中國木材資源有限,為改善利用率,通過機器視覺進行木材缺陷高效、可靠檢測,既能消除人工檢測壓力大、效率低、精度差等缺點,又利于加強木材加工廠商智能化水平,現(xiàn)實意義重大。本文介紹了機器視覺檢測技術國內外發(fā)展現(xiàn)狀,論述了基于機器視覺檢測木材缺陷有關理論與算法。機器視覺作為人類視覺模擬,再與AI組合應用,能顯著改善檢測效率、可靠性與準確性,不但有利于促進木材加工產業(yè)轉型升級,而且有利于加強相關公司自動化與智能化發(fā)展程度,不管理論研究亦或實踐應用,價值都非常顯著。故而本課題進行基于深度學習的實木板材缺陷檢測算法研究,具體包含以下幾方面內容:（1）首先構建圖像采集裝置,采集以杉木為主實木板材表面缺陷圖像,同時存儲于樣本數(shù)據(jù)庫內,缺陷類型重點是活/死節(jié)、裂縫等,為保證精度合理性,選擇深度學習算法完成缺陷檢測。（2）研究了R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等一些經(jīng)典目標檢測算法,通過優(yōu)劣對比分析,圍繞實際情況考慮,最后選擇Mask R-CNN算法當成本次研究模型。（3）引入了神經(jīng)網(wǎng)絡架構搜索算法,提出了Glance Network作為模型的前端網(wǎng)絡,同時搭... 

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 前言
    1.1 課題研究背景
        1.1.1 課題來源
        1.1.2 課題研究目的與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 傳統(tǒng)檢測方法研究現(xiàn)狀
        1.2.2 基于深度學習的檢測方法研究現(xiàn)狀
    1.3 課題研究的主要內容及技術路線
        1.3.1 課題研究主要內容
        1.3.2 課題研究技術路線
    1.4 論文的組織結構
第二章 基于深度學習的實木板材缺陷檢測系統(tǒng)
    2.1 設計需求
    2.2 實木板材缺陷種類及特性分析
    2.3 實木板材缺陷檢測系統(tǒng)的組成
    2.4 數(shù)據(jù)集的組成
    2.5 本章小結
第三章 基于NAS與 Mask R-CNN的實木檢測算法
    3.1 神經(jīng)網(wǎng)絡架構搜索算法
    3.2 基于Mask R-CNN的目標檢測與識別
        3.2.1 卷積神經(jīng)網(wǎng)絡
        3.2.2 R-CNN算法
        3.2.3 Fast R-CNN算法
        3.2.4 Faster R-CNN算法
        3.2.5 Mask R-CNN算法
    3.3 NAS-Mask R-CNN建模
    3.4 FCN和 Seg Net對比模型介紹
    3.5 檢測結果及分析
    3.6 本章小結
第四章 檢測算法優(yōu)化與系統(tǒng)設計
    4.1 多通道選擇優(yōu)化
    4.2 優(yōu)化算法選擇
        4.2.1 粒子群優(yōu)化算法
        4.2.2 人工魚群優(yōu)化算法
        4.2.3 螢火蟲優(yōu)化算法
        4.2.4 灰狼優(yōu)化算法
    4.3 實驗結果與討論
    4.4 檢測系統(tǒng)設計
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
攻讀學位期間發(fā)表的學術成果
參考文獻


【參考文獻】：
期刊論文
[1]基于Faster R-CNN的縫隙檢測與提取算法[J]. 肖創(chuàng)柏,柏鰻晏,禹晶.  北京工業(yè)大學學報. 2021(02)
[2]基于卷積神經(jīng)網(wǎng)絡的圖像檢測識別算法綜述[J]. 曾文獻,張淑青,馬月,李偉光.  河北省科學院學報. 2020(04)
[3]木材缺陷識別方法綜述[J]. 鐘麗輝,程昱之,孫永科,苗晟,戴正權.  農業(yè)技術與裝備. 2020(11)
[4]基于卷積神經(jīng)網(wǎng)絡的圖像識別研究綜述[J]. 黃志強,李軍.  汽車工程師. 2020(10)
[5]基于深度神經(jīng)網(wǎng)絡的圖像語義分割綜述[J]. 鄭凱,李建勝.  測繪與空間地理信息. 2020(10)
[6]應力波木材無損檢測技術應用及研究進展[J]. 孫麗萍,許述正,魏喜雯,岳琪,王一凡.  世界林業(yè)研究. 2020(06)
[7]改進人工魚群算法的無線傳感器網(wǎng)絡節(jié)點覆蓋優(yōu)化[J]. 張微微,楊海寧.  電子技術與軟件工程. 2020(12)
[8]基于深度學習與圖像處理的玉米莖稈識別方法與試驗[J]. 劉慧力,賈洪雷,王剛,GLATZEL Stephan,袁洪方,黃東巖.  農業(yè)機械學報. 2020(04)
[9]機器視覺在木材缺陷檢測領域應用研究進展[J]. 范佳楠,劉英,楊雨圖,緱斌麗.  世界林業(yè)研究. 2020(03)
[10]深度學習在輸電線路工程驗收智能缺陷識別中的應用[J]. 鄒捷,許瑞慶,習雨同.  江西電力. 2020(02)

博士論文
[1]基于空氣耦合式超聲波的木材快速成像與缺陷檢測方法[D]. 方益明.南京農業(yè)大學 2017
[2]木材X射線斷層掃描圖像重建算法構建與系統(tǒng)研發(fā)[D]. 葛浙東.中國林業(yè)科學研究院 2016
[3]基于應力波的木材缺陷二維成像技術研究[D]. 安源.中國林業(yè)科學研究院 2013
[4]數(shù)字圖像處理技術在木材表面缺陷檢測中的應用研究[D]. 謝永華.東北林業(yè)大學 2013

碩士論文
[1]木材應力波無損檢測圖像的迭代重建算法研究[D]. 高景泉.東北林業(yè)大學 2020
[2]木材缺陷的FBP神經(jīng)網(wǎng)絡識別與原木年輪統(tǒng)計檢測研究[D]. 王世偉.東北林業(yè)大學 2017
[3]基于小波變換的木材應力波缺陷檢測研究[D]. 劉立偉.東北林業(yè)大學 2017
[4]基于機器視覺木材表面缺陷圖像分割研究[D]. 陳煒文.華南農業(yè)大學 2016
[5]基于三維掃描技術的木材缺陷檢測技術研究與應用[D]. 劉人碩.東北林業(yè)大學 2016
[6]基于小波變換和多結構元素形態(tài)學的木材缺陷圖像處理[D]. 楊年雪.東北林業(yè)大學 2012
[7]實木地板缺陷形態(tài)學分割與聚類識別方法研究[D]. 佟川.東北林業(yè)大學 2012
[8]木材表面缺陷圖像識別的算法研究[D]. 朱蕾.南京林業(yè)大學 2011
[9]基于機器視覺的木材表面缺陷的在線檢測技術研究[D]. 梁海平.燕山大學 2009
[10]基于模糊理論的木材X射線圖像分析與處理[D]. 李永生.東北林業(yè)大學 2009



本文編號：3686995