基于机器视觉的智能破竹分片系统设计与验证

【目的】破竹分片是影响竹材出材率的重要基础工序。针对竹段的直径大小跨度大、壁厚不等、圆度不一的个体化特性,提出基于机器视觉的智能分片方法,以提高竹材的出材率。【方法】基于竹段的天然特性和破竹工艺要求,以竹段的真实截面轮廓为基础,以刀盘可分片的数量为约束,建立出材率计算模型。通过工业相机采集竹段的截面图像,在Canny算子的基础上引入多尺度细节增强算法来消除竹材图像内、外径间的干扰信息,并通过融合迭代阈值与梯度直方图分析法自适应获取双阈值,以提升竹段截面轮廓提取的鲁棒性。采用边界排序生长算法快速计算剖分竹片的最大内接矩形。在智能破竹机上开展生产试验验证。【结果】改进的轮廓提取算法,有效去除了竹材截面图像的伪边缘特征,能获得完整的边缘轮廓特征,计算获得的竹材内外径与真实尺寸的平均误差为0.9%。同一随机剖分角度下,本研究方法计算的出料率与最大出材率相比平均偏差为1.3%,小于圆模型的6.3%和椭圆模型的1.6%。通过生产试验,验证了基于机器视觉的破竹机智能分片系统的出材率平均可达73%,高于传统破竹机出材率。【结论】设计的基于机器视觉的智能分片系统,能快速获取竹段的真实截面轮廓,精准确定剖分份数,有效提高了竹材的利用率。

基于改进MobileNet的咖啡豆缺陷检测

针对现有咖啡豆缺陷检测方法鲁棒性、实时性不高的问题,提出基于改进MobileNet的咖啡豆缺陷检测方法,构建以MobileNet为核心的轻量级检测网络。对咖啡豆检测样本进行采集和增强,构建包含5种类型的咖啡豆缺陷检测数据集。通过卷积通道数和卷积模块的优化调整,压缩模型参数以匹配分类任务和满足边缘设备的部署要求。引入Mish激活函数和学习率的自适应调整方法,提升模型的收敛性能。利用迁移学习的方式优化模型参数,进一步提升模型识别准确率。实验表明,改进模型在自建咖啡豆分类检测数据集上的平均准确率为96.13%,较原模型平均准确率的93.17%提升了2.96%;模型参数则从3.21×10^(6)减少到了0.15×10^(6),不到原模型的5%。相比于VGG16_bn、ResNet50、SqueezeNet和MobileNet,改进模型准确率分别高出0.65%、1.39%、2.39%、2.96%。在提升精度的同时,该方法在参数量、内存占用量和浮点运算量上表现也为最优,能为相关农产品的缺陷检测提供参考。