基于深度学习的刨花板图像拼接与提取方法研究OA

探究刨花板智能生产线中双相机采集大尺寸板材时图像拼接困难、小目标缺陷漏检率高的解决方法。本研究以河北省唐山市盛奥松木业有限公司刨花板生产线上采集的图像制作数据集,采用SuperPoint与SuperGlue算法进行图像特征提取与匹配,结合RANSAC框架与多频段融合策略实现图像对齐与拼接。针对拼接后的完整图像,构建融合CBAM注意力机制的改进U-Net模型进行表面缺陷分割,测定指标包括拼接质量指标,即平均梯度(AG)、均方根误差(RMSE)、峰值信噪比(PSNR)、结构相似性(SSIM);分割精度指标,即交并比(IoU)、Dice系数、像素准确率、F1分数。结果表明:(1)图像拼接方面,本研究算法的平均梯度为19.87、均方根误差为7.32、峰值信噪比为33.45 dB、结构相似性为0.843,各项指标均优于SIFT、ORB、SIFT-FREAK算法,其中峰值信噪比较SIFT算法提升11.10%,均方根误差较ORB算法降低30.74%。(2)缺陷分割方面,改进U-Net模型的交并比、Dice系数、像素准确率、F1分数分别达到0.822、0.902、0.907、0.902,较基准U-Net模型分别提升9.16%、5.00%、6.36%、7.50%,且各项指标均优于DeepLabv3+模型。验证了本研究所提方法的有效性和可行性,显示出深度学习在刨花板缺陷提取方面的优势。