Пороки древесины фото: что это такое и какие особенно распространены? Виды дефектов строения. Что еще относится к основным порокам? Описание и ГОСТ

Главная

Технология

Определение пород древесины и ее пороков

Определение пород древесины и ее пороков. Урок технологии. Лабораторно-практическая работа. Цель. Ознакомить учащихся со значением древесины как конструкционного материала в народном хозяйстве страны, ее породами, строением, основными видами пороков и применением. Научить определять по внешнему виду образцов древесные породы и виды пороков.
Оснащение занятия. Комплекты образцов древесных пиломатериалов, шпона, фанеры; комплекты образцов древесины с различными пороками; цветные таблицы с рисунками пород и пороков древесины, видов пиломатериалов, таблица «Строение древесины»; диафильмы «Что нужно знать школьнику о древесине», «Производство фанеры».

Методические рекомендации

Ознакомление учащихся с древесиной как конструкционным материалом лучше провести в форме беседы. В ходе ее учитель задает учащимся вопросы, связанные с применением древесины, выслушивает, дополняет и обобщает ответы, демонстрирует фрагменты диафильма «Что нужно знать школьнику о древесине». Учащихся следует подвести к выводу, что древесина — ценный и широко используемый в народном хозяйстве конструкционный материал. Целесообразно предложить нескольким школьникам сравнить свойства древесины и таких материалов, как, например, металл и камень. Учащиеся с помощью учителя отмечают, что древесина — легкий, прочный, хорошо обрабатываемый режущим инструментом материал, отличается красивым внешним видом. Одновременно выявляют и его отрицательные качества: легкая загораемость, коробление при высушивании, загниваемость.
Затем рекомендуется выяснить у школьников, какие древесные породы им известны и на какие виды (лиственные и хвойные) подразделяются. Учащиеся обычно легко называют и показывают на таблицах несколько древесных пород, растущих в данной местности. Из курса «Природоведение» школьники знают, что в растущем дереве различают три основные части: корни, ствол и крону. Пользуясь таблицами с изображением древесных пород, учащиеся повторяют эти сведения.
При объяснении строения древесины следует иметь в виду, что на уроках ботаники в VI классе учащиеся будут изучать внутреннее строение стебля растений (кора, камбий, сердцевина), образование годичных колец и выполнять соответствующую лабораторную работу.

Поэтому следует более подробно остановиться на неоднородности строения древесины в различных направлениях, показать влияние этого фактора на ее механические свойства (прочность, твердость, упругость) и обрабатываемость (сопротивляемость резанию, гибкость).
Затем учащимся предлагают разрезать обычным ножом брусок древесины мягкой породы (сосны, липы) вдоль и поперек волокон. В результате выполнения этой операции школьники приходят к выводу, что древесина легко расщепляется вдоль волокон при небольшом усилии, в то же время разрезать древесину поперек волокон невозможно, даже приложив большое усилие.
Нескольким учащимся выдают призматические образцы древесины (одинакового размера) с различным направлением волокон и предлагают, изгибая, разломить их. Проделав этот опыт, учащиеся делают вывод, что образцы, изгибаемые вдоль волокон, легко разламываются, а прочность образцов, изгибаемых поперек волокон — более высокая.
Затем учащимся демонстрируют образцы фанеры и просят назвать этот материал. С составляющими фанеры и технологией ее получения школьники знакомятся в ходе демонстрации фильма «Производство фанеры».

Им раскрывают причину высокой прочности фанеры, приводят примеры ее применения. Желательно отметить, что изготовление фанеры стало возможным лишь после того, как в России в начале прошлого века был изобретен способ получения шпона.

Далее учитель может рассказать о свойствах древесины, определяющих ее внешние признаки, такие, как цвет, блеск, текстура, запах, демонстрируя при этом образцы пород древесины или их рисунки.

Если в своей практической работе учащиеся используют пиломатериалы, учитель может кратко объяснить их получение (подробно учащиеся будут изучать при наличии времени). Учащихся знакомят с основными видами пиломатериалов, дают их краткую характеристику.

Затем учащимся объясняют, что любое нарушение целостности древесины, правильности ее строения, повреждения, а также изменения ее внешнего вида называют пороками. Пороков древесины очень много. Они делятся на группы, виды и т. д. Учащихся надо ознакомить только с теми пороками, которые могут встретиться при обработке древесины в учебных мастерских. Причем необходимо не только перечислить пороки древесины, но и дать им краткую характеристику, показать влияние на механические свойства, ее декоративность. Так, наклон и свилеватость, повышая прочность древесины при раскалывании, затрудняют • ее механическую обработку, особенно ручное строгание. Засмолки несколько улучшают, а смоляные кармашки ухудшают механические свойства древесины, но и те и другие значительно затрудняют ее склеивание и отделку.

Изложение этих сведений рекомендуется сопровождать показом на стенде натуральных образцов древесины с наиболее распространенными пороками.

Затем учащимся предлагают выполнить лабораторно-практическую работу. Ее проводят фронтально. Учитывая, что у учащихся еще нет опыта в самостоятельном выполнении лабораторных работ, а также с целью выработки навыков коллективного труда чаще выдают задание по звеньям, состоящим из двух-трех человек.

В предварительном кратком инструктаже должны быть раскрыты содержание лабораторно-практической работы, порядок ее выполнения и содержание отчета.

Примерное задание:
1. Подготовить в рабочей тетради две таблицы:
2. Ознакомиться с тремя образцами и, используя таблицу «Породы древесины»,

определить древесную породу каждого из них.
3. Ознакомиться с тремя образцами и, используя таблицу «Пороки древесины»,

определить виды пороков древесины.
4. Полученные результаты занести в таблицы.
Вместо приведенной выше лабораторно-практической работы ученики могут выполнить работу, приведенную в учебном пособии.
В заключение занятия учитель подводит итоги выполнения учащимися лабораторно-практической работы.
Учитывая, что на следующем занятии учащимся предстоит ознакомиться с большим объемом технических сведений (начальное представление о графической документации, строение древесины), можно рекомендовать им дома самостоятельно прочитать этот материал в учебном пособии.

Пороки пиломатериалов 👉 виды и характеристики дефектов

Применяя изделия из древесины, хочется быть уверенным в том, что выбранный материал не имеет отклонений от стандартов качества. Недостатки и повреждения любого типа могут существенно снизить качественные характеристики, ограничить возможности практического применения древесины. Поэтому важно знать, какие изъяны являются ограничивающими, и уметь их определять на глаз. Только имея представление о всех возможных дефектах заготовленной древесины и типичных видах брака пиломатериалов после механической обработки природного сырья, можно подобрать для определенных работ и целей качественный, надежный, высокосортный материал.

Идеальную древесину найти практически невозможно

Виды пороков и дефектов древесины

Содержание

• 1 Виды пороков и дефектов древесины
• 2 Поражение древесины грибами. Гниение
• 3 Вредители
• 4 Пороки строения
• 5 Свилеватость
• 6 Сучки на дереве
• 7 Самая прочная древесина
• 8 Породы деревьев с наименьшей возможностью гниения

На отдельных поверхностях или участках лесоматериала могут наблюдаться отличия от естественного внешнего вида (характерного для определенной породы), правильного строения и клеточной структуры, повреждение тканей и оболочек. Перечисленные факторы отражаются на снижении прочностных и качественных характеристик материала, имеют определяющее влияние при делении пиломатериалов на сорта. Почти все они ухудшают свойства древесины и считаются ее пороками.

Естественные пороки пиломатериалов возникают в процессе роста растения. На их появление и развитие влияют следующие причины:

• неблагоприятные экологические и климатические факторы;
• географическая зона произрастания;
• природное старение растительного организма;
• разнообразные механические воздействия;
• вредоносная деятельность птиц, насекомых, микроорганизмов.

От типа проявившегося порока, его размеров и расположения зависит диапазон практического применения готовых пиломатериалов из поврежденного сырья. И если одни повреждения даже не берутся во внимание для конкретного назначения лесоматериала, то другие считаются нежелательными или безусловными (существенно снижающими качество и прочность). Для справедливости стоит отметить, что существуют пороки, из-за которых природный материал приобретает дополнительную ценность у мастеров интерьерного декора и производителей мебели.

Узнать об основных пороках древесины и проверить свои знания можно с помощью данного учебного фильма:

Другую группу пороков образуют различные повреждения механического характера. Их называют дефектами обработки, потому что главные причины возникновения – заготовительные работы (валка), транспортировка, сушка, распиловка и обработка поверхностей пиломатериалов, хранение. Влияние таких дефектов на качество древесины:

• изменение формы и поверхностей лесо- и пиломатериалов;
• затруднение и ограничение в использовании древесины по назначению;
• уменьшение фактических размеров изделий;
• нарушение целостности материала, а при значительных размерах дефекта – прочности;
• увеличение массовой доли отходов при обработке и раскрое;
• усложнение отделочных и облицовочных работ с дефектным материалом.

Волнистость – один из примеров дефекта обработки

Поражение древесины грибами.

Паразитирующие грибковые микроорганизмы размножаются спорами, которые, попадая в древесину, начинают прорастать и получать из нее питательные вещества. Поражающее действие грибка на лесоматериал может быть деревоокрашивающим или разрушающим.

Ненормальный окрас ядра или заболони в виде полос и пятен сигнализирует о наличии грибковых микроорганизмов. Поражая боковые и торцовые поверхности, грибок затем распространяется вглубь природного материала. Поэтому окраски разделяют на глубокие, поверхностные и подслойные. Грибковые окраски и пятна могут изменить внешний вид, немного повысить водопроницаемость и слегка снизить устойчивость древесины к ударным нагрузкам. Однако, на прочностные характеристики материала они не влияют.

Борьба с грибком специальными составами

Также не нарушает свойства пиломатериалов и плесень. Она покрывает слоем налета или разрозненными пятнами участки сырой заболони хранящихся лесоматериалов. Ее отрицательные воздействия: портит внешний вид; может переходить на соседние изделия, предметы, пищевые продукты; способна разрушать слои лака, краски, животного клея. С просушенной поверхности плесень сметается как обычная пыль.

Переходным видом грибкового поражения свежих срезов дерева является побурение. Изменяя окраску заболони в бурый цвет разнообразных оттенков и интенсивности, этот порок на первых порах действует аналогично другим окрашивающим грибковым поражениям. Но, если лесоматериалы с участками побурения будут и дальше храниться непросушенными – данный порок перерождается в гниль.

Гниль – опасное, дереворазрушающее грибковое поражение. Кроме изменения естественного окраса участков древесины, она значительно снижает ее прочность, нарушает структуру, размягчает и расщепляет волокна, снижает сортность пиломатериала (возможно до полной непригодности), усиливает влагопоглощение.

Для развития гнили достаточно плюсовой температуры внешней среды и влажности пиломатериала от 20%. В условиях постоянных колебаний этих показателей, разрушающее воздействие гнилостных грибков значительно усиливается. В высушенных лесоматериалах гнилостные процессы не всегда останавливаются. Пораженная древесина является потенциальным источником опасного грибкового заражения других изделий в различных сооружениях из дерева.

Пораженные синей гнилью пиломатериалы

Предохраняющие меры от грибковых поражений заготовленных пиломатериалов – качественная сушка, снижение влажности в местах хранения, организация достаточной вентиляции, обработка антисептическими составами.

Вредители

Угрозу для дерева, особенно свежеспиленного, представляют насекомые-вредители. Взрослые особи откладывают яйца в складках коры и щелях. Вылупившиеся личинки начинают углубляться в кору и поверхностные слои заболони. Совокупность полученных отверстий, бороздок, ходов и канавок называется червоточиной.

Классическая червоточина

 Этот дефект может быть поверхностным, неглубоким, глубоким, сквозным. Глубокие пороки считаются крупными, если их диаметр превышает 3 мм. Кроме поверхностной, остальные виды червоточины нарушают целостность материала, снижают механические показатели, увеличивают долю отходов при дальнейшей обработке. Другая опасность червоточины – через систему ходов проникает грибок и поражает заболонную часть.

Самые известные жуки-вредители – короед, домовой усач, капюшонник, долгоносик, точильщик, сверлильщик.

Эти «ребята» работают без перерывов

В круглых пиломатериалах часто можно встретить характерные полости, полученные птицами. Этот дефект может затруднить применение материала по назначению.

Еще одним видом биологических вредителей являются растения-паразиты, в результате жизнедеятельности которых на поверхности древесины остаются повреждения или отверстия различной глубины. Наиболее известные из них – омела, марьянник, ремнецветник.

Омела нашла своего «донора»

Пороки строения

По форме древесного ствола различают следующие отклонения:

• Закомелистость. Диаметр прикорневого участка ствола – комля – имеет резкий перепад в сторону увеличения. Поперечное сечение в этом месте может иметь форму круга или звездчато-лопастной фигуры.

Образец ребристой закомелистости

• Овальность – характеризуется превышением большим диаметром торцевого сечения в 1,5 (и более) раза размера его меньшего показателя.
• Кривизна – отклонение ствола от продольной оси, может характеризоваться одним или несколькими изгибами.

Не нужно быть специалистом, чтобы определить кривизну

• Сбежистость – уменьшение толщины кругляка более 1 см на метровой длине заготовки.

Явная сбежистость кругляка

• Наросты – резкие утолщенные формообразования на любом участке ствола. Они затрудняют использование и переработку кругляка. Но, благодаря необычной текстуре древесины самих наростов из-за присутствия глазков, завитков и перепутанных волокон, материал ценится в производстве мебельных (облицовочный шпон) и художественных изделий.

Нарост на березе

Пороки строения – многочисленная группа дефектов древесины. Они могут увеличивать или снижать прочность материала в различных плоскостях приложения нагрузок. Это изменяет характеристики вязкости, способности к растяжению, кручению, гибкости, усложняет обработку лесоматериала тесом и строганием, ухудшает внешний вид. Некоторые пороки строения делают древесину склонной к короблению, растрескиванию, нарушают однородность структуры, снижают устойчивость к загниванию.

Примечание! Подробная информация о всех пороках, а их число приближается к двум сотням, и их влиянии на качество древесины приводится в действующем документе – ГОСТ2140-81.

Кратко охарактеризуем встречающиеся дефекты строения древесины:

• Крень – характерное утолщение годичных слоев хвойных деревьев внизу ствола, вызвано сжимающими или растягивающими силами, приложенными на этом участке.

Образцы местной и сплошной крени

• Наклон волокон – отклонения относительно продольной оси.

Результат наклонного расположения волокон

• Глазки – следы спящих почек, из которых не развился побег.

Групповые глазки

• Завиток – искривление в определенных местах (под влиянием проростей и сучков) годичных слоев.

Завиток на продольном разрезе пиломатериала

• Кармашек – полость со смолой или камедями между годичными слоями.

Смоляной кармашек

• Сердцевина – наличие в центре ствола узкой полоски рыхлой структуры. Могут встречаться дефекты с двойной и смещенной (эксцентрично расположенной) сердцевиной.

Пороки сердцевины: А – смещенная; Б – двойная

• Сухобокость – омертвление поверхностного участка растущего ствола.

Сухобокость снижает качество древесины, портит внешний вид

• Пасынок – вторая вершина растения, которая отмерла или замедлилась в росте.
• Прорость – затягивающаяся или уже обросшая древесиной радиальная трещина на поверхности ствола.

Открытый и закрытый порок (прорость)

• Рак – ненормальное вздутие или углубление на поверхности живого растения, появившееся как результат жизнедеятельности бактерий и микроорганизмов.

Дерево, пораженное раком

• Прожилки – вытянутые тонкие пятна из поврежденной (рыхлой) ткани.
• Ложное ядро – выделенная темными оттенками граница поперечного среза, которая редко совпадает с годичными слоями.

Поперечный срез дерева с ложным ядром

• Пятнистость – участки заболони отличаются окраской, которая не снижает твердость лесоматериала.
• Водослой – потемнения участков ядра растущего дерева из-за резкого скачка их влажности.
• Внутренняя заболонь – несколько соседних годичных слоев образуют прослойку цвета заболони в зоне ядра.

Свилеватость

Показатель данного порока строения – хаотичное или волнистое размещение древесных волокон. Свилеватостью могут поражаться любые растения, но чаще это происходит с представителями лиственных пород. Наличие данной особенности нельзя определить по лесоматериалу, который находится в коре.

Разрез пиломатериала с ярко выраженной свилеватостью

Повышенная прочность участков с отклонениями от прямослойного расположения волокон заметно усложняет обработку древесины режущим инструментом. Но недостаток можно считать условным, потому что изделия из материалов со свилеватостью не уступают по характеристикам качественной древесине. Порок становится достоинством благодаря уникальному рисунку на поверхности окоренного бревна или распиленного изделия.

Красота окоренного бревна со свилеватостью в рубленом интерьере

Сучки на дереве

Трудно найти дерево без этого распространенного стволового порока. Сучок представляет включенную в древесный массив лесоматериала часть ветви.

Виды сучков

Их количество, форма, состояние (здоровые, трухлявые, зараженные гнилью), расположение влияют на степень снижения потребительских характеристик и сортность древесины. Страдает и внешний вид пиломатериалов из-за искривлений волокон и искажения однородности строения.

Классификация по качеству волокон сучка

Самая прочная древесина

Уникальной твердостью и прочностью отличается древесина следующих деревьев: ятоба, амарант, ярра амазонская, сукупира, мутения, мербау, дуб, орех, лиственница, акация белая, железное дерево, береза Шмидта.

Многие породы являются редкими, экзотическими и очень дорогими. Такая древесина сложно обрабатывается резанием, но хорошо шлифуется. Чаще всего применяется в производстве элитной мебели, музыкальных инструментов, сувениров, интерьерной отделки.

Паркет из ятобы

Породы деревьев с наименьшей возможностью гниения

Большим сопротивлением к процессам гниения обладают лиственница и дуб. Дома из них стоят столетия и не гниют.

Также высокая стойкость у кедра, ясеня и сосны обыкновенной. Средней стойкостью отличаются бук, ель и пихта. Разрушительные микроорганизмы не могут размножаться в древесине тиса и секвойи.

Полученная информация о возможных негативных изменениях целостности, внешнего вида и структуры древесины помогает самостоятельно провести отбраковку изделий до начала строительных и отделочных работ. Из оставшихся кондиционных пиломатериалов получится качественный и долговечный объект или изделие.

Узнайте причину твердости лиственницы и ее стойкости к гниению:

Обнаружение дефектов качества древесины на основе глубокого обучения и многокритериальной структуры , громоздкость операции, а традиционные методы испытаний не могут точно показать конкретное расположение и размер внутренних дефектов древесины; необходимо срочно изучить новую схему неразрушающего контроля дефектов древесины.

1. Введение

Как страна, обладающая огромными лесными ресурсами, обширная земля Китая имеет много редкой древесины и бесконечные древние деревья, достойные нашей защиты [1]. В последние годы производительность Китая быстро развивалась, экономика улучшалась с высокой скоростью, спрос на всевозможные различные ресурсы увеличивается, потребление ресурсов резко возросло, и спрос на древесные ресурсы быстро растет. Лесные ресурсы играют незаменимую роль в развитии различных месторождений в Китае. Поэтому очень важно, как повысить коэффициент эффективного использования древесины, обеспечить устойчивое развитие лесных ресурсов и снизить необходимость рубки деревьев [2].

Технология неразрушающего контроля древесины становится все более и более популярной из-за ее важного исследовательского значения и потенциала применения для защиты древних и знаменитых деревьев и использования древесных ресурсов. По сравнению с традиционной технологией деструктивного обнаружения, ее преимущество в отсутствии деформации преодолевает оковы измеренной формы и размера древесины, и ее можно широко использовать в древних зданиях, обнаружении древесины, защите древних и известных деревьев, городском лесном хозяйстве, деревообработке и т. д. поля [3]. Эти факторы увеличат себестоимость продукции деревообрабатывающих предприятий; снижают механические свойства древесины, качество внешнего вида и коэффициент использования древесины; и потребляют много древесных ресурсов [4]. Однако на вышеуказанные работы могут повлиять субъективные факторы, которые в итоге повлияют на эффект обнаружения дефектов.

Поэтому, чтобы не подвергаться влиянию субъективных факторов рабочих, машинное зрение и технология интеллектуального распознавания используются для замены искусственного зрения для обнаружения дефектов древесины, а оборудование для интеллектуальной обработки древесины предназначено для интеграции распознавания признаков дефектов древесины и интеллектуальной сортировки. и другие функции, которые могут повысить эффективность производства древесины и снизить себестоимость продукции предприятий [5]. Обеспечение максимального выхода древесины играет весьма положительную роль. За почти полвека технология неразрушающего контроля древесины как новая технология с высокой ценностью и широкими исследованиями совершила качественный скачок в 21 веке. Технология неразрушающего контроля древесины обычно используется для обнаружения древесины и внутренних дефектов изображения древесины с помощью невооруженного глаза, ультразвука, волны напряжения, луча, инфракрасного излучения и компьютера, чтобы персонал, занимающийся обнаружением, мог интуитивно понять внутренние дефекты древесины. Известно, что только в Ханчжоу насчитывается более 20 000 древних и знаменитых деревьев, среди которых 12 000-летний гинкго и 1500-летний османтус требуют неразрушающего контроля древесины для своевременной защиты и лечения [6]. . Подводя итог, можно сказать, что сценариев практического применения технологии неразрушающего контроля древесины множество.

Основываясь на приведенном выше анализе, в настоящее время обнаружение и классификация дефектов древесины в Китае в основном основаны на ручном отборе [7]. Этот метод подвержен субъективным факторам, поэтому трудно удовлетворить потребности в высокоточном обнаружении дефектов в реальном процессе генерации. Кроме того, человеческие затраты становятся все выше и выше, что приводит к более высокой стоимости обработки древесины, стандарт не может быть унифицирован, фактическая классификация обнаружения затруднена для обеспечения достаточной точности, и необходимо срочно принять более идеальные решения для преодоления текущих проблем. . Поэтому, чтобы повысить эффективность обнаружения дефектов древесины, машинное зрение и технология глубокого обучения используются для замены искусственного зрения для обнаружения дефектов древесины. Основываясь на высокотехнологичной поддержке, он может не только повысить эффективность обработки древесины, но и помочь предприятиям сэкономить производственные затраты и сократить затраты человеческих ресурсов. С помощью этого исследования цель состоит в том, чтобы предложить быструю скорость обнаружения, высокую точность обнаружения алгоритма обнаружения дефектов панелей из цельной древесины, снизить затраты деревообрабатывающих предприятий, повысить эффективность обнаружения дефектов древесины и повысить степень автоматизации. деревообрабатывающие предприятия [8].

С другой стороны, благодаря развитию аппаратных компьютерных технологий в последние годы, особенно обновлению графического процессора, эффективность вычислений и обработки изображений значительно повысилась. Среди передовых методов глубокое обучение представляет сверточная нейронная сеть (CNN). Сценариями практического применения являются распознавание изображений, обработка естественного языка и распознавание речи. Традиционное ручное обнаружение ограничено субъективным сознанием людей. Когда разные люди обнаружат один и тот же кусок дерева и выявят дефекты древесины, будут определены размер и расположение дефектов, что приведет к разным результатам [3]. И ручное обнаружение требует много времени, обнаружение рабочей силы и материальных ресурсов слишком велико, и этот метод обнаружения постепенно устраняется с развитием эпохи. Распознавание изображений с использованием глубокого обучения не требует выполнения сложного процесса ручного выделения признаков, но может полностью выполнять извлечение и распознавание признаков из входного изображения от начала до конца, что значительно высвобождает рабочую силу. При этом особенность автономного обучения не меньше, чем у ручного извлечения признаков по опыту, а эффект узнавания лучше [9].].

2.1. Исследовательский статус технологии неразрушающего контроля древесины

Технология неразрушающего контроля древесины может обнаруживать дефекты древесины, не разрушая исходное состояние древесины, а также быстро и правильно идентифицировать требуемую информацию о дефектах древесины, которая может быть использована в качестве теоретической основы для интеллектуального обнаружения древесины. дефекты. Неразрушающий контроль дефектов древесины позволяет автоматически классифицировать древесное сырье, повысить интеллект и автоматизацию всей производственной линии деревообрабатывающих предприятий, принести лесоперерабатывающим предприятиям экономический эффект [10].

Джейн была первой, кто выдвинул гипотезу о возможности неразрушающего контроля древесины [11]. Технологии деревообрабатывающей промышленности в некоторых развитых странах, таких как Европа и США, быстро развивались в 1950-х годах и извлекали пользу из социальной среды того времени. Когда какая-то технология может уменьшить потери древесных ресурсов и повысить эффективность производства, соответствующие специалисты-практики будут уделять ей большое внимание, и с древесиной из нее можно будет использовать технологию неразрушающего контроля. Авторы [12] использовали таймер волн стресса для точного расчета скорости распространения волн стресса между здоровыми и сгнившими деревьями в ходе эксперимента. Результаты расчетов показали, что скорость распространения волн напряжения между здоровыми и сгнившими деревьями будет значительно снижена, если в выборке будут отдельные каверны или сгнившие деревья. Авторы [13] проанализировали путь распространения волн напряжений по дефектам древесины и обнаружили, что технология волн напряжений имеет очень большое исследовательское значение в области обнаружения древесины. В ответ на это открытие в 2000 году обсуждалась технология визуализации волн напряжений. Авторы [14] и другие специалисты сосредоточились на анализе влияния различного количества датчиков и разного распределения датчиков на экспериментальных образцах на мониторинг внутренних дефектов древесины волнами напряжений. .

Авторы [15] использовали анализ основных компонентов для уменьшения размерности спектральных данных древесины и установили модель нейронной сети обратного распространения (BP) для обработки данных, а также для классификации и идентификации пород древесины. Чем больше видов деревьев, тем выше точность идентификации. Авторы [16] разработали фильтр Габора и извлекли параметры признака Габора сегментации изображения дефекта древесины на основе результатов многонаправленной фильтрации. Точность сегментации составила 9.8,29%, что лучше, чем метод сегментации, основанный на матрице совпадения уровней серого. Авторы [17] объединили метод фильтра Габора с вейвлет-преобразованием для идентификации изображений дефектов древесины в градациях серого и ввели многоканальный фильтр Габора, который мог идентифицировать дефекты древесины в условиях интерференции сложного фона. Авторы [18] использовали анализ главных компонент, чтобы уменьшить размер извлеченных признаков, которые могут эффективно идентифицировать и локализовать дефекты сложных внутренних отверстий. Авторы [19] введите пять признаков, включая первые три признака локального бинарного режима и текстуру Тамуры, вместе с энтропийным признаком матрицы совместного появления серого в классификатор машины опорных векторов, и точность распознавания составит 91,67%, что лучше, чем у Классификатор нейронной сети BP, а точность распознавания нейронной сети BP составляет 82,75%. Авторы [20] использовали усовершенствованный алгоритм оптимизации Grab Cuts для решения проблем сегментации изображения и легкой интерференции региональной текстуры в традиционном алгоритме. Авторы [21] предложили метод обнаружения дефектов древесины на основе серой гистограммы. Идентификация дефектов древесины зависит от мутации цвета, и изображения дефектов можно эффективно различать, но нельзя определить конкретный тип дефектов древесины. Для решения этой проблемы авторы [22] разделили изображение на подграфы одинакового размера. Точность сегментации 95%. Нейронная сеть BP имеет хорошую сходимость, но время обучения медленное, скорость распознавания дефектов низкая, а потребность в выборке большая. По времени обучения и скорости распознавания SVM превосходит сеть BP, а при небольшом количестве отобранных выборок SVM также может достигать высокой точности классификации дефектов. Авторы [23] использовали вейвлет-преобразование для извлечения многомерных векторов признаков изображений дефектов древесины в качестве векторного входа нейронной сети BP и SVM и провели классификацию и распознавание с помощью этих двух видов классификаторов. Из-за большой размерности выборок метод опорных векторов более выгоден. Точность достигла 93,3%. Авторы [24] предложили метод Оцу, который использовал метод порога взвешенной дисперсии для обнаружения дефектов поверхности древесины.

В [25] для обнаружения дефектов древесины использовался анализ основных компонентов, и результаты показали, что этот метод применим и надежен для выявления дефектов древесины. Ондрейка и др. [26] разработали структуру алгоритма, основанную на глубоком обучении, создали сверточную нейронную сеть, состоящую из восьми слоев сетей для извлечения признаков, и извлекли признаки дефектов поверхности древесины из модели сети глубокого обучения, тем самым повысив эффективность обнаружения и точность классификации древесины. дефекты. В [27] для сегментации изображений использовался пороговый метод гистограммы, извлекались характеристические значения дефектов древесины с помощью анализа основных компонентов и улучшенный классификатор с помощью алгоритма экстремального обучения в сочетании с алгоритмом AdaBoost для повышения точности обнаружения дефектов древесины и эффективной классификации дефектов древесины. Авторы [28] первыми предложили теоретическую формулу распространения логарифмической волны напряжения, а именно уравнения смещения, скорости, напряжения и деформации. Было обнаружено, что время и скорость распространения волны напряжения положительно коррелируют с упругостью, модулем и длиной древесины. Ссылка [29] использовали систему обнаружения волны напряжения «Арботом» для обнаружения внутреннего распада бревен древесных пород в северо-восточном лесном районе, разработали устройство неразрушающего контроля волной напряжения на основе цифрового сигнального процессора и провели практические испытания на деревянных дисках. В работе [30] для реконструкции структуры внутренних дефектов древесины использовался метод, основанный на волне напряжения, который позволял анализировать внутренние механические связи древесины и судить о типах внутренних дефектов с помощью модели Грея. В [31] предложен метод реконструкции изображения, основанный на сегментных линиях распространения волны напряжения. В этом методе используются датчики для сбора данных о скорости волны напряжения, которые равномерно висят вокруг дерева. Таким образом, изображения дефектов внутри древесины могут быть реконструированы методом визуализации. Алгоритм основан на точном разделении света для облегчения пространственной интерполяции. Затем моделирование изображения и экспериментальные данные реконструированных внутренних дефектов древесины используются для оценки метода [32]. Между тем сравнение площади и формы результатов изображения показывает, что предложенный метод позволяет производить качественную реконструкцию с четкими границами и высокой точностью.

2.2. Исследовательский статус глубокого обучения и многокритериальной структуры

Как отрасль машинного обучения, глубокое обучение постепенно переходит от поверхностного обучения к глубокому обучению. Глубокое обучение — это природа некоторой глубокой сети с помощью механизма нелинейной обработки информации, режима обучения объединения для реализации извлечения признаков и преобразования признаков выборочной информации и, наконец, с помощью распределенного представления признаков для сложных отношений данных между подходящими образцами. [33]. Глубокое обучение может реализовать подгонку наблюдаемых выборок и непрерывную аппроксимацию сложных функций, чтобы изучить основные характеристики концептуализации данных. Его преимущества перед моделью неглубокого обучения заключаются в высокой производительности обобщения и эффективном представлении сложных функций при решении сложных задач классификации [34]. Однако глубокое обучение не является новой концепцией. Теория глубокого обучения в определенной степени является продуктом развития нейронных сетей. С 19В 60-х и 1970-х годах исследователи в некоторых развитых странах начали пытаться использовать компьютеры, чтобы помочь людям понять мир, который они видят, и добились многочисленных результатов научных исследований. Поэтому нейронная сеть не процветала и пережила холодный зимний период до наступления 1990-х годов, когда ЛеКун применил алгоритм BP к нейронной сети, значительно улучшив скорость обучения традиционной нейронной сети. В то же время структура сети Ленет-5 для распознавания рукописных цифр, предложенная Лекуном, впервые привела к практическому применению сверточной сети [35]. Тем не менее, в то время поверхностный слой все еще был основным направлением нейронной сети.

На основании вышеизложенного вклад этой статьи представлен ниже: (1) Эта статья является первой, в которой многокадровые критерии интегрированы в глубокое обучение для обнаружения дефектов качества древесины (2) В этой статье используется глубокое обучение. для лучшего извлечения признаков древесины, чтобы повысить точность обнаружения дефектов качества модели.

3. Предлагаемый метод обнаружения дефектов качества древесины

Из-за неглубокого сетевого слоя и использования блоков линейной активации ранние модели искусственных нейронных сетей часто не могут решать сложные задачи. Так, в последние годы модель сверточной нейронной сети часто используется для решения сложных задач распознавания изображений. На основе традиционной нейронной сети с полным соединением сверточная нейронная сеть добавляет слой свертки и слой пула, и ее основные идеи в основном включают распределение веса и объединение локального соединения. Структура модели сверточной нейронной сети показана на рисунке 1, которая состоит из входного слоя, сверточных слоев, объединяющего слоя, полносвязного слоя и выходного слоя. Кроме того, глубину сетевого уровня можно увеличить за счет увеличения количества сверточных слоев, слоев пула или слоев полного соединения. Как правило, сверточный слой и слой пула можно проектировать попеременно.

Функция слоя свертки заключается в извлечении признаков изображения. Суть ядра свертки — это матрица фильтров, которая может производить множество различных эффектов на исходном изображении. Процесс вычисления свертки показан ниже:

Тогда математическое выражение сигмовидной функции равно

Математическое выражение функции тангенса равно

Математическое выражение функции ReLu равно

функция активации (LeakyReLu) выглядит следующим образом:

Уровень пула — это нижний уровень выборки. После объединения слоя объединения размер исходного графа признаков будет уменьшен, и слишком много информации об исходном графе признаков не будет потеряно. Следовательно, эффективность работы всей сети может быть в определенной степени повышена. Кроме того, операция объединения может поддерживать инвариантность перевода в определенном диапазоне. Предполагая, что исходный размер области равен , операция объединения заключается в вычислении значения четырех значений в области в соответствии с определенными правилами.

Выходной слой использует функцию softmax для нормализации, а значение вероятности в соответствующей категории показано в следующей формуле: прогнозируемое значение и истинное значение. Формула кросс-энтропии выглядит следующим образом:

Ошибку, вычисленную из функции кросс-энтропии, необходимо вычислить с помощью обратного распространения, чтобы реализовать более новое обратное распространение параметров модели. Первоначальная форма метода градиентного спуска показана в следующей формуле:

В экспериментах, описанных в следующих главах, в этой статье также проверяется, что использование Adam обеспечивает более быструю сходимость, чем SGD. Математическое выражение обычного оптимизатора Адама выглядит следующим образом:

Таким образом, правило обновления градиентного спуска выглядит следующим образом:

На основании уравнений (1)–(11) на рис. обучения и многокритериальной структуры, предложенной в этой статье.

4. Экспериментальные результаты и анализ

4.1. Введение в набор экспериментальных данных

Чтобы обеспечить точность и эффективность выводов исследования, вся экспериментальная древесина этого проекта строго отобрана работниками компании, и используется изображение еловой древесины размером . Размер изображений, собранных системой сбора изображений (ширина, высота и количество каналов), включая фотографии дерева и фон сканирования. Чтобы улучшить качество набора данных и обеспечить достоверность экспериментальных результатов, количество изображений в наборе данных о древесине было увеличено за счет вращения и увеличения изображений, а также обработки водой и вертикальным зеркалом.

Как показано на рисунке, в итоге было получено 2838 изображений твердой древесины, среди которых 612 изображений древесины без дефектов, а остальные 2226. Каждое изображение содержит один или несколько дефектов. Среди этих изображений дефектов 846 изображений живых узлов, 760 изображений мертвых узлов и 620 изображений трещин. Программное обеспечение LabelMe используется для аннотирования изображений дефектной древесины в наборе данных. LabelMe написан на языке Python и использует Qt в качестве инструмента аннотации изображений своего графического интерфейса. На практике LabelMe может выполнять аннотацию полигонов и выводить наборы данных в формате COCO, а его функция сегментации полезна для получения масок дефектов в изображениях наборов данных из изображений.

4.2. Анализ экспериментальных результатов

При выборе пустоты две точки, введенные пользователем, воплощаются в виде точек в центре круга дефекта и окружности дефекта, чтобы определить положение и размер дефекта на оси координат. , а белый круг представлен в области рисования, чтобы отличить его от серого фона. В то же время правая область дисплея показывает окончательную диаграмму матрицы признаков и может быть сохранена в заданном пути для выбора похожих потоков трещин и дефектов.

Меню функций в левом верхнем углу программы имеет функцию очистки и сохранения (рисунок 3). Среди них функция очистки в основном используется для очистки области рисования и области отображения изображения, восстановления исходного состояния, чтобы облегчить пользователю повторную работу и избежать повторного открытия программы. В функции сохранения матричное изображение области отображения сохраняется в формате PNG по заданному системой пути. При этом каждое изображение матрицы признаков аннотируется в формате XML в каталоге.

Модель обнаружения в этой статье имеет определенную связь между перекрестным соотношением внутренних дефектов древесины и классификацией внутренних дефектов древесины. Взаимное соотношение трещин (рис. 4(а)) и распада (рис. 4(б)) ниже, чем у пустот (рис. 4(в)), что соответствует правилам классификации модели классификации. В заключение следует отметить, что эффект обнаружения местоположения и размера внутренних дефектов в древесине также является хорошим. Способность сгенерированной модели распознавания судить о наличии внутренних дефектов в древесине равна 9.9,8% в наборе тестовых данных, среднее IOU, полученное при обнаружении модели, составляет 74,3%, а максимальное смещение центра составляет менее 1%, что имеет определенную прикладную ценность.

Модель CNN используется для точной настройки всего уровня соединения модели, сохранения параметров слоя свертки, а затем проведения обучения и тестирования. По мере постепенного увеличения числа итераций модели общая величина потерь в целом имеет тенденцию к снижению и сходится после определенного числа итераций.

В этой статье для теста позиционирования центра тяжести использовалось 100 изображений живого узла, мертвого узла и червячного глаза. Конкретные результаты теста показаны на Рисунке 5. Из Рисунка 5 видно, что алгоритм, описанный в этой статье, может точно определять все типы дефектов древесины, и результаты могут соответствовать фактическим потребностям. Средняя ошибка между окончательным позиционированием центра тяжести и извлечением центра тяжести, измеренным вручную, составляет от (-1,10 см до 0,92 см).

Первый, кто использовал сеть в скользящем окне в скользящем рисунке, сеть извлечения признаков с использованием Zeiler and Fergus Net (ZF-Net), скользящее окно после характеристик каждого местоположения на карте в 256-мерный вектор признаков и затем каждый вектор признаков на два полных соединительных слоя, полносвязный выходной слой содержит возможность и не включает цели. После получения координат каждого скользящего окна эталонный прямоугольный блок модифицируется через координаты, и каждый эталонный прямоугольный блок соответствует 4 координатам соответственно. Наконец, 9области-кандидаты получаются для каждой позиции скользящего окна, и оценка областей-кандидатов представлена ​​18 оценками, упомянутыми выше, и 2 оценки соответствуют одной области-кандидату. Окончательные результаты испытаний панели из цельного дерева, проходящей CNN, показаны на рисунке 6. Из исходного изображения и сравнительного изображения видно, что метод, предложенный в этой статье, имеет хороший эффект обнаружения дефектов качества древесины.

На основе приведенных выше рисунков на рис. 7 показаны типы и расположение дефектов. Он также показывает возможность категории дефекта, которая называется доверием к изображению. В первом столбце рисунка достоверность живых суставов составляет 86,3%, а мертвых суставов — 9.6,2%. На остальных изображениях достоверность мертвых соединений, живых соединений и трещин составила 99,8%, 99,2% и 99,7% соответственно. Основываясь на этих результатах, мы делаем вывод, что эффективность обнаружения предлагаемого метода является удовлетворительной.

Как показано на рисунке 8, эти карты признаков извлекаются Glance Network и должны быть введены в характеристики древесины CNN. Для сравнения установлено, что некоторые фильтры извлекают элементы из фона, такие как элемент 1, некоторые фильтры сосредотачиваются на деталях входного изображения, например признак 5, а некоторые фильтры сосредотачиваются на дефектах, таких как признаки 4 и 8. Некоторые функции похожи, например функции 2 и 3 и функции 9.и 10. Таким образом, ввод характеристик всех каналов в CNN является пустой тратой вычислительных ресурсов, поскольку ввод многих аналогичных характеристик в последующую сеть не улучшит значительно экспериментальные результаты, но может привести к снижению скорости обнаружения и, следовательно, к увеличению времени. время.

5. Заключение

Нехватка древесных ресурсов в нашей стране препятствует устойчивому развитию деревообрабатывающей промышленности при неравномерном качестве древесины и ограниченности искусственных ингредиентов.

Принимая во внимание текущий метод неразрушающего контроля древесины и традиционную технологию искусственного обнаружения дефектов в соответствующих исследованиях, основанных на CNN, создании моделей распознавания и обнаружения внутренних дефектов древесины, а также изучении типов внутренних дефектов древесины и скорости распознавания моделей. , результаты показывают, что созданная модель лучше влияет на распознавание и классификацию внутренних дефектов древесины, что подтверждает практичность этого метода.

Доступность данных

Данные, использованные для подтверждения результатов этого исследования, можно получить у соответствующего автора по запросу.

Конфликт интересов

Автор заявляет об отсутствии каких-либо известных конкурирующих финансовых интересов или личных отношений, которые могли бы повлиять на работу, представленную в этой статье.

Ссылки

1. С. Ге, С. Цзо, М. Чжан и др., «Использование гнилой древесины для композитов поливинилхлорид/древесная мука», Journal of Materials Research and Technology , том. 12, стр. 862–869, 2021.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

2. X. Yang, Z. You, Q. Dai и J. Mills-Beale, «Механические характеристики асфальтовых смесей, модифицированных биомаслами, полученными из отходов древесины», Construction and Building Materials , об. 51, стр. 424–431, 2014.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

3. М. Гао, Д. Ци, Х. Му и Дж. Чен, «Переносная остаточная нейронная сеть на основе ResNet-34 для обнаружения дефектов сучков древесины», Леса , том. 12, нет. 2, с. 212, 2021.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

4. М. Делюзе, Т. Эрудель, X. Бриотте, Д. Ширен и С. Фабр, «Метод определения границ крон отдельных деревьев на основе многокритериального графика с использованием геометрической и спектральной информации: применение к нескольким лесам умеренного пояса». сайты», Дистанционное зондирование , том. 14, нет. 5, ID статьи 1083, 2022.

   Посмотреть по адресу:

   Сайт издателя | Академия Google

5. Ю. Ху, Дж. Ли, М. Хонг и др., «Модель краткосрочного прогнозирования электрической нагрузки и ее проверка для перерабатывающих промышленных предприятий на основе гибридного алгоритма GA-PSO-BPNN — пример процесса производства бумаги, Энергетика , вып. 170, стр. 1215–1227, 2019.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

6. Р. Эспиноса, Дж. Пальма, Ф. Хименес, Дж. Каминьска, Г. Шавикко и Э. Лусена-Санчес, «Многокритериальная методология прогнозирования временных рядов для прогнозирования качества воздуха», Прикладные программные вычисления , том. 113, ID статьи 107850, 2021.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

7. П. Хуанг, Ф. Чжао, З. Чжу, Ю. Чжан, С. Ли и З. Ву, «Применение обучения с переносом вариантов в распознавании древесины», Bioresources , vol. 16, нет. 2, стр. 2557–2569, 2021.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

8. Д. Шулева и Г. Коман, «Значение технологии IoT в улучшении логистических процессов и повышении конкурентоспособности: тематическое исследование деревообрабатывающих предприятий мира и Словакии», Устойчивое развитие , том. 12, нет. 18, ID статьи 7804, 2020.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

9. С. Шарма и А. Каул, «Гибридная нечеткая многокритериальная система принятия решений на основе многокластерного роя дельфинов, оптимизированная для VANET», Vehicular Communications , vol. 12, стр. 23–38, 2018 г.

   Посмотреть по адресу:

   Сайт издателя | Google Scholar

10. Седлячикова М., Строкова З., Драбек Й. Контроль внедрения: каковы преимущества и препятствия для работников деревообрабатывающих предприятий? Acta Facultatis Xylologiae Zvolen res Publica Slovaca , vol. 61, нет. 2, стр. 163–173, 2019.

    Просмотр по адресу:

    Google Scholar

11. З. Хе, К. П. Тран и С. Томасси, «Многокритериальная система поддержки принятия решений на основе глубокого обучения с подкреплением для текстильного производства. оптимизация процессов», 2020 г., https://arxiv.org/abs/2012.14794.

    Просмотр по адресу:

    Google Scholar

12. X. Du, J. Li, H. Feng и S. Chen, «Реконструкция изображения внутренних дефектов в древесине на основе сегментированных лучей распространения волн напряжения», Прикладные науки , том. 8, нет. 10, ID статьи 1778, 2018.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

13. У. Дакерманн, К. Крюс, Б. Касал и др., «Оценка конструкционной древесины на месте с использованием измерений волн напряжения», Материалы и конструкции , том. 47, нет. 5, стр. 787–803, 2014.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

14. X. Du, S. Li, G. Li, H. Feng, and S. Chen, «Томография волн напряжения внутренних дефектов древесины с использованием пространственной интерполяции на основе эллипса и компенсации скорости», Биоресурсы , том. 10, нет. 3, стр. 3948–3962, 2015.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

15. Ч. Х. Ли, Т. Л. Ву и Ю. Л. Чен, «Характеристики и различение пяти типов древесно-пластиковых композитов с помощью FTIR-спектроскопии в сочетании с анализом основных компонентов», Holzforschung , vol. 64, стр. 17–29, 2010.

    Просмотр по адресу:

    Google Scholar

16. Рахеджа Дж. Л., Кумар С. и Чаудхари А. «Обнаружение дефектов ткани на основе GLCM и фильтра Габора: сравнение». Оптик , об. 124, нет. 23, стр. 6469–6474, 2013.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

17. В. Ху, Т. Ван, Ю. Ван, З. Чен и Г. Хуанг, «LE-MSFE-DDNet: сеть обнаружения дефектов, основанная на улучшении при слабом освещении и многомасштабном извлечении признаков. », Визуальный компьютер , vol. 17, стр. 1–15, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

18. C. Ding, Z. Feng, D. Wang, D. Cui и W. Li, «Технология акустической вибрации: на пути к многообещающему методу определения качества фруктов», Всеобъемлющие обзоры по науке о пищевых продуктах и ​​безопасности пищевых продуктов , vol. 20, нет. 2, стр. 1655–1680, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

19. Дж. Б. Амодеи, Дж. Латоррака, Г. Сантос и Б. К. Мартинс, «Качество древесины молодого тика в разных посадочных местах», Floresta e Ambiente , vol. 28, нет. 4, стр. 11–23, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

20. Х. Чжан, Х. Цзин и Т. Чен, «Частичное применение обнаружения дефектов в промышленности», International Core Journal of Engineering , vol. 7, нет. 7, стр. 144–147, 2021.

    Просмотр по адресу:

    Google Scholar

21. Б. Ван, К. Ян, Ю. Дин и Г. Цинь, «Обнаружение дефектов поверхности древесины на основе улучшенного YOLOv3 алгоритм», Биоресурсы , том. 16, нет. 4, стр. 6766–6780, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

22. М. Гао, Ф. Ван, П. Сонг, Дж. Лю и Д. Ци, «BLNN: многомасштабная билинейная мелкозернистая сверточная нейронная сеть на основе слияния признаков для классификации изображений дефектов деревянных сучков, Журнал датчиков , том. 2021 г., идентификатор статьи 8109496, 18 страниц, 2021 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

23. М. Мусави и А. Х. Гандоми, «Обнаружение и классификация отверстий в древесине с помощью контактного ультразвукового контроля», Construction and Building Materials , vol. 307, ID статьи 124999, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

24. X. Цао и Г. Ли, «Эффективный метод обнаружения следов и количества трещин в древесине на основе технологии цифровой обработки изображений», в Proceedings of the 2021 13th International Conference on Machine Learning and Computing , pp. 304–309, Шэньчжэнь, Китай, февраль 2021 г. Эспиноза, «Одностороннее микроволновое сканирование пиломатериалов из сосны в ближнем поле для обнаружения дефектов», Forests , vol. 12, нет. 11, с. 1486, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

25. В. Ондрейка, Т. Гергел, Т. Буча и М. Пастор, «Инновационные методы неразрушающей оценки качества бревен», Central European Forestry Journal , vol. 67, нет. 1, стр. 3–13, 2021 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

26. EAB Ibrahim, U.R.a. Хашим, Л. Салахуддин и др., «Оценка характеристик текстуры на основе базового локального бинарного шаблона для классификации дефектов древесины», International Journal of Advances in Intelligent Informatics , vol. 7, нет. 1, стр. 26–36, 2021.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

27. D. Riana, S. Rahayu и M. Hasan, «Сравнение сегментации и идентификации дефектов древесины swietenia mahagoni с увеличенными изображениями», Heliyon , vol. 7, нет. 6, ID статьи e07417, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

28. В. Ду, Ю. Си, К. Харада, Ю. Чжан, К. Нагасима и З. Цяо, «Улучшенные алгоритмы преобразования Хафа и полной вариации для извлечения признаков древесины», Forests , об. 12, нет. 2021. Т. 4. С. 466–482.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

29. Ф. Дельконте, П. Нго, И. Деблед-Реннессон, Б. Кераутрет, В.-Т. Нгуен и Т. Констант, «Сегментация дефектов дерева с использованием геометрических признаков и CNN», Reproducible Research in Pattern Recognition , vol. 5, стр. 80–100, 2021.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

30. Х. И. Лин и С. Д. Санджая, «Классификация полировки дерева для автоматизированного контроля качества на основе ИИ», в Труды 21-й Международной конференции по управлению, автоматизации и системам (ICCAS) , стр. 1974–1977, IEEE, Чеджу, Корея, октябрь 2021 г. , Рогулин Р., Кондрашев С., «Искусственная нейронная сеть для обнаружения дефектов в КТ-изображениях древесины», Компьютеры и электроника в сельском хозяйстве , том. 187, ID статьи 106312, 2021.

    Посмотреть по адресу:

    Сайт издателя | Академия Google

31. Y. LeCun, Y. Bengio и G. Hinton, «Глубокое обучение», Nature , vol. 521, нет. 7553, стр. 436–444, 2015 г.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

32. Ю. Ли, Ф. Гимено и П. Кохли, «Сильное обобщение и эффективность в нейронных программах», 2020 г., https://arxiv.org/abs/2007.03629.

    Посмотреть по адресу:

    Google Scholar

33. К. Кай, Х. Чен, В. Ай, С. Мяо, К. Лин и К. Фэн, «Сверточная сеть с обратной связью для интеллектуального объединения данных на основе почти инфракрасная совместная технология IoT» IEEE Transactions on Industrial Informatics , vol. 18, нет. 2, стр. 1200–1209, 2022.

    Посмотреть по адресу:

    Сайт издателя | Google Scholar

Copyright

Copyright © 2022 Ping’an Sun. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.

Прикладные науки | Бесплатный полнотекстовый

1. Введение

Важно выявлять внутренние дефекты древесины, которые могут угрожать здоровью деревьев. В отличие от других технологий неразрушающего контроля, таких как рентген [1,2,3], метод волн напряжений стал основной технологией неразрушающего контроля древесины из-за его низкой стоимости, портативности и безвредности [4, 5,6]. До сих пор механизм распространения волн для стоящих деревьев или древесины до конца не изучен, а точную физическую модель взаимодействия звука с дефектом установить очень сложно [7,8]. Используя приборы для определения времени волны напряжения, исследователи могут измерить время передачи звукового импульса, созданного вручную (волны напряжения). Поэтому многие исследователи используют этот метод испытаний для анализа наличия дефектов в древесине [9].,10,11,12]. Концепция обнаружения дефектов с помощью этого метода основана на наблюдении, что распространение волны напряжения чувствительно к наличию деградации в древесине [13]. Скорость волны напряжения напрямую связана с физико-механическими свойствами древесины, а дефекты приводят к уменьшению плотности или массы древесины [14]. В целом, волны напряжения распространяются медленнее в гниющей или испорченной древесине, чем в здоровой древесине, и они также распространяются вокруг пустот, увеличивая время передачи между двумя точками тестирования [13,15,16,17]. Основываясь на этом фундаментальном выводе и получении сигнала о скорости распространения волны напряжения в поперечном сечении древесины, можно анализировать горизонтальное распределение скорости волны напряжения в древесине, а также реконструировать изображения внутренних дефектов древесины [18,19]. ,20].

Алгоритм восстановления изображения является ключевым этапом технологии неразрушающего контроля волной напряжения. Фэн и др. [21] предложили метод реконструкции изображения для обнаружения внутреннего распада древесины. Метод использует алгоритм интерполяции Кригинга, который оценивает значения скорости неизвестных ячеек сетки на основе окружающей информации. Шуберт и др. [22] визуализировали упругие волны, которые распространяются в стволе во время томографического измерения, с помощью численного моделирования. Численная модель позволила исследовать влияние гниения на томографические измерения без учета неоднородности древесины. Лин и др. В работе [23] проанализировано пиковое значение огибающей волны первого вступления в сигнале волны напряжения, определено местонахождение дефекта, проведен общий контур полости и проверена надежность метода опытами на камфорных деревьях. Жан и др. [24] собрали сигналы скорости волны напряжения в поперечных сечениях деревьев, используя профессиональное оборудование, и предложили алгоритм отображения волны напряжения, названный IABLE, который рассчитывал сеточное распределение скорости волны в разломах деревьев методом итеративной инверсии. Ду и др. [25] предложили метод томографии внутренних дефектов древесины с сохранением напряжения с использованием пространственной интерполяции на основе эллипса и компенсации скорости. Алгоритм хорошо обрабатывает области рядом с датчиками и может противостоять помехам сигнала.

Реконструкция изображения для томографии волн стресса является нелинейной задачей, и сигналы для алгоритмов визуализации обычно разрежены. Следовательно, решения для томографии волн стресса не уникальны [26,27]. Несмотря на то, что было предложено несколько методов реконструкции изображения для томографии волн стресса, точность изображения все еще неудовлетворительна. Например, при наличии внутреннего дефекта в стволе дерева существующие методы томографии волн напряжений склонны завышать его размеры [28,29].]. Кроме того, качество изображений, полученных вблизи датчика, значительно ниже, чем в средней части туловища с использованием скорости волны напряжения и метода томографии [30].

Целью данного исследования является улучшение качества реконструированного изображения внутренних дефектов древесины с использованием технологии волны напряжения. Мы предлагаем новый алгоритм реконструкции изображения с использованием сегментированных лучей распространения волн напряжения. Затем алгоритм применяется для определения размера и формы дефектов внутри древесины. Для проверки работоспособности предложенного подхода были протестированы восемь образцов с дефектами разного размера и положения, а также проанализированы площадь и форма результатов визуализации.

2. Материалы и методы

2.1. Пространственная интерполяция на основе эллипса и реконструкция изображения

Предполагая, что волна напряжения распространяется в древесине по прямому пути, определенный луч распространения может представлять скорость и путь волны напряжения между парой датчиков. Как показано на рисунке 1а, после получения сигналов скорости волны напряжения матрица скорости, которая записывает скорость распространения между любой парой датчиков, может быть визуализирована в виде графика распространения лучей. Красный луч указывает на то, что скорость волны мала, что означает, что волна напряжения проходит через область дефекта. Напротив, зеленый луч указывает на высокую скорость волны, что означает, что волна стресса проходит через здоровую область. На рис. 1б показана сетка области изображения, которая обычно применяется в существующих алгоритмах реконструкции изображения для томографии волн напряжения. Качество восстановленного изображения зависит от правильной оценки значений сетки. На основе визуализации лучей распространения и графа сетки в последние годы был разработан метод пространственной интерполяции на основе эллипса (сокращенно EBSI) для реконструкции изображения [25,31,32]. Как показано на рисунке 1c, каждый луч влияет на окружающую область (называемую зоной воздействия), а форма зоны воздействия является эллиптической. Тогда значение ячеек сетки в зоне воздействия равно значению соответствующего луча. Если определенная ячейка сетки находится одновременно в нескольких затронутых зонах, значение этой ячейки сетки будет определяться значением этих затронутых зон с использованием разных стратегий.

2.

В дополнение к самому алгоритму входной сигнал также может повысить точность изображения [33,34]. В этом поле график лучей можно рассматривать как вход алгоритма пространственной интерполяции. Цвет и длина являются двумя основными графическими признаками определенного луча распространения. Для красных лучей, проходящих через дефектную область, по сравнению с более длинными лучами эллипс, соответствующий более короткому лучу, с большей вероятностью перекрывает дефектную область. Ду и др. [25] увеличил вес более коротких лучей и добился лучших результатов визуализации по сравнению со стратегией эквивалентного веса, особенно улучшив качество изображения вблизи датчика, поскольку лучи между соседними датчиками обычно самые короткие. Таким образом, полное использование графических элементов на графике распространения лучей полезно для повышения точности алгоритма пространственной интерполяции. С учетом этого вопроса в данной статье представлен модифицированный метод реконструкции изображений. В основе предлагаемого метода лежит сегментация длинных лучей на короткие, чтобы сделать каждый луч более точным и удобным для последующей пространственной интерполяции. Как показано на рисунке 2, алгоритм состоит из двух частей: сегментации луча по эллиптической окрестности (сокращенно RSEN) и соответствующей пространственной интерполяции по сегментированному эллипсу (сокращенно SISE). В алгоритме RSEN каждый исходный луч сегментируется несколько раз путем итерации. На каждой итерации некоторый луч делится на два луча одинаковой длины, и скорость, определяемая для этого луча, вычисляется по эллиптической окрестности, соответствующей этому лучу. В алгоритме SSE на основе группы сегментированных лучей строится сегментированный эллипс для оценки значения окружающих ячеек сетки.

Оценка нового значения сегментированного луча является ключевым шагом в методе RSEN, и эллипс используется для определения диапазона окрестности. Как показано на рисунке 3а, лучи распространения, проходящие через серый эллипс, такие как L1 и L2, можно использовать для расчета значения сегментированного луча. Длинная ось эллипса представляет собой сегментированный луч, а форму эллиптической окрестности можно выразить как

, где a ₁ — длинная ось эллипса, а b ₁ — короткая ось эллипса. Таким образом, c ₁ — коэффициент управления эллиптической формы. Для удобства расчета каждый исходный луч дискретизирован на множество точек. Если какая-либо точка определенного луча находится в пределах эллипса, это указывает на то, что луч проходит через эллипс. Находится ли определенная точка в эллиптической зоне, можно определить следующим образом:

где D _{xb 1} — расстояние между некоторой дискретизированной точкой и короткой осью эллипса, а D _{ya 1} — расстояние между некоторой дискретизированной точкой и длинной осью эллипса. Если f(x,y) = 1, это означает, что точка находится внутри эллипса. Затем записывается исходный луч, которому принадлежит точка. Когда все лучи идентифицированы, оценочное значение сегментированного луча можно рассчитать как

где v — расчетное значение сегментированного луча, v _Rk — значение скорости определенного луча в эллиптической окрестности, а M — общее количество зарегистрированных лучей. Исходный луч будет сегментирован много раз, чтобы получить более точный график лучей для пространственной интерполяции, а условие завершения итеративной сегментации может быть задано как

, где l _Ri — длина определенного луча после сегментации, а l _min — кратчайшая длина всех исходных лучей распространения. Поэтому каждый луч имеет возможность сегментироваться и оптимизироваться.

После завершения алгоритма RSEN генерируется модифицированный граф лучей, отличный от обычного графа лучей. Для подгонки сегментированных лучей предлагается модифицированный алгоритм пространственной интерполяции. Эллипс снова используется для определения зоны воздействия, и форма эллипса может быть выражена как

, где a ₂ — длинная ось эллипса, а b ₂ — короткая ось эллипса. Следовательно, c ₂ — это контрольный коэффициент второго эллипса для интерполяции.

Стратегия выбора пораженных участков в соответствии с сегментированными лучами показана на рис. 3б. После записи всех ячеек сетки в эллиптической области по уравнению (6), аналогичному уравнению (2), можно определить, находится ли определенная ячейка сетки в сегментированной области эллипса, следующим образом:

, где θ — угол между L _SE (начало точки и конец точки) и L _PE (определенная точка эллипса и конец точки). Если g(x,y) = 1, это означает, что ячейка сетки находится в пределах сегментированной области эллипса. Затем ячейки сетки в одном эллипсе можно разделить на разные затронутые зоны. При сегментации всех эллипсов, если ячейка сетки находится одновременно в нескольких затронутых зонах, значение ячейки сетки определяется следующим образом:

где v’ _xy — расчетное значение скорости определенной ячейки сетки, v’ _k — значение определенной зоны, влияющей на конкретную ячейку сетки, а N — общее количество зон, одновременно влияющих на конкретную ячейку сетки.

Таким образом, этапы метода восстановления изображения с использованием сегментированных лучей распространения волны напряжения следующие:

Шаг 1:

Нормирование всех собранных значений лучей скорости относительно диапазона значений скорости, их визуализация, и создание графа сетки.

Шаг 2:

Повторное сегментирование определенного луча, построение эллиптической окрестности сегментированных лучей по уравнению (2) и оценка значений сегментированных лучей по уравнению (3) до условия завершения (уравнение (4)) достигается.

Шаг 3:

Повторение шага 2 до тех пор, пока не будут обработаны все исходные лучи и создан модифицированный график лучей.

Шаг 4:

Построение всех эллиптических затронутых зон с помощью уравнений (6) и оценка значений определенной ячейки сетки с помощью уравнений (7) и (8).

Шаг 5:

Повторение шага 4 до тех пор, пока не будут обработаны все ячейки сетки.

Шаг 6:

Реконструкция изображения внутренних дефектов древесины по оценочным значениям ячеек сетки с определенной цветовой шкалой.

2.3. Материалы и сбор данных

Для оценки эффективности предлагаемого метода для реконструкции изображений используются как данные моделирования, так и экспериментальные данные. При моделировании пять распределений дефектов предназначены для оценки результатов реконструкции. Данные моделирования содержат график распределения дефектов и график лучей. График распределения дефектов строится вручную и показывает размер и форму виртуальных дефектов и является ожидаемым выходным результатом предлагаемого алгоритма реконструкции изображения. Граф лучей формируется вручную на основе соответствующего графа распределения дефектов и является входом предлагаемого метода. На рис. 4 показаны эти соответствующие нормализованные распределения дефектов, включая распределение по одному кругу, распределение по одному краю, распределение по двум краям, распределение по двум прямоугольникам и распределение по трем кругам. Кроме того, в экспериментах используются три тестовых образца. График лучей в реальном эксперименте создается на основе собранных данных о скорости. Рисунок 4 также иллюстрирует эти реальные образцы, включая древесину Chinaberry с дефектами отверстий, древесину Firmiana с дефектами сучков и древесину Pecan с дефектами трещин.

В этом исследовании используется портативный прибор для томографии древесины собственной разработки. Как показано на рис. 5, этот прибор содержит блок процессора сигналов волн напряжений, несколько проводов передачи данных и 12 датчиков волн напряжений. Для обнаружения пробы древесины датчики одинаково закрепляются по всему поперечному сечению секции ствола. Когда датчик ударяется электронным молотком, все остальные датчики получают сигнал ударной волны. Затем процессор сигналов анализирует сигналы с помощью технологии DSP (цифровая обработка сигналов), чтобы получить время передачи волны напряжения. В этой статье основное внимание уделяется алгоритму реконструкции изображения, а подробности о том, как собирать время передачи с помощью инструмента, были описаны в нашей предыдущей работе [18,35,36].

Для получения полных данных необходимо постучать по каждому датчику один за другим, пока не будет получено время распространения волны напряжения между любыми двумя датчиками. Расстояние между датчиками известно, поэтому скорость распространения волн напряжения между любыми двумя датчиками также можно рассчитать следующим образом:

, где d _ij представляет собой измеренное расстояние между датчиком номер i и датчиком номер j. t _ij представляет полученное время распространения от датчика номер i к датчику номер j. Следовательно, S _ij представляет собой скорость от датчика номер i до датчика номер j. J – общее количество датчиков. Скорости являются элементами матрицы S, а матрица S является входом для предлагаемого метода.

Единственная разница между имитационным экспериментом и реальным экспериментом заключается во входных данных. Входные данные реального эксперимента собираются прибором собственной разработки, а входные данные имитационного эксперимента генерируются вручную. В таблице 1 показан пример смоделированных входных данных. Датчик № 1 — на 12 часов, датчик № 4 — на 3 часа, датчик № 7 — на 6 часов, датчик № 10 — на 9 часов.час. Значения виртуальной скорости в матрице разработаны как относительные значения.

3. Результаты и обсуждение

3.1. Результаты, основанные на данных моделирования

Для унификации условий визуализации используются 12 датчиков, которые собирают достаточно данных как для численного моделирования, так и для экспериментального исследования. Количество пикселей в каждой ячейке — 1 пиксель, разрешение восстановленного изображения — 300 × 300 пикселей. Разрешение изображения дефектов моделирования также составляет 300 × 300 пикселей, а пропорция размера восстановленного изображения к данным моделирования составляет 1:1. Чтобы выразить соответствующие визуальные эффекты для графика лучей и реконструированного изображения, красный цвет используется для представления самых низких значений скорости, желтый используется для представления низких значений скорости, а зеленый используется для представления высоких значений скорости. Кроме того, с ₁ — управляющий коэффициент эллиптической формы в алгоритме RSEN, а c ₂ — управляющий коэффициент эллипса для интерполяции в алгоритме SISE.

Для более полного представления результатов предлагаемого метода в этом разделе отображаются как результат алгоритма RSEN, так и результат алгоритма SISE. Исходный график лучей и сегментированный график лучей с использованием метода RSEN по данным моделирования с различными коэффициентами управления показаны на рисунке 6. Было обнаружено, что алгоритм RSEN значительно улучшил исходный график лучей. По сравнению с исходным графом лучей сегментированный граф лучей может лучше отражать пространственное распределение дефектов. Примерные области дефектов четко отражаются даже на графике сегментированных лучей.

С другой стороны, изучены все возможные значения контрольного коэффициента c ₁ (то есть от 0 до 1). Чтобы четко отобразить результаты, мы выбрали три репрезентативных значения c ₁ для каждого образца (минимальное, среднее и максимальное). Когда c ₁ меньше min или больше max для каждой выборки, график соответствующих лучей начинает ухудшаться. Значение mid является оптимальным выбором значения параметра c ₁ . Для образцов 1–3 разница между результатами метода РСЭН с разными контрольными коэффициентами не очевидна. Это указывает на то, что алгоритм не чувствителен к контрольному коэффициенту для шаблонов дефектов с распределением по одной окружности или по краям. Кроме того, для образцов 4 и 5 при коэффициенте контроля больше 0,75 результаты начинают ухудшаться. В целом коэффициент c ₁ со значением в диапазоне 0,65–0,75 предлагается для лучевой сегментации.

Результаты восстановления изображения методом SISE по данным моделирования с различными контрольными коэффициентами представлены на рис. 7. Все значения лучевой скорости нормированы на первом шаге нашего алгоритма, поэтому шкалы ложных цветов на рис. от 0 до 1. Видно, что восстановленные изображения отражают размер и форму дефектов внутри древесины. Еще раз для проб 1–3 разница между результатами метода SISE с разными контрольными коэффициентами c ₂ не очевиден. Для образца 4 при коэффициенте контроля меньше 0,9 результат начинает ухудшаться. В целом для реконструкции изображения предлагается коэффициент c ₂ со значением в диапазоне 0,85–0,95.

3.2. Результаты, основанные на экспериментальных данных

Для получения стабильных сигналов волны напряжения датчики постукивали электронным молотком. Кроме того, все датчики несколько раз постукивали, чтобы получить среднее значение скорости для реконструкции изображения. Дефект отверстия расположен в верхней левой части поперечного сечения образца древесины, дефект сучка расположен в нижней правой части поперечного сечения образца древесины, а дефект длинной трещины расположен в центре поперечного сечения. образца древесины. В частности, форма трещинных дефектов не способствует получению сигналов скорости.

Как и в симуляционных экспериментах, количество пикселей в каждой ячейке составляет 1 пиксель, а разрешение восстановленного изображения составляет 300 × 300 пикселей (фактический размер составляет около 6,1 см × 6,1 см). Фактический диаметр S6 составляет около 35 см, поэтому соотношение размера восстановленного изображения к образцу 6 составляет примерно 1:33. Фактический диаметр S7 составляет около 33 см, поэтому соотношение размера восстановленного изображения к образцу 7 составляет примерно 1:29. Фактический диаметр S8 составляет около 28 см, поэтому соотношение размера восстановленного изображения к образцу 8 составляет примерно 1:21. Результаты сегментированных графиков лучей и реконструированных изображений с разными контрольными коэффициентами от реальных данных показаны на Рисунке 8 и Рисунке 9..

Как показано на рис. 8, исходные графики лучей значительно улучшены. Специально для образца 8 алгоритм RSEN помогает отразить потенциальное пространственное распределение дефектов. Предлагается коэффициент c ₁ со значением в диапазоне 0,65–0,8. Экспериментальные результаты, как показано на рис. 9 (шкалы ложных цветов варьируются от 0 до 1), доказывают, что улучшение графика лучей полезно для последующего алгоритма интерполяции. Дефекты отверстий и дефекты сучков хорошо видны на реконструированных изображениях, и даже сложные дефекты трещины могут быть приблизительно отражены. Коэффициент с 9Для алгоритма SSE предлагается 0483 2 со значением в диапазоне 0,85–0,95.

3.3. Анализ области дефекта

Для сравнения экспериментальных результатов с другими алгоритмами мы повторили метод стресс-волновой томографии с использованием метода EBSI [25]. Результаты сравнения изображений показаны на рисунке 10. Кроме того, для количественной оценки предлагаемого метода была использована технология сегментации изображений для получения площади дефектных областей на восстановленных изображениях. Результаты сравнения дефектной области также представлены на рис. 10, а параметры предлагаемого алгоритма для каждого образца приведены в табл. 2.

Результаты сравнения показывают, что изображения, восстановленные с помощью предложенного алгоритма, значительно лучше, чем те, которые используют базовую эллипсную интерполяцию для всех заданных выборок. Для картин дефектов с двухпрямоугольным распределением восстановленное изображение методом EBSI представляется связным. Для картин дефектов с трехокружным распределением и трещиной восстановленные изображения с помощью ЭЭИ искажаются. Это указывает на то, что базовый метод интерполяции эллипса не может работать со сложными выборками. Напротив, восстановленные изображения с использованием предложенного метода ближе к реальным распределениям для всех выборок.

По сравнению с фактической дефектной областью данные дефектных областей из реконструированных изображений с использованием двух методов для всех образцов показаны на рисунке 11. Результаты показывают, что оба метода завышают размер реальных дефектов. Это связано с тем, что входной сигнал технологии волны напряжения относительно разрежен, что согласуется с выводом Wang et al. [28]. Видно, что данные предложенного метода ближе к данным реального района, чем данные ЭБСИ. В целом качественные результаты визуализации и количественный анализ дефектных зон демонстрируют эффективность предлагаемого метода.

3.4. Анализ формы дефектов

Для дальнейшего анализа результатов реконструированных изображений мы извлекли контуры дефектов из реконструированных изображений с использованием двух методов и реального контура дефектов. Затем все контуры были объединены в одно изображение для сравнения. Результаты сравнения формы дефекта показаны на рисунке 12.

Как показано на рисунке 12, красная линия представляет собой фактический контур, синяя линия представляет собой контур, извлеченный из результата EBSI, а зеленая линия представляет собой контур, извлеченный из Результат предлагаемого метода. Результаты сравнения ясно показывают, что синий контур всегда намного больше красного контура, но зеленый контур всегда ближе к красному контуру. Это свидетельствует о том, что контур, извлеченный из реконструированного изображения с помощью предлагаемого метода, гораздо больше похож на реальный контур. Для количественного расчета точности изображения предлагаемого алгоритма вводится матрица путаницы для оценки качества восстановленного изображения [37]. Матрица путаницы содержит информацию о фактической и предсказанной классификации, выполненной алгоритмом визуализации. Как показано в Таблице 3, TP указывает, что область правильно предсказана как дефекты. FN указывает на то, что площадь неправильно определена как обычная древесина. FP указывает на область неправильно предсказанных дефектов. TN указывает, что область правильно предсказана как обычная древесина.

Как показано на рис. 13, матрица путаницы может эффективно представлять перекрытие двух фигур. Статистические характеристики, такие как точность, прецизионность и полнота, могут быть рассчитаны следующим образом:

Точность, прецизионность и полнота EBSI и предлагаемого метода для всех заданных образцов показаны на рисунке 14. Полнота двух алгоритмов близка. до 100%. Это указывает на то, что оба алгоритма могут обнаруживать расположение внутренних дефектов древесины, а контуры восстановленных изображений с использованием двух алгоритмов могут перекрывать истинный контур дефекта. Таким образом, по сравнению с отзывом точность и прецизионность способны лучше отражать качество реконструированных изображений в этой области. Можно обнаружить, что точность предложенного алгоритма выше, чем у алгоритма EBSI для каждой выборки. Специально для выборки 5 точность предложенного алгоритма на 30% выше, чем у алгоритма EBSI. Это указывает на то, что предлагаемый алгоритм имеет больше преимуществ при работе со сложными дефектами. Средняя точность предложенного алгоритма составляет 86,9. %, тогда как средняя точность алгоритма EBSI составляет всего 78,0%. Кроме того, точность предлагаемого алгоритма также выше, чем у алгоритма EBSI для каждой выборки. Точность двух алгоритмов низкая при работе с образцом 5 или образцом 8. Это указывает на то, что оба метода завышают размер реальных дефектов, особенно для сложных дефектов, и этот результат согласуется с результатами анализа площади дефекта в предыдущая бумага. В целом правильность и прецизионность показывают высокое качество восстановленных изображений с использованием предложенного алгоритма.

4. Выводы

В данной работе предложен модифицированный метод реконструкции изображения для обнаружения внутренних дефектов древесины с использованием сегментированных лучей распространения волны напряжения. Для проверки работоспособности предложенного метода для реконструкции изображений использовались как данные моделирования, так и экспериментальные данные. Испытывались восемь образцов с дефектами разного размера и положения, анализировались площадь и форма результатов визуализации. Представленные эксперименты подтверждают следующие выводы:

(1)

Все исходные графики лучей значительно улучшены с помощью алгоритма RSEN (сегментация лучей по эллиптической окрестности). По сравнению с исходным графиком лучей сегментированный график лучей может лучше отражать потенциальное пространственное распределение дефектов и дает преимущества при последующей пространственной интерполяции. Кроме того, алгоритм RSEN не чувствителен к контрольному коэффициенту c ₁ для шаблонов дефектов с распределением по одной окружности или по краям. Для других дефектов, когда c ₁ меньше 0,65 или больше 0,85, начинают ухудшаться соответствующие результаты графиков лучей. Предлагается коэффициент c ₁ со значением в диапазоне 0,65–0,8.

(2)

Изображения, реконструированные с помощью алгоритма SISE (пространственная интерполяция сегментированным эллипсом), могут отражать размер и форму дефектов внутри древесины. Кроме того, алгоритм SSE также нечувствителен к контрольному коэффициенту c ₂ для шаблонов дефектов с распределением по одной окружности или по краям. Для других дефектов, когда c ₂ меньше 0,85, соответствующие результаты восстановленных изображений начинают ухудшаться. Предлагается коэффициент c ₂ со значением в диапазоне 0,85–0,95.

(3)

Доля площади дефекта на восстановленном изображении по предлагаемому методу ближе к фактической площади дефекта, а контур, извлеченный из восстановленного изображения по предложенному методу, гораздо больше похож на реальный контур.

(4)

Средняя точность предложенного алгоритма на 8,9% выше, чем у алгоритма EBSI (эллиптическая пространственная интерполяция), а средняя точность предложенного алгоритма на 12,8% выше, чем у алгоритма EBSI.

В целом, по сравнению с результатами алгоритма EBSI, предложенный алгоритм не только позволяет лучше качественно и количественно отражать внутренние дефекты древесины, но и имеет высокое качество восстановленных изображений. Однако метод завышает размеры реальных дефектов, особенно для сложных образцов. Мы можем улучшить метод в дальнейшей работе.

Вклад авторов

X.D. задумал идеи, разработал эксперименты и написал статью. JL провел эксперименты. Х.Ф. и Х.Д. проанализировал данные. SC пересмотрел рукопись.

Финансирование

Это исследование финансировалось Национальным фондом естественных наук Китая [U1509207] и Управлением науки и техники провинции Чжэцзян [2015C03008].

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Касал, Б. Полуразрушающий метод для оценки прочности на сжатие деревянных элементов конструкции на месте. Для. Произв. Дж. 2003 , 53, 55–58. [Google Scholar]
2. Кен В.; Юки, С .; Ставрос, А .; Сатоши С. Неразрушающее измерение распределения влаги в древесине во время сушки с использованием цифровой рентгеновской микроскопии. Технология сушки. 2008 , 26, 590–595. [Google Scholar]
3. Томазелло, М.; Бразолин, С.; Шагас, член парламента; Оливейра, JTS; Балларин, А.В.; Бенджамин, К.А. Применение рентгеновского метода неразрушающего контроля древесины эвкалипта. Мадерас Сьенк. Текнол. 2008 , 10, 139–150. [Google Scholar] [CrossRef]
4. Гарсия, Р.А.; Карвалью, AMD; Матос, JLMD; Сантос, Вашингтон; Сильва, РФДМ. Неразрушающая оценка термообработанной древесины эвкалипта грандиса, хилла экс-девичьего методом волн напряжения. Вуд науч. Технол. 2012 , 46, 41–52. [Google Scholar] [CrossRef]
5. Ян, З.; Цзян, З .; Hse, CY; Лю, Р. Оценка влияния грибков гниения древесины на модуль упругости сосны скошенной (pinus elliottii) с помощью неразрушающего контроля волной стресса. Междунар. Биодекор. биодеград. 2017 , 117, 123–127. [Google Scholar] [CrossRef]
6. Ямасаки, М.; Цузуки, К.; Сасаки, Ю.; Ониши, Ю. Влияние содержания влаги на оценку модуля упругости полноразмерной древесины с использованием скорости волны напряжения. Дж. Вуд Науч. 2017 , 63, 1–11. [Google Scholar] [CrossRef]
7. Мэтью Л.; Стюарт, Б. Измерение жесткости стоящих деревьев и срубленных бревен с помощью акустики: обзор. Дж. Акус. соц. Являюсь. 2017 , 139, 588–604. [Google Академия]
8. Весселс, CB; Малан, Ф.С.; Рипстра, Т. Обзор методов измерения, используемых на стоящих деревьях для прогнозирования некоторых механических свойств древесины. Евро. Дж. Для. Рез. 2011 , 130, 881–893. [Google Scholar] [CrossRef]
9. Li, L.; Ван, X .; Ван, Л.; Эллисон, Р.Б. Акустическая томография в связи с двумерными картами скорости и твердости ультразвука. Вуд науч. Технол. 2012 , 46, 551–561. [Google Scholar] [CrossRef]
10. Дефлорио, Г.С.; Финк, С .; Шварце, F.W.M.R. Выявление начинающейся гнили в стволах деревьев с помощью ультразвуковой томографии после ранения и грибковой инокуляции. Вуд науч. Технол. 2008 , 42, 117–132. [Google Scholar] [CrossRef]
11. Годио, А.; Самбуэлли, Л.; Сокко, Л. Применение и сравнение трех томографических методов для обнаружения гниения деревьев. Дж. Арборик. 2003 , 28, 3–19. [Google Scholar]
12. Rabe, C.; Фернер, Д.; Финк, С .; Шварце, F.W.M.R. Выявление гниения деревьев волнами стресса и интерпретация акустических томограмм. Древесный. доц. Дж. 2004 , 28, 3–19. [Google Scholar] [CrossRef]
13. Ван, X.; Эллисон, Р. Б. Обнаружение гниения в красных дубах с использованием комбинации визуального осмотра, акустических испытаний и микросверления на сопротивление. Древесный. Городской Фор. 2008 , 34, 1–4. [Google Scholar]
14. Билл, Ф.; Уилкокс, В. Связь акустической эмиссии при радиальном сжатии с потерей массы в результате распада. Для. Произв. Дж. 1987 , 37, 38–42. [Google Scholar]
15. Маттек, К.Г.; Бетге, К.А. Обнаружение гниения деревьев с помощью таймера волн стресса Metriguard. Дж. Аброрик. 1993 , 19, 374–378. [Google Scholar]
16. Johnstone, D.; Мур, Г.; Тауш, М.; Николас, М. Измерение гниения древесины ландшафтных деревьев. Древесный. Городской Фор. 2010 , 36, 121–127. [Google Scholar]
17. Росс Р.Дж.; Брашоу, Б.К.; Пеллерин, Р.Ф. Неразрушающая оценка древесины. Для. Произв. Дж. 1998 , 48, 14–19. [Google Scholar]
18. Fang, Y.M.; Фэн, HL; Ли, Дж.; Ли, Г.Х. Шумоподавление сигнала волны напряжения с использованием ансамблевого разложения по эмпирическим модам и модели мгновенного полупериода. Датчики 2011 , 11, 7554–7567. [Google Scholar] [CrossRef] [PubMed]
19. Лян, С.; Фу, Ф. Влияние количества датчиков и их распределения на точность обнаружения дефектов древесины с помощью волновой томографии напряжений. Вуд Рез. 2014 , 59, 521–531. [Google Scholar]
20. Ли, Г.; Ван, X .; Фэн, Х .; Виденбек, Дж. ; Росс, Р.Дж. Анализ паттернов скорости волн в деревьях черешни и их влияние на обнаружение внутреннего затухания. вычисл. Электрон. Агр. 2014 , 104, 32–39. [Google Scholar] [CrossRef]
21. Фэн, Х.Л.; Ли, Г. Х.; Фу, С .; Ван, Х.П. Реконструкция томографического изображения с использованием метода интерполяции для выявления гнили деревьев. Биоресурсы 2014 , 9, 3248–3263. [Академия Google] [CrossRef]
22. Шуберт, С.; Гселл, Д.; Двойной, Дж.; Мотавалли, М .; Нимц, П. Акустическая томография древесины на деревьях и проблема неоднородности древесины. Holzforschun 2009 , 63, 107–112. [Google Scholar] [CrossRef]
23. Lin, CJ; Чанг, ТТ; Хуан, М.Ю.; Лин, ТТ; Ценг, CL; Ван, Ю.Н. Стресс-волновая томография для количественной оценки обнаружения искусственных отверстий в камфорных деревьях (Cinnamomum camphora). Тайвань Дж. Фор. науч. 2011 , 26, 17–32. [Google Scholar]
24. «> Чжан Х.; Цзяо, З .; Ли, Г.Х. Томографическое изображение на основе коррекции погрешности скорости для неразрушающей оценки древесины волной напряжения. Биоресурсы 2018 , 13, 25:30–25:45. [Google Scholar]
25. Du, X.; Ли, С .; Ли, Г .; Фэн, Х .; Чен, С. Волновая томография внутренних дефектов древесины с использованием пространственной интерполяции на основе эллипса и компенсации скорости. Биоресурсы 2015 , 10, 3948–3962. [Google Scholar] [CrossRef]
26. Нгуен, Н.; Миланфар, П.; Голуб Г. Эффективный в вычислительном отношении алгоритм реконструкции изображений со сверхвысоким разрешением. IEEE транс. Процесс изображения. 2002 , 10, 573–583. [Академия Google] [CrossRef] [PubMed]
27. Гириес Р.; Эльдар, Ю.К.; Бронштейн, А.М.; Сапиро, Г. Компромиссы между скоростью сходимости и точностью реконструкции в обратных задачах. IEEE транс. Сигнальный процесс. 2018 , 66, 1676–1690. [Google Scholar] [CrossRef]
28. «> Wang, X.P.; Виденбек, Дж.; Лян, С.К. Акустическая томография для выявления гнили черешни. Наука о древесном волокне. 2009 , 41, 127–137. [Google Scholar]
29. Wang X. Акустические измерения деревьев и бревен: обзор и анализ. Наука о древесном волокне. 2013 , 47, 965–975. [Google Scholar] [CrossRef]
30. Gilbert, EA; Смайли, И.Т. Звуковая томография Picus для количественной оценки гниения белого дуба (quercus alba) и гикори (carya spp.). Дж. Арборик. 2004 , 30, 277–281. [Google Scholar]
31. Hettler, J.; Табатабаипур, М .; Дельру, С .; Ван Ден Абиле, К. Линейная и нелинейная визуализация волноводной волны ударного повреждения углепластика с использованием вероятностного подхода. Материалы 2016 , 9, 901. [Google Scholar] [CrossRef] [PubMed]
32. Лян З.; Цзин, Л .; Хуанг, Л. Модифицированный метод обращения во времени волны Лэмба для мониторинга состояния композитных конструкций. Датчики 2017 , 17, 955. [Google Scholar]
33. Harley, J.B.; Моура, Дж. М. Разреженное восстановление мультимодальных и дисперсионных характеристик волн Лэмба. Дж. Акус. соц. Являюсь. 2013 , 133, 2732–2745. [Google Scholar] [CrossRef] [PubMed]
34. Перелли, А.; Марчи, Л.Д.; Фламиньи, Л.; Марзани, А .; Мазетти, Г. Лучшая основа для измерения сжатия направленных волн при мониторинге состояния конструкций. цифра. Сигнальный процесс. 2015 , 42, 35–42. [Google Scholar] [CrossRef]
35. Fang, Y.; Фэн, Х .; Ли, Дж.; Ли, Г. Прибор волн напряжения на основе цифровой обработки сигналов для обнаружения гниения древесины. Междунар. Дж. Цифра. Технология содержания. заявл. 2011 , 5, 415–422. [Google Scholar]
36. Фэн, Х.Л.; Фанг, Ю.М.; Сян, XQ; Ли, Дж.; Ли, Г.Х. Метод шумоподавления на основе данных и его применение для усиления сигналов ударных волн. науч. World J. 2012 , 1971, 353081. [Google Scholar] [CrossRef] [PubMed]
37. Фосетт, Т. Введение в ROC-анализ. Распознавание образов. лат. 2005 , 27, 861–874. [Google Scholar] [CrossRef]

Рисунок 1. ( a ) Пример графика лучей; ( b ) Сетка области изображения; ( c ) Иллюстрация метода EBSI (пространственная интерполяция на основе эллипса).

Рис. 1. ( a ) Пример графика лучей; ( b ) Сетка области изображения; ( c ) Иллюстрация метода EBSI (пространственной интерполяции на основе эллипса).

Рисунок 2. Иллюстрация предлагаемого метода. RSEN (сегментация луча по эллиптической окрестности), SISE (пространственная интерполяция по сегментированному эллипсу).

Рисунок 2. Иллюстрация предлагаемого метода. RSEN (сегментация луча по эллиптической окрестности), SISE (пространственная интерполяция по сегментированному эллипсу).

Рисунок 3. Иллюстрация ключевых шагов в RSEN и SSE: ( a ) Стратегия оценки стоимости сегментированного луча; ( b ) Стратегия выбора пораженных участков в соответствии с сегментированными лучами.

Рис. 3. Иллюстрация ключевых шагов в RSEN и SISE: ( a ) Стратегия оценки значения сегментированного луча; ( b ) Стратегия выбора пораженных участков в соответствии с сегментированными лучами.

Рисунок 4. Данные моделирования (график распределения дефектов и график лучей) и экспериментальные данные (реальное изображение образца и график лучей): ( a ) Распределение по одному кругу; ( b ) однокраевое распределение; ( c ) двухреберное распределение; ( d ) двухпрямоугольное распределение; ( e ) распределение по трем кругам; ( f ) прочная древесина с дефектами отверстий; ( г ) древесина рябины с дефектами сучков; ( h ) Древесина ореха пекан с трещинами.

Рис. 4. Данные моделирования (график распределения дефектов и график лучей) и экспериментальные данные (реальное изображение образца и график лучей): ( a ) Распределение по одному кругу; ( b ) однокраевое распределение; ( c ) двухреберное распределение; ( d ) двухпрямоугольное распределение; ( e ) распределение по трем кругам; ( f ) прочная древесина с дефектами отверстий; ( г ) древесина рябины с дефектами сучков; ( h ) Древесина ореха пекан с трещинами.

Рисунок 5. Экспериментальная установка.

Рис. 5. Экспериментальная установка.

Рисунок 6. Исходный график лучей и график сегментированных лучей с использованием метода RSEN по данным моделирования с разными контрольными коэффициентами.

Рис. 6. Исходный график лучей и график сегментированных лучей с использованием метода RSEN по данным моделирования с разными контрольными коэффициентами.

Рисунок 7. Изображения реконструированы методом SSE по данным моделирования с разными контрольными коэффициентами.

Рис. 7. Изображения реконструированы методом SSE по данным моделирования с разными контрольными коэффициентами.

Рисунок 8. Исходный график лучей и сегментированный график лучей методом RSEN по реальным данным с разными контрольными коэффициентами.

Рис. 8. Исходный график лучей и сегментированный график лучей методом RSEN по реальным данным с разными контрольными коэффициентами.

Рисунок 9. Изображения реконструированы методом SSE по реальным данным с разными контрольными коэффициентами.

Рис. 9. Изображения реконструированы методом SSE по реальным данным с разными контрольными коэффициентами.

Рисунок 10. Изображения, реконструированные с использованием различных алгоритмов, и соответствующая дефектная область.

Рис. 10. Изображения, реконструированные с использованием различных алгоритмов, и соответствующая дефектная область.

Рисунок 11. Доля дефектной области из реконструированных изображений с использованием различных методов для всех образцов.

Рис. 11. Доля дефектной области из реконструированных изображений с использованием различных методов для всех образцов.

Рисунок 12. Сравнение результатов форм дефектов.

Рис. 12. Сравнение результатов форм дефектов.

Рисунок 13. Иллюстрация матрицы путаницы.

Рис. 13. Иллюстрация матрицы путаницы.

Рисунок 14. Сравнительные данные точности, прецизионности и отзыва для всех образцов.

Рис. 14. Сравнительные данные точности, прецизионности и отзыва для всех образцов.

Таблица 1. Входные данные моделирования образца (а).

Таблица 1. Входные данные моделирования образца (а).

Sensor	1	2	3	4	5	6	7	8	9	10	11	12
1	нуль	0,80	0,80	0,70	0. 56	0.40	0.22	0.35	0.52	0.67	0.78	0.80
2	0.80	null	0.80	0.80	0.71	0.57	0.41	0.23	0.35	0.53	0.67	0.79
3	0. 80	0.80	null	0.80	0.80	0.72	0.57	0.41	0.22	0.36	0.54	0.69
4	0.70	0.80	0.80	null	0.80	0.80	0.72	0.57	0. 40	0.21	0.38	0.55
5	0.56	0.71	0.80	0.80	null	0.80	0.80	0.71	0.56	0.38	0.20	0.39
6	0.40	0.57	0.72	0. 80	0.80	null	0.80	0.80	0.70	0.54	0.37	0.22
7	0.22	0.41	0.57	0.72	0.80	0.80	null	0.80	0.80	0.68	0.53	0. 36
8	0.35	0.23	0.41	0.57	0.71	0.80	0.80	null	0.80	0.79	0.67	0.52
9	0.52	0.35	0.22	0.40	0.56	0.70	0. 80	0.80	null	0.80	0.78	0.66
10	0.67	0.53	0.36	0.21	0.38	0.54	0.68	0.79	0.80	null	0.80	0.77
11	0.78	0. 67	0.54	0.38	0.20	0.37	0.53	0.67	0.78	0.80	null	0.80
12	0.80	0.79	0.69	0.55	0.39	0.22	0.36	0.52	0.66	0. 77	0.80	null

Таблица 2. Параметры предлагаемого алгоритма для каждой выборки.

Таблица 2. Параметры предлагаемого алгоритма для каждой выборки.

	S1	S2	S3	S4	S5	S6	S7	S8
c 1	0.65	0.65	0.75	0. 65	0.65	0.75	0.65	0.8
c 2	0.85	0.85	0.85	0.95	0.95	0,95	0,95	0,85

Таблица 3. Четыре вида классификации в матрице путаницы. TP указывает, что область правильно предсказана как дефекты. FN указывает на то, что площадь неправильно определена как обычная древесина. FP указывает на область неправильно предсказанных дефектов. TN указывает, что область правильно предсказана как обычная древесина.

Таблица 3. Четыре вида классификации в матрице путаницы. TP указывает, что область правильно предсказана как дефекты. FN указывает на то, что площадь неправильно определена как обычная древесина. FP указывает на область неправильно предсказанных дефектов. TN указывает, что область правильно предсказана как обычная древесина.

Как обнаружить дефекты на изображениях. Построение системы визуального контроля качества… | Михал Лукач | Стартап

Создание системы визуального контроля качества для проверки ваших продуктов в несколько кликов с помощью сверточных нейронных сетей и платформы Ximilar.

Создание системы визуального контроля является распространенной проблемой на многих заводах, а подход машинного обучения является масштабируемым решением. Можно не только автоматизировать производственный процесс, но и создавать более качественную продукцию …

Поэтому этот пост в блоге будет посвящен распознаванию дефектов на изображениях с помощью платформы Ximilar. Мы собираемся показать, как легко построить модель контроля качества изображения. Визуальный контроль качества может быть построен на других типах изображений, таких как:

• любой материал/поверхность, например, дерево, металл, бетон, кожа, пластик, резина, ткань, …
• любые продукты/объекты, такие как винты, автомобильные детали, игрушки , продукты питания, …

Кому могут быть полезны визуальные проверки:

• заводы, сборочные линии
• страховые компании
• компании, заинтересованные в промышленности 4.0

Начнем с данных …

2 Мы будем играть с