基于深度学习的实木板材缺陷检测算法研究
发布时间：2022-10-06 16:39
中国木材资源有限,为改善利用率,通过机器视觉进行木材缺陷高效、可靠检测,既能消除人工检测压力大、效率低、精度差等缺点,又利于加强木材加工厂商智能化水平,现实意义重大。本文介绍了机器视觉检测技术国内外发展现状,论述了基于机器视觉检测木材缺陷有关理论与算法。机器视觉作为人类视觉模拟,再与AI组合应用,能显著改善检测效率、可靠性与准确性,不但有利于促进木材加工产业转型升级,而且有利于加强相关公司自动化与智能化发展程度,不管理论研究亦或实践应用,价值都非常显著。故而本课题进行基于深度学习的实木板材缺陷检测算法研究,具体包含以下几方面内容:（1）首先构建图像采集装置,采集以杉木为主实木板材表面缺陷图像,同时存储于样本数据库内,缺陷类型重点是活/死节、裂缝等,为保证精度合理性,选择深度学习算法完成缺陷检测。（2）研究了R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN等一些经典目标检测算法,通过优劣对比分析,围绕实际情况考虑,最后选择Mask R-CNN算法当成本次研究模型。（3）引入了神经网络架构搜索算法,提出了Glance Network作为模型的前端网络,同时搭...
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 前言
1.1 课题研究背景
1.1.1 课题来源
1.1.2 课题研究目的与意义
1.2 国内外研究现状
1.2.1 传统检测方法研究现状
1.2.2 基于深度学习的检测方法研究现状
1.3 课题研究的主要内容及技术路线
1.3.1 课题研究主要内容
1.3.2 课题研究技术路线
1.4 论文的组织结构
第二章 基于深度学习的实木板材缺陷检测系统
2.1 设计需求
2.2 实木板材缺陷种类及特性分析
2.3 实木板材缺陷检测系统的组成
2.4 数据集的组成
2.5 本章小结
第三章 基于NAS与 Mask R-CNN的实木检测算法
3.1 神经网络架构搜索算法
3.2 基于Mask R-CNN的目标检测与识别
3.2.1 卷积神经网络
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对比模型介绍
3.5 检测结果及分析
3.6 本章小结
第四章 检测算法优化与系统设计
4.1 多通道选择优化
4.2 优化算法选择
4.2.1 粒子群优化算法
4.2.2 人工鱼群优化算法
4.2.3 萤火虫优化算法
4.2.4 灰狼优化算法
4.3 实验结果与讨论
4.4 检测系统设计
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
攻读学位期间发表的学术成果
参考文献
【参考文献】：
期刊论文
[1]基于Faster R-CNN的缝隙检测与提取算法[J]. 肖创柏,柏鳗晏,禹晶. 北京工业大学学报. 2021(02)
[2]基于卷积神经网络的图像检测识别算法综述[J]. 曾文献,张淑青,马月,李伟光. 河北省科学院学报. 2020(04)
[3]木材缺陷识别方法综述[J]. 钟丽辉,程昱之,孙永科,苗晟,戴正权. 农业技术与装备. 2020(11)
[4]基于卷积神经网络的图像识别研究综述[J]. 黄志强,李军. 汽车工程师. 2020(10)
[5]基于深度神经网络的图像语义分割综述[J]. 郑凯,李建胜. 测绘与空间地理信息. 2020(10)
[6]应力波木材无损检测技术应用及研究进展[J]. 孙丽萍,许述正,魏喜雯,岳琪,王一凡. 世界林业研究. 2020(06)
[7]改进人工鱼群算法的无线传感器网络节点覆盖优化[J]. 张微微,杨海宁. 电子技术与软件工程. 2020(12)
[8]基于深度学习与图像处理的玉米茎秆识别方法与试验[J]. 刘慧力,贾洪雷,王刚,GLATZEL Stephan,袁洪方,黄东岩. 农业机械学报. 2020(04)
[9]机器视觉在木材缺陷检测领域应用研究进展[J]. 范佳楠,刘英,杨雨图,缑斌丽. 世界林业研究. 2020(03)
[10]深度学习在输电线路工程验收智能缺陷识别中的应用[J]. 邹捷,许瑞庆,习雨同. 江西电力. 2020(02)
博士论文
[1]基于空气耦合式超声波的木材快速成像与缺陷检测方法[D]. 方益明.南京农业大学 2017
[2]木材X射线断层扫描图像重建算法构建与系统研发[D]. 葛浙东.中国林业科学研究院 2016
[3]基于应力波的木材缺陷二维成像技术研究[D]. 安源.中国林业科学研究院 2013
[4]数字图像处理技术在木材表面缺陷检测中的应用研究[D]. 谢永华.东北林业大学 2013
硕士论文
[1]木材应力波无损检测图像的迭代重建算法研究[D]. 高景泉.东北林业大学 2020
[2]木材缺陷的FBP神经网络识别与原木年轮统计检测研究[D]. 王世伟.东北林业大学 2017
[3]基于小波变换的木材应力波缺陷检测研究[D]. 刘立伟.东北林业大学 2017
[4]基于机器视觉木材表面缺陷图像分割研究[D]. 陈炜文.华南农业大学 2016
[5]基于三维扫描技术的木材缺陷检测技术研究与应用[D]. 刘人硕.东北林业大学 2016
[6]基于小波变换和多结构元素形态学的木材缺陷图像处理[D]. 杨年雪.东北林业大学 2012
[7]实木地板缺陷形态学分割与聚类识别方法研究[D]. 佟川.东北林业大学 2012
[8]木材表面缺陷图像识别的算法研究[D]. 朱蕾.南京林业大学 2011
[9]基于机器视觉的木材表面缺陷的在线检测技术研究[D]. 梁海平.燕山大学 2009
[10]基于模糊理论的木材X射线图像分析与处理[D]. 李永生.东北林业大学 2009
本文编号：3686995
【文章页数】：55 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
abstract
第一章 前言
1.1 课题研究背景
1.1.1 课题来源
1.1.2 课题研究目的与意义
1.2 国内外研究现状
1.2.1 传统检测方法研究现状
1.2.2 基于深度学习的检测方法研究现状
1.3 课题研究的主要内容及技术路线
1.3.1 课题研究主要内容
1.3.2 课题研究技术路线
1.4 论文的组织结构
第二章 基于深度学习的实木板材缺陷检测系统
2.1 设计需求
2.2 实木板材缺陷种类及特性分析
2.3 实木板材缺陷检测系统的组成
2.4 数据集的组成
2.5 本章小结
第三章 基于NAS与 Mask R-CNN的实木检测算法
3.1 神经网络架构搜索算法
3.2 基于Mask R-CNN的目标检测与识别
3.2.1 卷积神经网络
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对比模型介绍
3.5 检测结果及分析
3.6 本章小结
第四章 检测算法优化与系统设计
4.1 多通道选择优化
4.2 优化算法选择
4.2.1 粒子群优化算法
4.2.2 人工鱼群优化算法
4.2.3 萤火虫优化算法
4.2.4 灰狼优化算法
4.3 实验结果与讨论
4.4 检测系统设计
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
攻读学位期间发表的学术成果
参考文献
【参考文献】：
期刊论文
[1]基于Faster R-CNN的缝隙检测与提取算法[J]. 肖创柏,柏鳗晏,禹晶. 北京工业大学学报. 2021(02)
[2]基于卷积神经网络的图像检测识别算法综述[J]. 曾文献,张淑青,马月,李伟光. 河北省科学院学报. 2020(04)
[3]木材缺陷识别方法综述[J]. 钟丽辉,程昱之,孙永科,苗晟,戴正权. 农业技术与装备. 2020(11)
[4]基于卷积神经网络的图像识别研究综述[J]. 黄志强,李军. 汽车工程师. 2020(10)
[5]基于深度神经网络的图像语义分割综述[J]. 郑凯,李建胜. 测绘与空间地理信息. 2020(10)
[6]应力波木材无损检测技术应用及研究进展[J]. 孙丽萍,许述正,魏喜雯,岳琪,王一凡. 世界林业研究. 2020(06)
[7]改进人工鱼群算法的无线传感器网络节点覆盖优化[J]. 张微微,杨海宁. 电子技术与软件工程. 2020(12)
[8]基于深度学习与图像处理的玉米茎秆识别方法与试验[J]. 刘慧力,贾洪雷,王刚,GLATZEL Stephan,袁洪方,黄东岩. 农业机械学报. 2020(04)
[9]机器视觉在木材缺陷检测领域应用研究进展[J]. 范佳楠,刘英,杨雨图,缑斌丽. 世界林业研究. 2020(03)
[10]深度学习在输电线路工程验收智能缺陷识别中的应用[J]. 邹捷,许瑞庆,习雨同. 江西电力. 2020(02)
博士论文
[1]基于空气耦合式超声波的木材快速成像与缺陷检测方法[D]. 方益明.南京农业大学 2017
[2]木材X射线断层扫描图像重建算法构建与系统研发[D]. 葛浙东.中国林业科学研究院 2016
[3]基于应力波的木材缺陷二维成像技术研究[D]. 安源.中国林业科学研究院 2013
[4]数字图像处理技术在木材表面缺陷检测中的应用研究[D]. 谢永华.东北林业大学 2013
硕士论文
[1]木材应力波无损检测图像的迭代重建算法研究[D]. 高景泉.东北林业大学 2020
[2]木材缺陷的FBP神经网络识别与原木年轮统计检测研究[D]. 王世伟.东北林业大学 2017
[3]基于小波变换的木材应力波缺陷检测研究[D]. 刘立伟.东北林业大学 2017
[4]基于机器视觉木材表面缺陷图像分割研究[D]. 陈炜文.华南农业大学 2016
[5]基于三维扫描技术的木材缺陷检测技术研究与应用[D]. 刘人硕.东北林业大学 2016
[6]基于小波变换和多结构元素形态学的木材缺陷图像处理[D]. 杨年雪.东北林业大学 2012
[7]实木地板缺陷形态学分割与聚类识别方法研究[D]. 佟川.东北林业大学 2012
[8]木材表面缺陷图像识别的算法研究[D]. 朱蕾.南京林业大学 2011
[9]基于机器视觉的木材表面缺陷的在线检测技术研究[D]. 梁海平.燕山大学 2009
[10]基于模糊理论的木材X射线图像分析与处理[D]. 李永生.东北林业大学 2009
本文编号：3686995
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3686995.html
