机器视觉在木材缺陷检测领域应用研究进展

编号 lyqk008262

中文标题 机器视觉在木材缺陷检测领域应用研究进展

作者 范佳楠  刘英  杨雨图  缑斌丽 

作者单位 南京林业大学机械电子工程学院, 南京 210037

期刊名称 世界林业研究 

年份 2020 

卷号 33

期号 3

栏目编号 1

栏目名称 专题论述 

中文摘要 为了提高木材利用率，采用机器视觉来实现木材缺陷快速而稳定的检测，不仅可以克服人工检测效率低、劳动强度大、准确率低等弊端，而且对提高木材加工企业的智能化水平具有重要意义。文中概述了机器视觉检测技术及设备的国内外研究现状，介绍基于机器视觉检测木材缺陷所涉及的相关理论和算法研究，以及相关图像处理算法的优缺点；针对机器视觉应用在木材缺陷检测领域存在的不足，提出机器视觉木材表面检测应进一步向人工智能方向发展，以提高木材缺陷检测效率及准确性。

关键词 机器视觉  木材缺陷  检测算法 

基金项目 江苏省重点研发计划（产业前瞻与关键核心技术）项目（BE2019112）；江苏省政策引导类计划（国际科技合作）项目（BZ2016028）。

英文标题 Research Progress in the Application of Machine Vision to Wood Defect Detection

作者英文名 Fan Jianan, Liu Ying, Yang Yutu, Gou Binli

单位英文名 College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China

英文摘要 China has limited timber resources. In order to improve the utilization of wood, machine vision is used to achieve rapid and stable detection of wood defects, which can not only overcome the shortcomings of low efficiency, high labor intensity and low accuracy, but also play an important role in improving the intelligence level of wood processing enterprises. This paper summarizes the research on machine vision based detection technology and relevant equipment at home and abroad, and introduces the related theories and algorithms involved in machine vision detection of wood defects as well as the advantages and disadvantages of related image processing algorithms. In view of the shortcomings of the application of machine vision in the field of wood defect detection, it is proposed that machine vision based wood surface detection should be further developed in the direction of artificial intelligence, in order to improve the efficiency and accuracy of wood defect detection.

英文关键词 machine vision;wood defect;detection algorithm

起始页码 32

截止页码 37

投稿时间 2019/8/7

最后修改时间 2020/2/28

作者简介 范佳楠,男,硕士,主要研究方向为机器视觉、人工智能、木材无损检测,E-mail:845425957@qq.com。

通讯作者介绍 刘英,女,博士,教授,主要从事无损检测、光机电一体化技术等研究,E-mail:lying_new@163.com。

E-mail 刘英，lying_new@163.com

分类号 S781.5;TP391.4

DOI 10.13348/j.cnki.sjlyyj.2020.0020.y

参考文献 [1] 胡峻峰.基于机器视觉的实木地板分选技术研究[D]. 哈尔滨:东北林业大学,2015.
[2] 李博豪.基于机器视觉的便携式木材全自动检尺设备研究[D]. 南京:东南大学, 2015.
[3] 祖汉松,张厚江,贺昌勇,等.人造板厚度激光非接触测量研究[J]. 西北林学院学报,2015,30(2):221-226.
[4] 赵亚凤.基于双目视觉的原木材积检测方法研究[D]. 哈尔滨:东北林业大学, 2016.
[5] 王克奇,马晓明,白雪冰.基于分形理论和数学形态学的木材表面缺陷识别的图像处理[J]. 森林工程,2013,29(2):48-50.
[6] 戴天虹,吴以.基于OTSU算法与数学形态学的木材缺陷图像分割[J]. 森林工程,2014，30(2):52-55.
[7] 龙建武.图像阈值分割关键技术研究[D]. 长春:吉林大学,2014.
[8] 谢永华,陈庆为.木材缺陷的阈值分割算法研究[J]. 森林工程,2014，30(2):38-42.
[9] 张怡卓,许雷,丁亮,等.基于图像融合分割的实木地板表面缺陷检测方法[J]. 电机与控制学报,2014,18(7):113-118.
[10] WANG X J,WU S H,LIU Y P.Detecting wood surface defects with fusion algorithm of visual saliency and local threshold segmentation[C]. Ninth International Conference On Graphic and Image Processing, Qingdao,Shandong,China,2017.
[11] LUO W,SUN L P.An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Journal of Forestry Research,2019,30(4):1527-1533.
[12] 许超.基于特征融合与圧缩感知的实木地板缺陷检测方法研究[D]. 哈尔滨:东北林业大学,2015.
[13] 王泽润.基于颜色与纹理特征的木材表面缺陷识别方法[D]. 杭州:浙江农林大学,2018.
[14] PAHLBERG T,HAGMAN O,THURLEY M.Recognition of boards using wood fingerprints based on a fusion of feature detection methods[J]. Computers and Electronics in Agriculture,2015,111:164-173.
[15] HASHIM U R,HASHIM S Z M,MUDA A K,et al.Extraction and exploratory analysis of texture features on images of timber defect[J]. Advanced Science Letters,2018,24(2):1104-1108.
[16] 王学顺,孙一丹,黄敏高,等.基于BP 神经网络的木材近红外光谱树种识别[J]. 东北林业大学学报,2015,43(12):82-85.
[17] 王林,白雪冰.基于Gabor 变换的木材表面缺陷图像分割方法[J]. 计算机工程与设计,2010,31(5):1066-1069.
[18] 仇逊超.基于C-V 模型与小波理论的单板缺陷图像检测研究[D]. 哈尔滨:东北林业大学,2012.
[19] ZHANG Y Z,XU C,LI C,et al.Wood defect detection method with PCA feature fusion and compressed sensing[J]. Journal of Forestry Research,2015,26(3):745-751.
[20] 黄炎.基于机器视觉的复杂内孔表面缺陷检测[D]. 济南:山东大学,2015.
[21] 陈立君.基于流形支持向量机的木材表面缺陷识别方法的研究[D]. 哈尔滨:东北林业大学,2015.
[22] 白雪冰,李润佳,许景涛,等.基于图割算法的木材表面缺陷图像分割[J]. 林业工程学报,2018，3(2):116-122.
[23] 尹建新,楼雄伟,黄美丽.灰度直方图在木材表面缺陷检测中的应用[J]. 浙江林学院学报,2008,25(3):272- 276.
[24] 王泽润,方益明,冯海林,等.木材节子缺陷检测与定位方法[J]. 激光与光电子学进展,2018,55(5):317-324.
[25] 张益翔.基于小波变换和LBP的木材表面缺陷识别[D]. 南京:南京林业大学,2017.
[26] YUAN X C,WU L S,PENG Q J.An improved Otsu method using the weighted object variance for defect detection[J]. Applied Surface Science,2015,349:472-484.
[27] PARK J K,AN W H,KANG D J,et al.Convolutional neural network based surface inspection system for non-patterned welding defects[J]. International Journal of Precision Engineering and Manufacture,2019,20(3):363-374.
[28] TAFARROJ M M,KALANI H,MOANENIAN M,et al.An application of principal component analysis method in wood defects identification[J]. Journal of the Indian Academy of Wood Science,2014,11(1):33-38.
[29] ZHU Y N,OU Y Q, MAO Y D.A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy[J]. BMC Bioinformatics,2017,18:348.DOI:10.1186/s 12859-017-1757-y.
[30] 赵乾.基于极限学习机的实木板材缺陷检测算法研究[D]. 南京:南京林业大学,2018.
[31] 周晟颐.深度学习技术综述[J]. 科技传播,2018,10(20):116-118.
[32] 徐姗姗,刘应安,徐昇.基于卷积神经网络的木材缺陷识别[J]. 山东大学学报(工学版),2013,43(2):23-28.
[33] 程玉柱,顾权,王众辉,等.基于深度学习的木材缺陷图像检测方法[J]. 林业机械与木工设备,2018,378(8):34-37.
[34] 刘英,周晓林,胡忠康,等.基于优化卷积神经网络的木材缺陷检测[J]. 林业工程学报,2019,4(1):122-127.
[35] JUNG S Y,TSAI Y H,CHIU W Y, et al.Defect detection on randomly textured surfaces by convolutional neural networks [C]. IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), Auckland,2018:1456-1461.
[36] 冯小雨,梅卫,胡大帅.基于改进Faster R-CNN的空中目标检测[J]. 光学学报,2018,38(6):250-258.
[37] 丁博文.基于计算机视觉的木材检尺系统[D]. 北京:北京交通大学,2018.

PDF全文 浏览全文