[发明专利]基于深度相机和深度学习的木材缺陷检测分选装置及方法

说明书

本发明公开了一种基于深度相机和深度学习的木材缺陷检测分选装置及方法，包括工控机、检测机构和设置在所述检测机构后侧的分选机构，所述检测机构包括检测传送带和深度图像采集机构。本发明通过深度相机采集木材表面的RGB图像和深度信息，用GAN网络结合小波变换重构RGBD彩色深度信息。在进行小波变换中，人工标记训练数据中的木材裂缝，形成自适应的裂缝小波基函数。在此基础上进行小波重构提高后续算法的效率，结合深度学习算法分析得出缺陷类型。该算法能够对不同缺陷类型的木材进行分选，不仅提高了缺陷判别的效率，还大大提高了分选的效率。

技术领域

本发明属于木材缺陷检测领域，具体涉及基于深度相机和深度学习的木材缺陷检测分选装置及方法。

背景技术

木材对于家居，房屋建设等有着广泛的应用，随着木材市场需求量的不断上升，林业资源有限的情况下，会出现木材原材料浪费的情况，一个主要原因是缺乏对木材缺陷的准确检测，其中木材表面的缺陷主要有虫眼、裂纹、结节等，传统的人工检测方法，检测效率低，而且对检测员的技术要求较高，现在已经不适应当前的木材生产。如今需要对木材缺陷应用新型检测方法进行快速无损检测。

发明内容

发明目的：针对现有技术存在的不足，本发明的目的是提供一种基于深度相机和深度学习的木材缺陷检测分选装置及方法。

技术方案：为了解决上述技术问题，本发明采用的技术方案如下：

在第一方面，本发明提供了一种基于深度相机和深度学习的木材缺陷检测分选装置，包括工控机、检测机构和设置在所述检测机构后侧的分选机构，所述检测机构包括检测传送带和深度图像采集机构，所述深度图像采集机构用于采集木材四周的RGB图像和深度信息，并将其采集的木材四周的RGB图像和深度信息发送至工控机，所述工控机采用生成对抗网络对RGB图像进行处理得到增强后的RGB图像，所述工控机基于小波变换处理深度信息，并将增强后的RGB图像和小波变换处理后的深度信息进行信息融合重构成RGBD彩色深度信息，并采用数据标准化方法处理得到重构的RGBD彩色深度信息的四维特征，且将所述重构的RGBD彩色深度信息的四维特征输入至卷积神经网络，以计算木材的各个缺陷类型概率，并输出最大概率的缺陷类型，并确定该种缺陷为木材的缺陷类型，所述工控机根据木材的类型控制分选机构进行工作，以分选出不同类型的木材。

进一步的，所述深度图像采集机构包括四个深度相机，其中三个深度相机通过安装架设置在检测传送带的上侧和两侧，所述分选机构间隔设置在检测传送带的后侧，另一深度相机设置在检测传送带与分选机构之间，每一深度相机一侧设有光源。

进一步的，所述分选机构包括若干设置在检测传送带后侧的分选传送带，所述分选传送带的两侧设有木材推动机构，所述木材推动机构包括驱动器和与驱动器连接的推杆，所述工控机根据木材的类型控制驱动器工作，以控制推杆将木材推至相应的分选传送带上；所述分选机构后侧还设有木材分类收集机构，所述木材分类收集机构包括设置在分选传送带后侧的斜面板和设置在斜面板后侧的分类箱。

进一步的，所述生成对抗网络包括生成器和判别器，生成器用于首先生成随机图像数据，再根据随机图像数据生成图像，所述判别器用于将生成图像和原始图像进行区分，再对生成器进行调整，以产生新的生成图像，经过多次训练，使得生成图像的效果更好，所述判别器将生成图像和原始图像区分的方式如下：

其中，z为随机图像数据，x为原始图像数据，D为判别器映射函数，G为生成器模型，E是期望值，x-P_data(x)是从随机生成的数据分布P_data(x)中的采样的生成图像数据，z-P_z(z)是从真实图像数据分布P_z(z)中的原始图像数据。