周 令，張振榮，彭建盛，楊程鈞，王 濤

（1.廣西大學 計算機與電子信息學院，廣西南寧530004；2.河池學院 人工智能與制造學院，廣西宜州546303；3.深圳雨滴科技有限公司，廣東深圳518000）

我國是木材消費大國，2020年，我國的木材消耗量約在5億m3，國內(nèi)木材產(chǎn)量僅在1億m3左右，木材市場需求缺口巨大，高效率地開發(fā)和利用原木已成為人們關(guān)注的焦點[1]。

機器視覺檢測技術(shù)是一項集圖像、機械、自動化和人工智能等技術(shù)于一體的高新智能檢測技術(shù)[2-4]，具有效率高、出錯率低及實現(xiàn)功能多等特點[5-7]。機器視覺技術(shù)已在木材加工行業(yè)逐漸得到應用，主要應用于木材缺陷檢測[8-9]、木材顏色分類[10]及干燥應力演變[11]等方面。傳統(tǒng)木材粗加工的多片鋸拉條環(huán)節(jié)利用安裝不同間距多片鋸的拉條機完成木板裁切；通過人工識別木板的寬度，利用紅外激光比對后完成木板裁切。這種方式效率較低，受主觀意識及人工熟練程度影響較大，成品率相對較低，造成木材浪費，且人工成本較高。為提高企業(yè)生產(chǎn)效率、降低人工成本和木板損耗，本研究采用機器視覺技術(shù)替代人工辨別，將木板傳送至拉條機的相應位置進行裁切，實現(xiàn)木板智能化拉條，以期為木板拉條機的智能化研究提供科學依據(jù)。

1 方案設計

1.1 系統(tǒng)結(jié)構(gòu)

基于機器視覺的多片鋸拉條機結(jié)構(gòu)主要包括上料機構(gòu)、推送機構(gòu)、視覺檢測機構(gòu)、人機界面、橫移機構(gòu)、送料機構(gòu)和拉條機（圖1）。工作流程為人工疊放好木板，放至上料機構(gòu)；推送機構(gòu)推動木板至視覺檢測機構(gòu)；視覺檢測機構(gòu)利用工業(yè)相機及鏡頭拍照，并將數(shù)據(jù)傳送至計算機進行處理及運算，計算出木板的樹皮寬度和可裁切寬度；校正木板后，送料機構(gòu)和橫移機構(gòu)推送木板至拉條機進行裁切。

圖1 機器視覺的拉條機結(jié)構(gòu)Fig.1 Structure of slitting machine based on machine vision

1.2 系統(tǒng)工作條原理

拉條機可將不同寬度木板（整體寬度為40～155 mm）的樹皮去掉，并裁成3、4、5、6和7 cm規(guī)格的木板。安裝鋸片時，可根據(jù)實際情況選擇所需間隔，本裝置安裝的鋸片第1～8間隔依次為3、4、4、5、5、6、6和7 cm。檢測原理是采用Sobel算子識別木板可裁切邊緣，擬合成直線（圖2中黃色線條所示），計算木板的最大可切割寬度（圖2紅色線條所示），根據(jù)計算結(jié)果，將木板傳送至拉條機相應位置進行裁切。4個樣本中，最大可切割寬度為3.2 cm時，將該木板推送至第1間隔進行切割，可得1塊3 cm的木條（圖2a）；最大可切割寬度為7.5 cm時，將該木板推送至第1、2間隔進行切割，分別可得1塊3和4 cm的木條（圖2b）；最大可切割寬度為11.2 cm時，將該木板推送至第5、6間隔進行切割，分別可得1塊5和6 cm的木條（圖2c）；最大可切割寬度為13.3 cm時，將該木板推送至第7、8間隔進行切割，分別可得1塊6和7 cm的木條（圖2d）。

圖2 木板邊緣及可裁切寬度識別Fig.2 Identification of wood board edge and cutting width

2 木板邊緣檢測及處理

本系統(tǒng)采用的相機為索尼XCL-C280工業(yè)模擬相機，開發(fā)軟件為Android Studio，圖像處理采用OpenCV。木板圖像獲取與處理流程為獲取木板照片、圖形畸變矯正、中值濾波和二值化、圖像輪廓處理及數(shù)據(jù)處理（圖3）。

圖3 木板邊緣檢測及處理流程Fig.3 Detection and treatment process of wood board edge

2.1 照片采集

在機器視覺圖像識別中，采用合理的打光方式非常重要。根據(jù)物料需要識別的特征，采用合理的打光方式將特征突顯出來，可降低圖像處理難度，增加識別的穩(wěn)定性。

在本系統(tǒng)中，需將木板板面兩邊和木板斜坡的邊緣提取出來。根據(jù)環(huán)境需求，將光源安裝在木板檢測位兩側(cè)的上方，采用順尚信TS-630-22條形光源（圖4）。通過兩側(cè)光源分別曝光，將板面照成亮場，將兩側(cè)斜坡照成暗場，木板邊緣能很好地被提取出來。當木板推送至木板檢測位后，觸發(fā)拍照，視覺檢測系統(tǒng)會先打開光源1，將左邊緣的斜坡和板面照亮，右邊緣的斜坡基本沒有反光，提取右邊緣（圖5）；關(guān)閉光源1，打開光源2，將右邊緣的斜坡和板面照亮，左邊緣的斜坡基本沒有反光，提取左邊緣（圖6）。關(guān)閉光源2，系統(tǒng)圖像獲取步驟結(jié)束。

圖4 光源系統(tǒng)Fig.4 Light source system

圖5 第一次曝光的圖片F(xiàn)ig.5 The first exposure picture

圖6 第二次曝光的圖片F(xiàn)ig.6 The second exposure picture

2.2 畸變矯正

在系統(tǒng)中，檢測視野較大，采用6 mm C接口鏡頭獲得的照片會產(chǎn)生桶形畸變[12（]圖7）。因此，在采集照片前需對照片進行畸變矯正。標定板采用6×9的棋盤格，通過對不同位置和角度進行采樣，最終選取15張照片，計算相機內(nèi)參數(shù)矩陣和畸變系數(shù)，得到2個數(shù)據(jù)，在相機安裝位置不變的情況下，這2個參數(shù)可一直使用，將這2個參數(shù)帶入函數(shù)Imgproc.initUndistortRectifyMap()，通過函數(shù)計算出2個輸出映射關(guān)系，再將輸出映射關(guān)系帶入Imgproc.remap()，得出矯正后的圖像（圖8）。

圖7 未矯正圖像Fig.7 Uncorrected image

圖8 矯正后圖像Fig.8 Corrected image

2.3 中值濾波和二值化

中值濾波是把數(shù)字圖像或數(shù)字序列中一點的值用該點一個鄰域中各點值的中值代替，讓周圍的像素值接近真實值，消除孤立的噪聲點[13]。木板切割后，其表面粗糙度較大且會粘附一些木屑，存在斑點噪聲和椒鹽噪聲。中值濾波能去除這兩種噪聲，還能將邊緣特征保存下來，不會模糊圖像。

圖像二值化是圖像處理中重要的一部分，之前所作的預處理、濾波可獲得更好的二值化效果。二值化方法大多為基于閾值的方法，即尋找一個合適的閾值將原圖像的像素灰度分為大于閾值和小于閾值兩類，得到二值化結(jié)果[14]。對于一副灰度圖像，需設定一個閾值，當其灰度值小于該閾值，將該點的像素值置0（背景），反之則置1（前景），對所有像素點進行計算后，可得兩張圖片的二值化黑白圖（圖9～10）。這兩張圖片的前景和背景不同，因為第一次拍照選用反閾值二值化，將亮的部分當作背景，將小于閾值的部分作為前景，第二次拍照則相反。

圖9 第一次曝光圖片的二值化圖Fig.9 Binary image of the first exposure image

圖10 第二次曝光圖片的二值化圖Fig.10 Binary image of the second exposure picture

2.4 圖像邊緣輪廓處理

Sobel梯度邊緣檢測算子對灰度漸變低噪聲的圖像有較好的檢測效果。經(jīng)典的Sobel算子是利用像素卷積運算的離散型差分算子，該算子包含兩個方向的3×3卷積模板[15]：

從水平與豎直兩個方向?qū)D像進行卷積運算，將兩個方向卷積最大值作為輸出的梯度幅值。木板拉條只需提取長邊邊緣，即Y方向的邊緣，對圖像作Y方向的梯度計算Gy，可得到所需的梯度圖（A為原圖像，Gy為豎直檢測灰度）（圖11～12）。

圖11 對圖9求Y方向梯度Fig.11 Gradient in Y direction for Fig.9

通過運算，兩邊的邊緣較好展現(xiàn)出來，采用算子Imgproc.find Contours將圖中所有的白色區(qū)域分開，以輪廓的方式進行存儲。存儲后，對輪廓進行篩選。根據(jù)圖9可知，會有一些干擾區(qū)域，經(jīng)觀察，木板的邊緣線輪廓均較長，干擾的輪廓均較短，可根據(jù)輪廓長度進行篩選，將不符合長度的輪廓去除。

如邊緣較規(guī)則，其邊緣可很好被識別；如邊緣變化較大，被識別出來的邊緣可能會斷成幾段（圖12）。選取最長一段擬合直線，計算其他符合長度的輪廓與該直線的距離，當其距離在設定范圍內(nèi)，判定為邊緣的輪廓，將其聯(lián)合起來為下一步擬合直線作準備。

圖12 對圖10求Y方向梯度Fig.12 Gradient in Y direction for Fig.10

2.5 數(shù)據(jù)處理

通過輪廓篩選，得到邊緣輪廓，將得到的輪廓擬合成直線（圖13中的兩邊長紅線）。輪廓擬合采用最小二乘擬合算法，以距離平方和為擬合依據(jù)。因為每塊木板形狀及上料姿勢不同，需對木板的主切割方向進行矯正計算，計算出木板最左端和最右端的X坐標，代入兩條擬合直線計算出Y值，分別計算左端和右端Y值的中心，兩點連成的直線作為木板的主方向（圖13中心的綠線），該直線的斜率與切割方向的斜率相同，機器切割出來的木板才不會歪，若計算該木板主方向不正，則需要矯正（圖13中dx的距離）。

圖13 木板識別示意簡圖Fig.13 Schematic diagram of wood board identification

得出切割的主方向后，需計算木板的可切割寬度，其計算方式為計算上邊輪廓上的點與木板主方向中心線的距離和下邊緣與木板主方向中心線的距離，將上下可切割距離相加得到木板的最大可切割距離（圖13中兩條長綠線之間的距離）。

得出最大切割距離后，計算皮寬。該系統(tǒng)的皮寬是指矯正后下方綠色直線與1、2所在直線的距離，1和2是送料機構(gòu)的兩個支撐面，是該系統(tǒng)拉條方向的零點參考線。當識別出的切割邊緣線為右側(cè)低于左側(cè)時，需要將右側(cè)向上推送dx距離，當右側(cè)向上運動時，左側(cè)皮寬dx1的距離基本不會變化，因此不同皮寬的木板在推送至對應位置時時，需減去dx1（圖13）。

3 系統(tǒng)測試結(jié)果

木板識別結(jié)果可在視覺屏幕上顯示，L為木板切割的主方向與水平方向左邊軸相比，需要向前調(diào)整的數(shù)值；R為右邊需要調(diào)整的數(shù)值；W為皮寬；RW為木板可切割寬度（mm）（圖14）。線ef為識別到木板切割主方向的中心線，線cd為木板右邊（面對裝置的右邊）可切割的最下邊緣線，線ab為木板左邊可切割的最上邊緣線。線ij為皮寬的計算起始點（皮寬是指左邊木板的切割邊緣與線ij的距離）；在與鋸片校對起始切割點的時候，用ij所對的位置與鋸片起始切割點校準，機構(gòu)在移動至對應切割工位時會減去皮寬的距離，此時切割的木板起始點與木板識別的起始點一致。線kl和線mn分別為左邊和右邊底部橫移機構(gòu)的中心線。線gh為該顯示圖合成的分界線。

圖14 木板識別結(jié)果Fig.14 Wood board recognition results

將人工操作與基于機器視覺的拉條機進行3組對比試驗，每組試驗均為5 h。人工操作裁切的木板數(shù)為2 735塊，正確拉條率為89.36%；基于機器視覺的拉條機裁切的木板數(shù)為3 378塊，正確拉條率為99.95%，其裁切速度與正確拉條率均已超過人工操作（表1）。正確拉條是指木板裁切后的兩個邊合起來的可裁切寬度小于1 cm的木板，正確拉條率是指正確拉條數(shù)與總木板拉條數(shù)之比?；跈C器視覺的拉條機正確拉條率高，滿足木板拉條行業(yè)的需求，提高木板利用率。

表1 人工操作與基于機器視覺的拉條機對比Tab.1 Comparison between manual operation and slitting machine based on machine vision

4 結(jié)論與討論

針對目前木板拉條的需求，設計一種基于機器視覺的木板拉條機，利用機器視覺技術(shù)識別木板輪廓，經(jīng)過數(shù)據(jù)處理得出木板可裁切的寬度、樹皮的寬度，再送至相應的位置進行拉條。該裝置的操作速度和正確拉條率均超過人工操作，識別正確率高、效率高，滿足木材行業(yè)對木板拉條機智能化的要求，節(jié)約了資源，實現(xiàn)拉條機的智能化。在實施過程中還存在以下兩個方面的問題，需要進一步改進。第一，優(yōu)化木板識別算法。本研究采用Sobel邊緣檢測算法對圖像作Y方向的梯度計算，該方法識別速度快，但會將木板中間條紋較深的紋路識別為邊緣，因此需要進一步優(yōu)化算法解決誤判。第二，改進上料模塊。上料時本設計采用疊放木板方式，節(jié)省了放料時間，但由于木板寬度不一致，進料時容易傾斜，發(fā)生卡料的現(xiàn)象，需要改進進料方式，解決卡料的問題。