实木板材双面缺陷检测及智能加工坐标确定方法技术

本发明专利技术公开一种实木板材双面缺陷检测及智能加工坐标确定方法，包括：采集N块实木板材样本双面图像，对图像进行预处理；对图像进行缺陷标注，并将其作为数据集用来训练实木板材缺陷检测深度学习离线网络模型；在线采集实木板材双面图像，并进行预处理，将实木板材双面图像按行对齐；将实木板材图像输入至训练好的模型内，获得实木板材缺陷坐标；优化实木板材缺陷坐标，获得实木板材图像上的加工位置坐标；将加工位置坐标从实木板材图像上转换至实际板材上。本发明专利技术通过集成双目视觉获取实木板材双面图像并进一步地进行缺陷检测，对检测到的双面缺陷坐标进行基于图像的工艺优化，实现实木板材的双面缺陷检测，并获取实际板材的加工坐标点。工坐标点。工坐标点。

【技术实现步骤摘要】
实木板材双面缺陷检测及智能加工坐标确定方法


[0001]本专利技术涉及实木板材智能加工方法，具体是一种基于双目视觉的实木板材双面缺陷检测及智能加工坐标确定方法。

技术介绍

[0002]实木板材缺陷是影响板材质量的重要评价指标，由于实木是自然生长的材料，存在不规则分布的各种缺陷，在生产过程中需要考虑实木板材是否存在产品标准不允许的缺陷，如死节、裂纹等。
[0003]传统的实木板材缺陷检测及加工方式多依赖人工识别并划线，人工缺陷检测很难完成长时间连续分选工作，且随着工作时间的增加容易产生误检或漏检。而且目前的实木板材的缺陷检测多基于单目机器视觉，只能检测实木板材的单面缺陷，对于缺陷分布不对称的板材很容易遗漏反面的缺陷，或导致在优选截断时刀片加工在实木板材的节子等材质坚硬处，造成刀具损伤，对生产加工产生影响。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术未解决的采集到实木地板双面图像后如何进行缺陷检测并确定加工坐标的问题，提供一种基于双目视觉的实木板材双面缺陷检测及智能加工坐标确定方法，本实木板材双面缺陷检测及智能加工坐标确定方法通过集成双目视觉获取实木板材双面图像并进一步地进行缺陷检测，对检测到的缺陷坐标进行基于图像的工艺优化，实现实木板材的双面缺陷检测，并获得实际实木板材的加工坐标点。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种基于双目视觉的实木板材双面缺陷检测加工方法，包括：
[0007]步骤1、搭建实木板材传送装置，所述实木板材传送装置包括用于运送实木板材的传送带以及设置在传送带两侧的图像采集装置，所述图像采集装置用于采集传送带上运送的实木板材的双面图像；
[0008]步骤2、通过图像采集装置采集N块实木板材样本双面图像，对采集到的图像进行预处理，去除背景；
[0009]步骤3、对预处理后并去除背景的图像进行缺陷标注，并将其作为数据集用来训练实木板材缺陷检测深度学习离线网络模型；
[0010]步骤4、通过图像采集装置在线采集实木板材双面图像，使用步骤2中的方法将实木板材双面图像预处理后去除背景，将去除背景后的实木板材双面图像按行对齐，实现双面图像的配准以及实木板材双面图像的坐标对齐；
[0011]步骤5、将步骤4采集到的实木板材图像输入至步骤3中训练完成的实木板材缺陷检测深度学习离线网络模型，对实木板材图像进行缺陷检测，获得实木板材缺陷坐标；
[0012]步骤6、使用基于图像的工艺优化算法将实木板材缺陷坐标进行优化，获得优化后
的在实木板材图像上的加工位置坐标；
[0013]步骤7、结合与传送带传动连接的驱动电机的编码器信息以及实木板材实际长度计算折算系数K，将实木板材图像上的加工位置坐标从实木板材图像上转换至实际的实木板材上。
[0014]作为本专利技术进一步改进的技术方案，所述的图像采集装置采用工业相机。
[0015]作为本专利技术进一步改进的技术方案，所述的步骤2具体包括：
[0016]2.1、将从图像采集装置传回的实木板材样本彩色图像进行灰度化，将实木板材RGB三通道图转化为单通道灰度图；
[0017]2.2、对实木板材灰度图像进行阈值分割，通过自适应阈值将单通道灰度图中进行二值化；
[0018]2.3、对二值化后的图像进行连通域计算，通过计算得到连通域面积最大的区域；
[0019]2.4、将选取出的区域进行凸包区域选择，选取完整的实木板材区域；
[0020]2.5、对选取区域进行一次腐蚀形态学操作，获得最终的实木板材选定区域；
[0021]2.6、在原图像上将获得的最终的实木板材选定区域裁剪出来，从而去除背景。
[0022]作为本专利技术进一步改进的技术方案，所述步骤3具体包括：
[0023]3.1、将预处理后并去除背景的实木板材图像进行随机裁剪；
[0024]3.2、在裁剪得到的实木板材图像数据集上进行数据标注，通过绘制方框将实木板材图像中的缺陷框出并标注缺陷种类，将数据集按照1：1：8划分为测试集、验证集以及训练集；
[0025]3.3、将制作好的数据集输入基于深度学习的目标检测网络模型中，所述基于深度学习的目标检测网络模型即为实木板材缺陷检测深度学习离线网络模型，在训练集上进行模型参数调优，最终在测试集上测试，训练完成的模型能输出实木板材缺陷坐标，即输出实木板材的缺陷框以及缺陷框坐标。
[0026]作为本专利技术进一步改进的技术方案，所述步骤6具体包括：
[0027]6.1、读取步骤5中得到的实木板材缺陷框以及缺陷框坐标，并计算整张实木板材的宽度W和长度H，获得第i个缺陷框的坐标(x
i
，y
i
，w
i
，h
i
)，其中x
i
为第i个缺陷框中心横坐标，y
i
为第i个缺陷框中心纵坐标，w
i
为第i个缺陷框宽度，h
i
为第i个缺陷框长度；
[0028]6.2、基于板材双面形状一致的假设，将实木板材的缺陷框坐标修改为(x
i
，y
i
，W，h
i
)，并绘制新的缺陷框；
[0029]6.3、将实木板材双面图像中的缺陷框均采用实线绘制在一个W
×
H的矩形图上；
[0030]6.4、设加工时的最小尾料长度为T，以及最小木材长度为l；
[0031]在W
×
H的矩形图的前端增加一个虚线预料框，预料框的坐标为(W/2，l/2，W，l)，在W
×
H的矩形图的尾端增加一个虚线尾料框，尾料框的坐标为(W/2，L
‑
T/2，W，T)，将W
×
H的矩形图上的所有缺陷框进行膨胀操作，膨胀后的缺陷框用虚线表示，即将步骤6.3中的所有缺陷框坐标变换为：(x
i
，y
i
，W，h
i
+l)；
[0032]6.5、将W
×
H的矩形图上所有的虚线矩形框进行连通域检测，进一步的将每个连通域内的所有实线原矩形框作为一个整体取最大外接矩形，获得的最大外接矩形作为所要加工的矩形；
[0033]6.6、将步骤6.5获得的所要加工的矩形作为实木板材上所有待加工区域，将所要
加工的矩形的两条边所在的位置作为实木板材图像上的加工位置坐标。
[0034]作为本专利技术进一步改进的技术方案，所述步骤7具体包括：
[0035]7.1、世界坐标系下的实木板材真实坐标：
[0036]实木板材的真实长度l
real
为实木板材在一定时间内经过工业相机扫描区域的长度，即实木板材运动速度在拍摄时间内的积分，而实木板材在与传送带没有相对运动的情况下，实木板材的速度即为传送带的速度；
[0037]l
re本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实木板材双面缺陷检测及智能加工坐标确定方法，其特征在于，包括：步骤1、搭建实木板材传送装置，所述实木板材传送装置包括用于运送实木板材的传送带以及设置在传送带两侧的图像采集装置，所述图像采集装置用于采集传送带上运送的实木板材的双面图像；步骤2、通过图像采集装置采集N块实木板材样本双面图像，对采集到的图像进行预处理，去除背景；步骤3、对预处理后并去除背景的图像进行缺陷标注，并将其作为数据集用来训练实木板材缺陷检测深度学习离线网络模型；步骤4、通过图像采集装置在线采集实木板材双面图像，使用步骤2中的方法将实木板材双面图像预处理后去除背景，将去除背景后的实木板材双面图像按行对齐，实现双面图像的配准以及实木板材双面图像的坐标对齐；步骤5、将步骤4采集到的实木板材图像输入至步骤3中训练完成的实木板材缺陷检测深度学习离线网络模型，对实木板材图像进行缺陷检测，获得实木板材缺陷坐标；步骤6、使用基于图像的工艺优化算法将实木板材缺陷坐标进行优化，获得优化后的在实木板材图像上的加工位置坐标；步骤7、结合与传送带传动连接的驱动电机的编码器信息以及实木板材实际长度计算折算系数K，将实木板材图像上的加工位置坐标从实木板材图像上转换至实际的实木板材上。2.根据权利要求1所述的实木板材双面缺陷检测及智能加工坐标确定方法，其特征在于，所述的图像采集装置采用工业相机。3.根据权利要求1所述的实木板材双面缺陷检测及智能加工坐标确定方法，其特征在于，所述的步骤2具体包括：2.1、将从图像采集装置传回的实木板材样本彩色图像进行灰度化，将实木板材RGB三通道图转化为单通道灰度图；2.2、对实木板材灰度图像进行阈值分割，通过自适应阈值将单通道灰度图中进行二值化；2.3、对二值化后的图像进行连通域计算，通过计算得到连通域面积最大的区域；2.4、将选取出的区域进行凸包区域选择，选取完整的实木板材区域；2.5、对选取区域进行一次腐蚀形态学操作，获得最终的实木板材选定区域；2.6、在原图像上将获得的最终的实木板材选定区域裁剪出来，从而去除背景。4.根据权利要求1所述的实木板材双面缺陷检测及智能加工坐标确定方法，其特征在于，所述步骤3具体包括：3.1、将预处理后并去除背景的实木板材图像进行随机裁剪；3.2、在裁剪得到的实木板材图像数据集上进行数据标注，通过绘制方框将实木板材图像中的缺陷框出并标注缺陷种类，将数据集按照1：1：8划分为测试集、验证集以及训练集；3.3、将制作好的数据集输入基于深度学习的目标检测网络模型中，所述基于深度学习的目标检测网络模型即为实木板材缺陷检测深度学习离线网络模型，在训练集上进行模型参数调优，最终在测试集上测试，训练完成的模型能输出实木板材缺陷坐标，即输出实木板材的缺陷框以及缺陷框坐标。
5.根据权利要求4所述的实木板材双面缺陷检测及智能加工坐标确定方法，其特征在于，所述步骤6具体包括：6.1、读取步骤5中得到的实木板材缺陷框以及缺陷框坐标，并计算整张实木板材的宽度W和长度H，获得第i个缺陷框的坐标(x
i
,y
i
,w
i
,h
)
)，其中x
i
为第i个缺陷框中心横坐标，y
i
为第i个缺陷框中心纵坐标，w

【专利技术属性】
技术研发人员：刘英，庄子龙，周海燕，杨雨图，倪超，习爽，谢超，喻炜，沈胤熙，周晨昕，霍林涛，缑斌丽，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：