本发明专利技术公开了一种基于机器视觉的单板缺陷智能挖补方法及系统，包括以下步骤：采集单板表面缺陷图像，构建图像数据库；对单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与单板表面缺陷图像中对应点之间的相互关系；采用YOLOv4算法，构建单板缺陷识别模型；基于图像数据库，训练单板缺陷识别模型；基于训练好的单板缺陷识别模型以及相互关系，获得缺陷识别结果；基于缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；基于缺陷识别结果，匹配与空洞尺寸对应的补料，修补空洞，实现单板缺陷的智能挖补。提高了单板缺陷挖补工作效率以及工作质量。作质量。作质量。
【技术实现步骤摘要】
一种基于机器视觉的单板缺陷智能挖补方法及系统
[0001]本专利技术属于木材智能加工
，具体涉及一种基于机器视觉的单板缺陷智能挖补方法及系统。
技术介绍
[0002]木材生长过程中产生的缺陷会降低单板产品的性能，从而削弱压制的胶合板的性能。单板的生产是有一定规格、质量要求，要符合一定的国家标准，由于缺陷的存在，单板质量不过关，很多单板只能废弃掉，造成资源的浪费。为了克服这种问题，增加单板的利用效率，开展智能单板挖补机关键技术研究势在必行。常用的挖补技术有人工挖补、数控挖补，从方法上讲，有冲孔和挖孔两种方法。国内单板挖补普遍采用人工目测选取，后用冲孔机进行修补，存在缺陷和弊端。工人需要观察缺陷，然后找出缺陷单板，将缺陷放置于专门的冲孔机或者挖补机的刀具位置进行冲孔或者挖孔，之后用好的补片进行修补，但是不同的人，缺陷的定义的结果可能不尽相同，缺陷的识别、挖补的位置全部需要依靠人工进行完成，挖补机只执行简单的机械操作。本专利技术提出一种基于机器视觉的单板缺陷智能挖补方法及系统，实现完全自动化的单板挖补作业。
技术实现思路
[0003]本专利技术旨在解决现有技术的不足，提出一种基于机器视觉的单板缺陷智能挖补方法及系统，解决木板自动化智能挖补表面缺陷的问题。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于机器视觉的单板缺陷智能挖补方法，包括以下步骤：
[0006]采集单板表面缺陷图像，构建图像数据库；
[0007]对所述单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与所述单板表面缺陷图像中对应点之间的相互关系；
[0008]采用YOLOv4算法，构建单板缺陷识别模型；
[0009]基于所述图像数据库，训练所述单板缺陷识别模型；
[0010]基于训练好的所述单板缺陷识别模型以及所述相互关系，获得缺陷识别结果；
[0011]基于所述缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；
[0012]基于所述缺陷识别结果，匹配与所述空洞尺寸对应的补料，修补所述空洞，实现单板缺陷的智能挖补。
[0013]优选的，构建单板缺陷识别模型的方法为：
[0014]采用主干网络为CSPDark
‑
Net53的YOLOv4网络模型，提取所述单板表面缺陷图像的特征，获得特征图；
[0015]经过卷积核，使所述特征图进入空间金字塔池化，获得特征层；
[0016]所述特征层经卷积、上采样以及特征融合堆叠，向高尺寸特征递进；
[0017]将向所述高尺寸特征递进的所述特征层，再次进行卷积、下采样以及特征融合堆叠，完成向低尺寸特征递进，获得不同尺度下的特征信息；
[0018]将不同尺度的所述特征信息，通过YOLO Head整合通道，计算损失，并基于先验框特征层进行预测；
[0019]采用非极大值抑制方法对预测结果进行处理，调整所述先验框，获得最终预测框，实现单板缺陷识别模型的构建。
[0020]优选的，采用模糊算法路径规划，获得最优缺陷冲裁路径的方法为：
[0021]S21、基于所述缺陷识别结果，获得目标点以及约束条件；
[0022]S22、基于所述目标点以及所述约束条件，设计模糊规则库；
[0023]S23、基于所述模糊规则库，建立模糊变量之间的关系；
[0024]S24、基于所述模糊变量之间的关系，构建模糊量化规则，计算当前状态下判断状态匹配程度的模糊值；
[0025]S25、基于所述模糊值，采用模糊推理法，计算下一步行动的可能性大小；
[0026]S26、基于所述下一步行动的可能性大小，获得接近所述目标点的行动方向；
[0027]S27、循环步骤S23
‑
S26，直到到达所述目标点或无法继续下一步行动为止，获得最优缺陷冲裁路径。
[0028]优选的，匹配与所述空洞尺寸对应的补料的方法为：
[0029]基于所述缺陷识别结果，获得所述空洞的尺寸和形状；
[0030]集中存储补料信息，构建补料库；
[0031]基于所述空洞的尺寸和形状，扫描所述补料库，筛选符合所述空洞尺寸和形状的补料；
[0032]评估所述补料的质量以及性能，确定符合要求的最优补料。
[0033]本专利技术还提供一种基于机器视觉的单板缺陷智能挖补系统，包括：采集模块、相机标定模块、识别模型构建模块、识别结果获取模块、冲裁模块以及修补模块；
[0034]所述采集模块，用于采集单板表面缺陷图像，构建图像数据库；
[0035]所述相机标定模块，用于对所述单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与所述单板表面缺陷图像中对应点之间的相互关系；
[0036]所述识别模型构建模块，识别采用YOLOv4算法，构建单板缺陷识别模型；基于所述图像数据库，训练所述单板缺陷识别模型；
[0037]所述识别结果获取模块，用于基于训练好的所述单板缺陷识别模型以及所述相互关系，获得缺陷识别结果；
[0038]所述冲裁模块，用于基于所述缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；
[0039]所述修补模块，用于基于所述缺陷识别结果，匹配与所述空洞尺寸对应的补料，修补所述空洞，实现单板缺陷的智能挖补。
[0040]优选的，所述识别模型构建模块包括特征图获取单元、特征层单元、特征信息单元、预测单元以及构建单元；
[0041]所述特征图获取单元，用于采用主干网络为CSPDark
‑
Net53的YOLOv4网络模型，提取所述单板表面缺陷图像的特征，获得特征图；
[0042]所述特征层单元，用于经过卷积核，使所述特征图进入空间金字塔池化，获得特征层；
[0043]所述特征信息单元，用于进行所述特征层经卷积、上采样以及特征融合堆叠，向高尺寸特征递进；将向所述高尺寸特征递进的所述特征层，再次进行卷积、下采样以及特征融合堆叠，完成向低尺寸特征递进，获得不同尺度下的特征信息；
[0044]所述预测单元，用于将不同尺度的所述特征信息，通过YOLO Head整合通道，计算损失，并基于先验框特征层进行预测；
[0045]所述构建单元，用于采用非极大值抑制方法对预测结果进行处理，调整所述先验框，获得最终预测框，实现单板缺陷识别模型的构建。
[0046]优选的，所述冲裁模块包括定位单元、运动控制单元以及抓取单元；
[0047]所述定位单元，用于定位目标对象；
[0048]所述运动控制单元，用于控制机械手臂运动；
[0049]所述抓取单元，用于基于所述机械手臂抓取所述目标对象。
[0050]优选的，所述修补模块包括补料库单元、补料筛选单元以及评估单元；
[0051]所述补料库单元，用于基于所述缺陷识别结果，获得所述空洞的尺寸和形状；集中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于机器视觉的单板缺陷智能挖补方法，其特征在于，包括以下步骤：采集单板表面缺陷图像，构建图像数据库；对所述单板表面缺陷图像进行相机标定，获得单板表面位点三维几何位置与所述单板表面缺陷图像中对应点之间的相互关系；采用YOLOv4算法，构建单板缺陷识别模型；基于所述图像数据库，训练所述单板缺陷识别模型；基于训练好的所述单板缺陷识别模型以及所述相互关系，获得缺陷识别结果；基于所述缺陷识别结果，采用模糊算法路径规划，获得最优缺陷冲裁路径，将缺陷处冲裁出空洞；基于所述缺陷识别结果，匹配与所述空洞尺寸对应的补料，修补所述空洞，实现单板缺陷的智能挖补。2.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，构建单板缺陷识别模型的方法为：采用主干网络为CSPDark
‑
Net53的YOLOv4网络模型，提取所述单板表面缺陷图像的特征，获得特征图；经过卷积核，使所述特征图进入空间金字塔池化，获得特征层；所述特征层经卷积、上采样以及特征融合堆叠，向高尺寸特征递进；将向所述高尺寸特征递进的所述特征层，再次进行卷积、下采样以及特征融合堆叠，完成向低尺寸特征递进，获得不同尺度下的特征信息；将不同尺度的所述特征信息，通过YOLO Head整合通道，计算损失，并基于先验框特征层进行预测；采用非极大值抑制方法对预测结果进行处理，调整所述先验框，获得最终预测框，实现单板缺陷识别模型的构建。3.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，采用模糊算法路径规划，获得最优缺陷冲裁路径的方法为：S21、基于所述缺陷识别结果，获得目标点以及约束条件；S22、基于所述目标点以及所述约束条件，设计模糊规则库；S23、基于所述模糊规则库，建立模糊变量之间的关系；S24、基于所述模糊变量之间的关系，构建模糊量化规则，计算当前状态下判断状态匹配程度的模糊值；S25、基于所述模糊值，采用模糊推理法，计算下一步行动的可能性大小；S26、基于所述下一步行动的可能性大小，获得接近所述目标点的行动方向；S27、循环步骤S23
‑
S26，直到到达所述目标点或无法继续下一步行动为止，获得最优缺陷冲裁路径。4.根据权利要求1所述的基于机器视觉的单板缺陷智能挖补方法，其特征在于，匹配与所述空洞尺寸对应的补料的方法为：基于所述缺陷识别结果，获得所述空洞的尺寸和形状；集中存储补料信息，构建补料库；基于所述空洞的尺寸和形状，扫描所述补料库，筛选符合所述空洞尺寸和形状的补料；
评估所述补料的质量以及性能，确定符合要求的最优补料。5.一种基于机器视觉的...
【专利技术属性】
技术研发人员：王勇，王超，刘亚魁，康渴楠，姚利红，曲绍华，孟姗，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。