机器视觉在木材缺陷检测领域应用研究进展

被引:19
作者
范佳楠
刘英
杨雨图
缑斌丽
机构
[1] 不详
[2] 南京林业大学机械电子工程学院
[3] 不详
关键词
机器视觉; 木材缺陷; 检测算法;
D O I
10.13348/j.cnki.sjlyyj.2020.0020.y
中图分类号
S781.5 [木材的缺陷]; TP391.41 [];
学科分类号
080203 ;
摘要
为了提高木材利用率,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效率低、劳动强度大、准确率低等弊端,而且对提高木材加工企业的智能化水平具有重要意义。文中概述了机器视觉检测技术及设备的国内外研究现状,介绍基于机器视觉检测木材缺陷所涉及的相关理论和算法研究,以及相关图像处理算法的优缺点;针对机器视觉应用在木材缺陷检测领域存在的不足,提出机器视觉木材表面检测应进一步向人工智能方向发展,以提高木材缺陷检测效率及准确性。
引用
收藏
页码:32 / 37
页数:6
相关论文
共 32 条
  • [1] An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Wei Luo,Liping Sun.Journal of Forestry Research. 2019(04)
  • [2] 基于优化卷积神经网络的木材缺陷检测
    刘英
    周晓林
    胡忠康
    於亚斌
    杨雨图
    徐呈艺
    [J]. 林业工程学报, 2019, 4 (01) : 115 - 120
  • [3] 深度学习技术综述
    周晟颐
    [J]. 科技传播, 2018, 10 (20) : 116 - 118
  • [4] 基于深度学习的木材缺陷图像检测方法
    程玉柱
    顾权
    王众辉
    李赵春
    [J]. 林业机械与木工设备, 2018, (08) : 33 - 36
  • [5] 基于图割算法的木材表面缺陷图像分割
    白雪冰
    李润佳
    许景涛
    宋恩来
    [J]. 林业工程学报, 2018, (02) : 116 - 122
  • [6] 基于改进Faster R-CNN的空中目标检测
    冯小雨
    梅卫
    胡大帅
    [J]. 光学学报, 2018, 38 (06) : 250 - 258
  • [7] 木材节子缺陷检测与定位方法
    王泽润
    方益明
    冯海林
    杜晓晨
    夏凯
    [J]. 激光与光电子学进展, 2018, (05) : 317 - 324
  • [8] 基于BP神经网络的木材近红外光谱树种识别
    王学顺
    孙一丹
    黄敏高
    黄安民
    [J]. 东北林业大学学报, 2015, 43 (12) : 82 - 85+89
  • [9] Wood defect detection method with PCA feature fusion and compressed sensing[J]. Yizhuo Zhang,Chao Xu,Chao Li,Huiling Yu,Jun Cao.Journal of Forestry Research. 2015(03)
  • [10] 人造板厚度激光非接触测量研究
    祖汉松
    张厚江
    贺昌勇
    周卢婧
    [J]. 西北林学院学报, 2015, 30 (02) : 221 - 226