基于贝叶斯理论集成网络分类器在板材识别中的应用

为了实现对板材纹理识别的自动化,提出了一种基于贝叶斯理论集成网络分类器的板材纹理分类识别方法。根据板材纹理复杂多变的特点,选用高斯-马尔可夫随机场方法描述板材纹理,获取了板材的GMRF特征参数。根据实验数据设计BP神经网络分类器,获取了分类器的置信度矩阵,利用贝叶斯理论进行分类器集成,发现随着参与集成分类器数量的增加,集成分类器总体识别率呈下降趋势,在分类器数量为3个时识别率最高,达到了91.00%。结果表明,该方法是有效的,用其对板材纹理进行分类识别基本可行。

板材材种识别中计算机图像处理技术的应用

比较了人工经验识别,微机图像识别和细胞微观识别三种板材材种识别方法,概括了计算机图像处理技术在板材材种识别领域的应用现状,并指出随着计算机技术的发展,相关学科研究的进一步加深,计算机图像处理技术在板材识别领域中的应用前景将更加广阔。

基于Faster R-CNN的实木板材缺陷检测识别系统

我国木材资源有限,为了提高木材的利用率,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的低效率和木材缺陷识别的低准确率,而且对提高木材加工企业的智能化水平具有重要意义。为了高效、快速、准确地进行无损检测,采用深度学习方法,建立了一种基于快速深度神经网络的实木板材缺陷识别模型。首先采用Resnet V2结构对采集到的实木板材缺陷图像进行特征提取,然后应用该模型对节子、孔洞等实木板材缺陷进行训练学习,最后构建了Faster R-CNN检测框架,并使用tensorflow开发平台对节子、孔洞等实木板材缺陷进行预测输出。具体选取了2 000块杉木样本,通过旋转对原始的实木板材图像进行数据扩充,扩充后图像的80%作为训练集,20%作为验证集来进行仿真。仿真结果表明,该模型对实木板材节子缺陷检测正确率为98%,对实木板材孔洞缺陷检测正确率为95%,验证了将深度学习算法应用于实木板材缺陷检测中的有效性。

中厚板综合生产信息化管理系统的构建及应用

钢铁冶金是国民经济快速发展的重要支柱型产业之一,信息化技术与生产技术的融合已成为钢铁冶金企业提升自身竞争力,适应市场变化的有效途径。为克服不稳定的市场环境,解决生产效率低、物流信息传递不畅等问题,唐山中厚板材有限公司在现有4级ERP和2级L2系统的管理框架基础上,构建了综合生产信息化管理系统,建立和完善了APS、MES、QMS系统的核心功能,从生产、设备管理到发货、物流全流程管理,优化了与ERP系统和L2系统的接口设计,保证整个管理模式实时连接,数据之间没有断点。详细介绍了系统构建方案、硬件组成及核心功能和应用情况。系统上线后,原来分离的系统得到整合和优化,实现了物流信息的实时跟踪,提高了钢铁企业的生产效率和质量管理水平。