实木板材的缺陷识别与优选排样

实木板材的缺陷识别与优选排样

实木板材的缺陷识别与优选排样虚拟仿真实验教学指导书

简介

实木板材的缺陷识别与优选排样虚拟仿真实验是科研反哺教学的成功案例,该实验极大地丰富了《自动化综合课程设计》课程内涵。实验总体框架设计包括认知模块、木材缺陷定位、木材缺陷分类和优选排样4大环节,需要2个学时,旨在按照虚实结合的原则,采用激励探究式、任务驱动式等教学方式,使学生通过参加虚拟仿真实验,提升对实木板材缺陷智能识别与优选排样的设计能力、解决复杂工程问题能力,为培养面向现代农林装备及自动化的复合型创新人才发挥积极作用。

本课程为适应实木板材智能制造业高质量发展的需求,以培养具有解决复杂工程问题能力和创新思维能力的高层次人才为目标,坚持学生为中心、产出导向、持续改进的原则,以实木板材的缺陷识别与优选排样为切入点,有效地解决现实实验开展中存在的难点:

1高危险性:实木板材生产过程中粉尘多、噪声大,高速切割设备锯切速度高(每秒锯切5-8次,且木材易飞出伤人),实验危险性大,开展实体实验的防护要求高。

2大型综合实验:目前实木板材的缺陷识别与智能制造系统采用大型自动化生产线,生产设备体积大,实验场地受限,导致大规模生产设备不能在实验室再现,对应的实体实验环节多,实验复杂,属于大型综合实验。

3不可逆性:、设计参数耦合度高,智能算法复杂,实验难度大,获得实验结果的实效性差,易导致出现木材误切的不可逆操作。我国属于典型的少林国家,实木板材资源十分匮乏,如果学生设计的算法效果不佳更易造成实木板材的浪费。

实验课程瞄准培养学生解决复杂工程问题的能力,采用多层次结构,从缺陷定位、缺陷分类到优选排样,层层递进,兼具知识的深度与广度,充分利用最新的虚拟仿真技术的高仿真特性、交互特性,从对工业机器人、电机、加工设备、实木板材缺陷等基础认知到图像预处理、神经网络和遗传算法优选的高阶仿真,各实验环境的设计与实施都侧重于培养学生的自主探究、学习能力,使其熟悉工业现场环境,提高对板材缺陷识别与优选排样的设计能力、创新开发能力及独立解决问题能力。

①教学理念的先进性。实验坚持以学生为中心的教学理念,将立德树人和思政教育融入教学过程,采用任务驱动式、激励探究式、自主学习式等多种教学模式提高学生学习兴趣。虚拟仿真实验将林业生产与人工智能技术深度融合,将原先被废弃的板材短料切除缺陷后接长排样再利用,变废为宝,最大限度地利用木材,提高了木材资源的利用率,响应了绿水青山就是金山银山的发展理念,贯彻了减少木材消耗就是植树造林的思想。

实验内容具有高阶性。本虚拟仿真实验课程科研成果反哺教学的案例,项目团队自主研发的实木板材智能化识别生产加工核心技术已经达到了行业内领先水平,实验内容涉及多学科领域知识交叉融合,利用项目式教学充分培养学生的工程素养、解决复杂工程问题的能力和高阶思维。

③实验设计具有挑战度和创新性。实验教学模块源于木材加工智能装备龙头企业的实际工程应用案例,符合当今国家对传统企业进行转型升级的要求。在实验中设置了很多设计参数,算法复杂,交由学生自主探索,学生需要在实验报告中对比分析实验结果,提升多途径、多方案的自主创新设计能力,并对出现的问题原因及改进措施深入分析,着重考核学生解决复杂工程问题的能力,在实验设计上难度逐步提升,通过理解——设计——优化的知识层次递进,不断激发学生的创新思维。

                                                        图1虚拟仿真实验主页面


1

交互性步骤详细说明


2虚拟仿真实验流程及实验方法图


3虚拟仿真实验流程


2

开始实验

学生进入“实木板材的缺陷识别与优选排样虚拟仿真实验”,进入主页面,选择“进入实验”,进入实木板材的缺陷识别与优选排样虚拟仿真实验场景欢迎界面

   

点击确定进入实验场景页面,如图3所示,首先要阅读实验指南和实验简介(图4)点击右上角知识角,会获取与本实验相关的科技前沿、学术文章以及课程知识点。本实验分为三个模块,每一个模块均为激活状态,学生点击任一模块,从而选择相应的实验。

4实验简介


END

模块一:认知模块

1

在实验选择页面(如图5所示),点击“认知模块”,进入实验系统认知环节


5系统认知环节主界面


2

点击机器人机器人介绍可以机器人的类型特点进行认知学习,如图6所示。


6 机器人认知学习


3

点击电机“电机介绍”、“爆炸显示”,可以观察电机相应实际模型,子界面会出现相应标签说明。


7 电机类型认知


4

电机桌面上的板材出现常见板材介绍界面,可以对实木板材缺陷类型和优选流程遗传算法认知学习。


8 板材缺陷类型认知

9 优选流程认知

10 遗传算法知识认知学习


5

实验考核,点击下方的实验考核,完成三个测试题提交认知成绩。


11 认知环节考核界面


END

模块二:木材缺陷定位与分类

1

点击“木材缺陷定位与分类”,出现实验任务1(图12),点击确定进入工程机器人搬运木材界面(13)


12领取任务1界面

13 生产场景机器人搬运板材



2

机器人搬运结束或者点击跳过按钮,场景切换到控制室(图14),依次点击控制室的高亮电脑,出现定位与分类流程(15扫描界面(16


14 控制室场景

15缺陷识别流程


16扫描仪扫描界面


3

图像采集完毕,控制室右端出现4实验环节。点击右侧阴影部分可以隐藏和显示。


17图像定位与分类子功能按钮


4

点击“图像预处理”,在阅读预处理知识点提示后,点击继续进入图形预处理界面,输入斜率K截距C参数,观察变换效果(图18还可以通过点击图片上的绿色问号了解小提示。


18 实木板材图像灰度变换结果


5

查看完灰度变换结果后,点击下一步,阅读完阈值分割知识提示后点击继续进入图像分割功能界面系统提供两种阈值分割方法先选择一种方法,通过进度条或者数值输入的方式改变阈值大小,点击确定观察阈值分割的效果(图19根据参数设置提示(图20优化分割结果。


19 图像分割结果

20阈值设置提示



6

在两种分割方法都完成阈值分割后点击下一步进入阈值分割结果对比分析界面对比分析选择其中较为满意结果(如图21)。


21阈值分割结果对比选择


7

点击下一步,阅读形态学处理知识提示后点击继续进入形态学处理界面。在界面上选择结构元素大小形状,设置对应腐蚀和膨胀次数学生点击“确定”观察形态学处理结果(图22,优化参数。


22 形态学处理结果


8

点击“准备定位”,进入定位结果显示界面点击绿色区域观察缺陷所在位置的坐标(图23X代表区域的初始位置,X表示缺陷宽度。


23 定位结果查看


9

点击下一步进入缺陷分类算法选择界面(图24。了解两种算法理论后,选择基础算法,点击“确定”。


24 缺陷分类算法选择


10

点击确定进入基础算法-人工神经网络算法设计界面(图25通过绿色问号小提示,把知识点再深入了解一下。然后在界面上设计边缘特征、颜色特征和纹理特征调节输出节点数和中间隐层数,以及各个隐层节点数。


25 缺陷分类人工神经网络算法设计



11

点击“执行”,获得缺陷识别分类的结果(图26),观察分类的准确率。点击“查看扫描结果”,查看每根板材的具体缺陷坐标及类型综合信息(27


26 人工神经网络算法分类结果

27每根板材的缺陷位置与类型查看


12

点击“继续”,出现是否选择提升算法(图28点击“确定”。进入,卷积神经网络设计界面29。系统提供固定的ABC三种网络结构,学生可以选择,最重要的可以选择自主设计模块,输入卷积网络层数后,自己点击配置卷积层、池化层和正则层及全连接层。


28 提升算法选择界面

29 提升算法卷积神网络设计


13

点击“执行观察分类结果5根板材的具体定位与分类结果。

14

对比分析两种算法结果(图30,可以选择返回定位或者返回分类重新优化实验数据,选择满意结果后点击确认选择”。结束木材缺陷定位与分类模块的实验。

30普通算法与提升算法对比分析图


END

模块三:优选排样

1

点击主界面优选排样”,出现实验任务2(图31),根据上一环节的定位与分类结果,分析加工要求

2

点击确定进入遗传算法设计界(图32面。左边现实的板材红线是缺陷必须切除的切割线。右边根据加工要求参数规格,设计遗传算法,出材率不一样对应的新生成蓝线位置不在参数输入界面:种群数量参数决定收敛的稳定性,迭代次数参数决定算法是否收敛,交叉概率参数用于判定两个个体是否进行交叉操作,变异概率避免限入局部最优解。


32遗传算法设计界面  


3

在其他参数不变的情况下,改变种群数量,计算下刀点,根据结果对比分析种群数量这个参数和出材率之间的关系。(图33


33 探究遗传算法种群数量与出材率关系


4

其他参数不变的情况下,改变变异概率,计算下刀点,根据结果对比分析变异概率这个参数和出材率之间的关系(图34

34变异概率与出材率关系


5

在其他参数不变的情况下,改变迭代次数计算下刀点,,根据结果对比分析迭代次数这个参数和出材率之间的关系(图35)。


35迭代次数与出材率关系


6

在其他参数不变的情况下,改变交叉概率,计算下刀点,根据结果对比分析交叉概率这个参数和出材率之间的关系。


36 交叉概率与出材率关系


7

多参数联合调试,探索多参数耦合对算法结果的影响,在上述四个步骤得到各参数合理范围内,适度调整各参数的大小,观测出材率的变化,感知四个参数的耦合度。种群数量太小容易局部收敛,不能得到全局最优或近优解,种群太大又会导致计算时间太长;迭代次数太小会导致还未找到最优解或近优解便停止寻优,太大又会在某个时间节点后材料利用率的提升缓慢的现象,浪费运算时间;变异和交叉概率越大,则算法搜索时的混乱程度越大,越容易达到最优解或近优解,反之则相反。

8

根据出材率最优解,得出最佳下刀点。点击“切割”,切割机根据下刀点切割木材(图37),即获得无缺陷且符合加工规格的木材,如图38所示。


37 板材切割过程

38 切割结果


9

点击“排样”,通过前述探究得到合理参数,系统自动得到最优或近优排样结果,并显示排样结果,最终拼接得出最大尺寸的桌面。如图39所示。


39  排样结果


10

点击裁剪根据排样结果,获取最大桌面,桌面尺寸桌面实现率都可见(图40


40 最大桌面拼接成品


11

满意后可以点击完成拼接,如果学生想继续优化结果可以选择“重新设计”。

12

点击完成拼接,在界面下面点击实验方案观察多次实验结果(图41查看设计详情。对比分析后选择提交方案。


41多次设计方案对比分析界面


13

返回主页,点击实验报告查看并完成实验报告的相应部分(42点击“提交”完成实验。


42实验报告


14

实验结果与结论

 

不同实验条件或参数

可能的实验结果和结论

考核标准

1

不同预处理参数

缺陷区域与背景的对比度不同

凸显缺陷区域

2

不同图像分割阈值

检测出的缺陷像素和干扰像素不同,定位准确率不同

定位准确率大于70%

3

不同形态学参数

检测出的缺陷区域面积不同,定位准确率不同

定位准确率大于70%

4

不同人工神经网络参数

分类准确率不同

分类准确率大于70%

5

不同卷积神经网络参数

分类准确率不同

分类准确率大于70%

6

不同遗传算法参数

收敛时间、位置、出材率不同

出材率大于78%

15

实验报告

实验名称

实木板材的缺陷识别与优选排样虚拟仿真实验

姓名

 

学号

 

时间

 

总分

 

一、实验目的

1、了解实木板材的缺陷类型,了解遗传算法的设计流程

2、掌握数字图像处理的预处理、分割与形态学处理方法;

3、掌握人工神经网络和卷积神经网络的结构设计方法;

4、培养探究性的思维方式和解决复杂问题的综合能力。

 

二、实验原理

实木板材的缺陷识别与优选排样系统以木材为原料,图像采集系统对传送带上传送的实木板材进行扫描,获取实木板材的图像数据,利用机器视觉和机器学习技术实现对图像木材缺陷的定位与识别,进而采用遗传算法搜索最优锯切下刀点,截除缺陷的同时实现对木材的最大利用。切割后的实木板材按照尺寸分类由推杆推送至对应储料箱,同时将各尺寸数量存储至数据库。最后利用数据库中的数据面向产品使用遗传算法进行排样设计。

 

三、实验准备

 

(1)阅读实验须知

(2)完成实验认知模块

 

、实验步骤

3、实验步骤

图像采集

图像预处理

图像分割方法选择

分割参数优化

分割结果分析对比

形态学处理

缺陷分类算法选择

基础分类算法调试

提升算法网络结构设计

分类结果对比分析

遗传算法-种群数量与出材率关系

遗传算法-2与出材率关系

遗传算法-3与出材率关系

遗传算法-4与出材率关系

多参数联合调试

智能排样

桌面拼接

结果分析对比

四、实验数据

编号

项目

结果

 

编号

项目

结果

1

分段线性变换的斜率k

 

 

11

神经网络:中间隐层数

 


2

分段线性变换的截距c

 

 

12

神经网络:隐节点数

 


3

分割阈值T

 

 

13

缺陷分类准确率(%)

 


4

腐蚀次数

 

 

14

种群数量

 


5

膨胀次数

 

 

15

变异概率

 


6

缺陷定位准确率(%)

 

 

16

迭代次数

 


7

特征设计:边缘特征

 

 

17

交叉概率

 


8

特征设计:颜色特征

 

 

18

出材率(%

 


9

特征设计:纹理特征

 

 

19

桌面实现率 (%)

 


10

神经网络:输出节点数

 

 

20

 

 


方案设计界面

 

出材率桌面实现率和最大桌面长度

 

 

 

 

遗传算法设计详情:

 


 

 

 

 

 

 

五、实验讨论与总结

分析实验原理,解释得到这样的结果的原因以及总结实验中应注意的问题、提高改进的措施等。

 


END