算公式為:

      其中(xi,yi)為輪廓像素點(diǎn)坐標(biāo),且i=1,2,3,…,m。φ(x)為擬合的二項(xiàng)式函數(shù)。δi2為擬合直線在(xi,yi)上的偏差的平方。

      根據(jù)擬合得到的工件輪廓直線可求得交點(diǎn)的像素坐標(biāo),然后根據(jù)測量系統(tǒng)先前的校準(zhǔn)參數(shù),將圖像像素轉(zhuǎn)換為板件的實(shí)際尺寸。使用歐氏距離測量實(shí)際板與MPR文件板之間的板尺寸的相似性。

      根據(jù)圖像中板尺寸特征區(qū)域的擬合結(jié)果,可得到外形尺寸和特征。然后將校準(zhǔn)后的相機(jī)參數(shù)分別乘以得到的尺寸坐標(biāo),得到待測板的實(shí)際尺寸。由于攝像頭的位置是固定的,板件輪廓所占據(jù)的像素可以按比例轉(zhuǎn)換為板件的實(shí)際尺寸。

      4? 結(jié)果與分析

      如圖1所示,檢測設(shè)備安裝在生產(chǎn)和運(yùn)輸線上,對(duì)通過的板件進(jìn)行檢測。實(shí)驗(yàn)樣本為8種顏色、紋理特征不同的家具板材,每種5個(gè),長度200~1800 mm,寬度200~1000 mm不等,且板面隨機(jī)加工一定數(shù)量的孔槽。板件長寬使用游標(biāo)卡尺進(jìn)行手工測量,并重復(fù)測量3次。實(shí)驗(yàn)在Window 10操作系統(tǒng)、8核CPU 2.3 GHz、8 GB內(nèi)存、NVIDIA GTX1050顯卡的控制機(jī)上進(jìn)行測試,實(shí)驗(yàn)環(huán)境為工廠現(xiàn)場環(huán)境。采用上文第二節(jié)的方法對(duì)板材進(jìn)行識(shí)別、標(biāo)記,采用上文第三節(jié)的方法進(jìn)行尺寸檢測。

      4.1? 板件識(shí)別

      將精確率(Precision)、召回率(Recall)作為板件目標(biāo)檢測模型的評(píng)價(jià)指標(biāo),目標(biāo)召回率和檢測的準(zhǔn)確率可分別表示為:

      其中正樣本TP(Ture Positive)為被正確檢測的目標(biāo),負(fù)樣本(False Positive)FP為被錯(cuò)誤檢測的目標(biāo),F(xiàn)N為沒有被檢測的目標(biāo)。

      計(jì)算Recall和Precision值分別為98.8%、97.62%。此外,精準(zhǔn)度(AP)是評(píng)價(jià)檢測模型準(zhǔn)確性的直觀評(píng)價(jià)標(biāo)準(zhǔn),從召回率和準(zhǔn)確率兩個(gè)角度來衡量檢測算法的準(zhǔn)確性,是分析單個(gè)類別的檢測效果的指標(biāo)。檢測結(jié)果如圖4所示,目標(biāo)檢測的平均精準(zhǔn)度(mAP@0.5)為92.03%。

      為進(jìn)一步驗(yàn)證訓(xùn)練的模型實(shí)際的識(shí)別能力,在實(shí)際的工廠環(huán)境中對(duì)運(yùn)輸線上的板件進(jìn)行識(shí)別測試。其中輥筒運(yùn)輸機(jī)運(yùn)輸速度為50 m/min,板件每隔3 s放置一張,測試板件為8種顏色材質(zhì)不同的刨花板板件,每種各5個(gè),重復(fù)測試3次。板件平均識(shí)別率為98.33%,未識(shí)別板件情況皆出現(xiàn)在材質(zhì)顏色與背景環(huán)境相似的板件中,如淺木紋、淺灰色,測試圖像如圖4所示。由圖可看出,板件識(shí)別模塊基本能較準(zhǔn)確地將目標(biāo)板件從運(yùn)輸線上識(shí)別出來,并獲得貼近的圖像區(qū)域。但對(duì)于顏色材質(zhì)與背景顏色吻合度高的板件,雖然能識(shí)別出對(duì)應(yīng)的板件,但截取的圖像區(qū)域與實(shí)際板件區(qū)域差距偏大,如圖4(a)所示。

      4.2? 尺寸檢測

      用機(jī)器視覺系統(tǒng)在線測量上述相關(guān)尺寸參數(shù),并重復(fù)3次,求出每塊板的相關(guān)尺寸數(shù)值和誤差,其中板件長寬的人機(jī)測量結(jié)果的差值和機(jī)器視覺測量結(jié)果,如表1所示。

      由表可看出,除淺灰色和淺木紋外,機(jī)器視覺測量值和人工測量值一致性較高,但系統(tǒng)檢測的精度受板材顏色影響較大。在檢測顏色對(duì)比明顯的板件尺寸,測量精度較精確,與人工測量誤差的差值在1 mm以內(nèi),能滿足工廠使用需求,表明機(jī)器視覺可以取代人工測量對(duì)板材尺寸進(jìn)行測試。由于輥筒運(yùn)輸機(jī)的震動(dòng)幅度、頻率相較于皮帶式運(yùn)輸機(jī)大,攝像頭拍攝時(shí)易出現(xiàn)板件邊緣模糊的問題。淺灰色和淺木紋的板件尺寸測量精度較差,與人工測量結(jié)果的平均誤差最大差值為2.25 mm,其測量結(jié)果與人工測量相比相對(duì)偏大。這主要是因?yàn)榘宀牟馁|(zhì)顏色與運(yùn)輸線輥筒背景顏色相似,YOLO識(shí)別板件判斷的識(shí)別框誤差偏大,框選位置過大,造成板件尺寸檢測不精確。

      5? 結(jié)? 論

      本文基于機(jī)器視覺開發(fā)了一種家具板件在線尺寸檢測系統(tǒng),通過YOLO算法和運(yùn)動(dòng)捕捉算法實(shí)現(xiàn)對(duì)運(yùn)輸線上的板件的實(shí)時(shí)獲取,并利用圖像處理技術(shù)和輪廓識(shí)別算法實(shí)現(xiàn)板件尺寸的檢測。在工廠實(shí)際環(huán)境測試表明該系統(tǒng)能在50 m/min的運(yùn)輸速度下,實(shí)現(xiàn)較高測量精度,為家具生產(chǎn)企業(yè)實(shí)現(xiàn)自動(dòng)化快速板件檢測提供了新的思路。

      但由于生產(chǎn)環(huán)境復(fù)雜、環(huán)境光暗變化大、輥輪運(yùn)輸震動(dòng)大等問題,使得板件尺寸測量誤差大,需進(jìn)一步提高算法對(duì)環(huán)境的適應(yīng)性。此外,在背景顏色與板材顏色相近時(shí),識(shí)別算法難以精確提取板件區(qū)域,需進(jìn)一步研究以提高目標(biāo)識(shí)別的精確度。

      參考文獻(xiàn):

      [1] KE Z N,ZHAO Q J,HUANG C H,et al. Detection of wood surface defects based on particle swarm-genetic hybrid algorithm [C]//2016 International Conference on Audio, Language and Image Processing (ICALIP).Shanghai:IEEE, 2017:375-379.

      [2] 唐小松,莊宏金,羅平,等.一種板式家具板材CCD檢測裝置:CN206146390U [P].2017-05-03.

      [3] 龔建釗,華城,周恒,等.基于機(jī)器視覺的定制家居板件在線尺寸檢測系統(tǒng)研究 [J].中國人造板,2020,27(1):20-22+27.

      [4] 鄧斌攸,潘云峰,池志強(qiáng),等.基于機(jī)器視覺的家具板件尺寸在線測量系統(tǒng) [J].木材科學(xué)與技術(shù),2021,35(2):63-67.

      [5] GU J X,WANG Z H,KUEN J,et al. Recent Advances in Convolutional Neural Networks [J].Pattern Recognition,2018(77):354-377.

      [6] REDMON J,F(xiàn)ARHADI A. YOLO9000:Better,F(xiàn)aster,Stronger [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu:IEEE,2017:6517-6525.

      [7] 高宗,李少波,陳濟(jì)楠,等.基于YOLO網(wǎng)絡(luò)的行人檢測方法 [J].計(jì)算機(jī)工程,2018,44(5):215-219+226.

      [8] 黎洲,黃妙華.基于YOLO_v2模型的車輛實(shí)時(shí)檢測 [J].中國機(jī)械工程,2018,29(15):1869-1874.

      [9] LI Z X,ZHOU F Q. FSSD:Feature Fusion Single Shot Multibox Detector [J/OL].arXiv:1712.00960 [cs.CV].(2017-12-04).https://arxiv.org/abs/1712.00960v1.

      [10] JOHANSON E,PALIBERG THAGMAN O. Fast Visual recognition of Scots pine boards using template matching [J].Computers and Electronics in Agriculture,2015(118):85-91.

      作者簡介:劉風(fēng)華(1968—),男,漢族,北京人,副高級(jí)工程師,碩士,研究方向:家具智能制造。

      收稿日期:2021-04-10

      基金項(xiàng)目:廣東省科技計(jì)劃項(xiàng)目(2018A050 506024)

      猜你喜歡
      邊緣檢測機(jī)器視覺
      基于圖像的物體尺寸測量算法研究
      全自動(dòng)模擬目標(biāo)搜救系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
      基于機(jī)器視覺的自動(dòng)澆注機(jī)控制系統(tǒng)的研究
      唐卡圖像邊緣提取
      大場景三維激光掃描儀在研究生實(shí)踐教學(xué)培養(yǎng)中的應(yīng)用
      水下大壩裂縫圖像分割方法研究 
      基于機(jī)器視覺的工件鋸片缺陷檢測系統(tǒng)設(shè)計(jì)
      基于機(jī)器視覺技術(shù)的動(dòng)態(tài)“白帶”常規(guī)檢測系統(tǒng)的開發(fā)
      機(jī)器視覺技術(shù)在煙支鋼印檢測中的應(yīng)用
      基于TMS320的跑道異物監(jiān)測系統(tǒng)
      达拉特旗| 阿荣旗| 资兴市| 上蔡县| 密云县| 华坪县| 桦川县| 吴堡县| 葫芦岛市| 怀集县| 安徽省| 松滋市| 怀仁县| 平远县| 军事| 梧州市| 隆尧县| 兴国县| 仁布县| 哈尔滨市| 万宁市| 蕉岭县| 泰宁县| 资兴市| 湖口县| 安塞县| 盈江县| 新竹县| 青冈县| 鹰潭市| 松原市| 伊金霍洛旗| 寿光市| 溆浦县| 汨罗市| 大安市| 陈巴尔虎旗| 渝北区| 铁岭县| 五家渠市| 荆州市|