应用改进差分盒维数法对木材表面粗糙度的三维表征

为解决木材表面粗糙度检测过程中,轮廓算术平均偏差测量值依赖于木材纹理方向和采样位置,波动较大等问题,提出采用分形维数描述木材切削表面三维特征的方法。经实验获得水曲柳(Fraxinus mandshurica)、樟子松(Pinus sylvestris )木材的锯切表面图像,对图像进行灰度处理;借助奖励窗口灰度值算法提高图像窗口中的灰度值利用率,优化差分盒维数算法的精度;利用改进差分盒维数算法计算水曲柳、樟子松木材锯切表面的分型维数。结果表明:木材锯切表面灰度图像在计算尺度范围内具有很好的分形特征,改进差分盒维数法计算的分形维数能更可靠地表征木材加工表面的三维形貌;利用分形维数作为评价指标,可以定量地描述木材加工表面粗糙度,其数值与轮廓算术平均偏差值呈现较高的相关性。

冷杉木陶瓷表面孔隙尺寸分布及分形维数的表征研究

对酚醛树脂含量不同的木陶瓷试样进行电镜扫描处理，在采用数盒子法对电镜扫描图片进行网格化处理的基础上，通过数据统计得到木陶瓷平均孔隙面积盒子数与平均孔隙周长盒子数，研究不同酚醛树脂的含量对木陶瓷平均孔隙面积盒子数、平均孔隙周长盒子数、分形维数D。的变化趋势的影响。结果表明，当酚醛树脂含量在50％～70％范围内，随着酚醛树脂含量的增加，平均孔隙面积盒子数增加、平均孔隙周长盒子数增加、分形维数D0下降，实验证明了随着酚醛树脂含量的增加，木陶瓷表面孔隙边界的复杂程度降低，为研究冷杉木陶瓷表面摩擦系数的图像识别提供了参考。

一种基于分形的木材细胞图像特征提取方法

木材纹理图像的分形维数可以代表木材很多的纹理特征,它是木材树种的一项重要数字特征参数。为了提取木材纹理特征,提出采用改进差分盒子法计算木材纹理细胞图像的分形维数值。理论分析和实验结果表明:该方法能够提取木材纹理特征,并且能在一定程度上克服图像比例大小对于特征提取所造成的影响,是木材纹理特征参数提取的一种重要方法。

基于Mask R-CNN的密集木材检测分割方法

针对木材检尺中采用人工检尺的方法存在效率低下且检尺主观性较强的问题,提出一种基于掩模区域卷积神经网络(Mask R-CNN)实例分割模型的木材分割方法,探究实例分割在木材密集堆放场景下对各尺寸木材分割的可行性,以期实现智能检尺,提高检尺效率。应对密集木材检测分割任务,难点在于密集小木材和大木材的检测。本研究在原始Mask R-CNN模型的基础上通过改进优化模型参数,包括多尺度训练、提升样本采样数、提高图片输入尺寸和有效数据增广等技术,进行多组分割对照实验,同时利用OpenCV库对模型输出的木材分割掩码图完成木材轮廓拟合和木材计数,并就实验结果对模型性能进行分割精度、掩码质量和木材真检率等多维度分析。实验结果表明:测试集木材真检率达到97.989%,误检率为0.30%,并且相较基础网络,对小木材和大木材的检测分割能力提升明显,分割精度最佳提升12.9%和5.2%,掩码分割质量最佳提升2.2%。改进后的Mask R-CNN模型对密集场景下的木材分割效果良好,此外算法具有较强的鲁棒性及迁移能力,微调下能适应各种场景下的各尺寸大小密集木材检测分割任务。

基于改进YOLOv5的整车原木数量检测方法

针对整车原木检测中存在密集小目标难检测、原木被遮挡易被漏检、目标检测模型复杂度太大难以部署等问题,提出一种基于YOLOv5的整车原木数量检测方法TWD-YOLOv5,来探究目标检测在整车原木场景下进行快速精准检测的可行性,从而实现智能检尺,提高检尺效率。本研究在原始YOLOv5模型的基础上通过修改模块数量、加入注意力机制和Transformer模块的操作来优化主干网络,结合新的检测尺度与基于Ghost卷积设计特征融合网络,提升网络检测小目标的能力,降低模型复杂度,选用CIoU作为边界框回归的损失函数和DIoU-nms作为边界框筛选算法,提高边框的回归精度和解决物体被遮挡的问题。本研究算法TWD-YOLOv5进行4组试验,从平均精度均值(mAP)、每秒传输帧数、原木真检率多种尺度指标进行评估,同时通过预测框完成对原木根数的计数。试验结果表明,本研究方法的mAP达到0.731,每秒传输帧数为7.33,模型参数降低了40.5%,且测试集原木真检率达到了99.551%,误检率为0.22%。该方法不仅大幅减少了模型复杂度,还保持了较高的检测精度。本研究的模型能对整车原木场景下的原木有良好的检测效果,解决了原木被遮挡的问题,且检测速度快,能做到实时检测,另外该算法有较强的鲁棒性且模型较小,可以满足部署至移动端进行目标检测的轻量化需求。

木材损伤的Kaiser点声发射信号分形特征研究

针对木材在重复荷载下的Kaiser效应问题,采用Felicity比辨识高低载荷状态,并通过声发射(acoustic emission,AE)信号关联维数表征不同载荷下Kaiser点的分形特征。首先,将采样频率设置为500 kHz,采集木材试件在重复载荷下的AE信号,其中载荷间隔设定为300 N。然后,依据噪声信号设定AE振铃的阈值为48 dB,参考美国增强塑料声发射检测委员会(CARP)准则定义“明显”AE信号并计算Felicity比,依此标定Kaiser和Felicity效应所对应的载荷阶段。最后,利用G-P算法计算Kaiser点处AE信号的关联维数D,作为不同阶段Kaiser点的辨识指标。结果表明:通过Felicity比能明显区分高低载荷状态,并且在Kaiser与Felicity效应两个阶段的Kaiser点AE信号的关联维数D存在显著差异;Kaiser效应阶段内,D值变化范围为0.8346~1.4895,而过渡到Felicity效应阶段后,D值变化范围增大到1.7038~3.6602。