首页期刊导航|林业机械与木工设备
期刊信息/Journal information
林业机械与木工设备
林业机械与木工设备

王琦

月刊

2095-2953

linji1966@163.com

0451-86663021；86680140

150086

哈尔滨市南岗区学府路374号

林业机械与木工设备/Journal Forestry Machinery & Woodworking Equipment北大核心CSTPCD
查看更多>>本杂志是经国家科技部和国家新闻出版署审核批准，由国家林业局主管，哈尔滨林业机械研究所主办，中国林业机械学会、中国林学会林业机械分会、国家木工机械质量监督检验中心协办的全国公开发行的国家级学术期刊。该杂志熔学术、技术、知识、信息于一炉，主要报道国内外林业与木工机械、人造板设备诸方面的研究、设计、制造、试验、使用维修和经营管理等方面的最新成果及经验，介绍其发展动向，提供有关信息和资料。
正式出版
收录年代

    基于BP神经网络的刀片切割竹枝性能研究

    杨梦迪周兆兵孙炜商庆清...
    4-9页
    查看更多>>摘要：为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系.试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善.同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势.在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测.在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值.

    竹枝切割试验刀片切割性能BP神经网络隐含层节点数

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    并联式六维加速度感知机构动力学模型的失效情况研究

    张显著尤晶晶张缘为史浩飞...
    10-13页
    查看更多>>摘要：以三种典型的并联式六维加速度感知机构为例,剖析动力学模型失效时的情况,并揭示失效机理.首先,通过计算机构雅可比矩阵的秩,挖掘动力学方程失效的第1种原因——奇异位形.其次,通过分析机构的工作频带,挖掘动力学方程失效的第2种原因——基频共振.然后,通过分析机构支链出现故障时的输入输出关系,挖掘动力学方程失效的第3种原因——支链故障.最后,开展了虚拟样机实验.研究表明,六维加速度感知机构在实际工作时,应避开以上3种情况.

    六维加速度传感器并联机构动力学雅可比矩阵

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于YOLOv7的苹果叶片病理检测改进方法

    吕鹏邹红艳朱瑞林
    14-18,49页
    查看更多>>摘要：我国是传统的农业大国,先进的苹果叶片病理检测方法可以有效减少林地的农药喷洒,减轻农民经济负担,同时对保护环境,减少土壤污染有着重要的意义,但是目前的苹果叶片病理虫害的很多检测模型都无法准确、及时、有效地检测到不同的虫害表面,这便阻碍了机器学习模块在苹果等林作物上的发展.在基于YOLOv7的基础上添加卷积注意力机制模块(CBAM)和轻量模型(MobileNet),建立一个新的检测模型Pest-Net.并采用CBAM注意力机制,兼顾空间和通道,多方位提高苹果叶片的缺陷检测精度,但会增加冗余的参数,需要更多的计算资源,因而结合MobileNet轻量模型,减少计算量,提高检测速度.引入SIOU损失函数提高该模型的鲁棒性.实验结果表明:与其他四种常见的目标检测模型相比,Pest-Net在mAP值(97.1％)和精确度(94.5％)上均取得了更高的准确率,有着更好的应用前景.

    苹果叶病目标检测损失函数注意力机制YOLOv7

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于YOLOv7的糖果气泡缺陷识别研究

    方晓东朱婷婷吴旻李星佑...
    19-23页
    查看更多>>摘要：在硬糖制造过程中,由于糖浆温度不稳定、搅拌不均等原因导致硬糖中出现气泡缺陷,影响其外观和口感,因此需要对含气泡的硬糖进行检测剔除.针对糖果气泡缺陷小且位置不固定的问题,提出了一种基于YOLOv7的糖果气泡缺陷识别算法.首先,采集糖果的彩色图像和深度图像,并对其彩色图像进行直方图均衡化和中值滤波,构建糖果气泡缺陷数据库;然后,构建基于YOLOv7的气泡缺陷识别模型,采用SimOTA和ReOrg操作提高模型运算速度和识别精度;最后,将构建的糖果气泡缺陷识别模型与现有的其他深度学习目标检测算法进行对比,实验结果表明所提出的识别模型综合性能最优.

    目标检测糖果气泡YOLOv7在线检测

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于改进YOLOv5算法的实木板材表面缺陷检测

    沈胤熙刘英杨雨图
    24-29页
    查看更多>>摘要：实木板材在世界范围内被广泛地应用于建筑、家居、艺术等领域,由于板材表面存在着影响其性能的不同种类的缺陷,而人工去除实木板材缺陷生产效率较低,质量无法保证.为了解决实木板材表面缺陷检测中存在的效率低下及过分依靠工人主观判断的问题,将机器视觉和深度学习方法相结合,利用机器代替人对实木板材进行缺陷检测.具体使用彩色CCD相机采集了赤松和樟子松两种实木板材,裁剪成共计1 500张大小为2 048x2 048像素的木材图片,图片中包含着活节、死节、髓心及裂缝缺陷.在YOLOv5结构基础上,受到了 Vision Transformer的启发,在主干网络中使用了全局注意力模块来改进算法,并且针对实木板材的横向锯切方式修改了损失函数,以求在实木板材缺陷检测锯切这一任务中获得更好的效果.充分训练后在测试集上整体mAP达到0.974,召回率达到0.946,较未改进的YOLOv5分别提高了 5.98％和9.36％,表现出一定优越性.

    实木板材缺陷检测YOLOv5算法VisionTransformer木材加工

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于机器视觉的智能搬运机器人设计

    兰天翔刘英
    30-35页
    查看更多>>摘要：搬运机器人作为一种工业生产设备,为了进一步适应工作环境,解放劳动力,对其智能化程度的要求越来越高.在此背景下,为了满足实际生产的需求,在保证搬运机器人现有功能的情况下,需尽可能进一步提高搬运机器人的智能化程度,设计并实现了一种基于机器视觉的智能搬运机器人,探索机器视觉在搬运机器人中的应用.具体选择直角坐标结构作为机器人的机械结构,选用同步带型直线模组作为搬运机器人的传动机构.采用STM32F103C8T6最小系统板,设计并实现了下位机的搭建及控制程序编写.使用tkinter作为开发工具,设计并编写了上位机软件.使用OpenC V,通过摄像头捕捉画面,经过图像处理后,获取物块颜色及位置信息.并针对搬运任务的路径规划进行了研究,通过图与网络模型及方法,对搬运机器人的路径规划任务进行了分析,建立了相应的图与网络的数学模型,使用KM算法实现了搬运机器人的路径规划.

    搬运机器人机器视觉路径规划

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于通道权重分配的铁路物资仓储库区物体分类识别方法

    陈世君孙梦飞
    36-42页
    查看更多>>摘要：铁路物资仓库中货物种类广、数量多,人工搬运困难,急需建设无人仓库以提升物资管理水平.但是,铁路物资仓库常有紧急抢修任务,货物动态性高,人机混合,工人与货物、车体之间相互遮挡,对物体识别造成较大影响.因此,如何准确识别仓库中常见物体并及时做出任务调整,成为了铁路仓库智能化运行中亟待改善的问题.在YOLOv8模型的基础上,在主干网络部分加入SE(Squeeze-and-Excitation)注意力模块,对损失函数进行优化,提出了 YOLOv8-S铁路检修仓储库区物体识别模型.通过引入SE模块,YOLOv8网络可以通过在不同通道间分配权重达到主次优先的目的,提高模型对特征的关注力,进一步提高模型分类的能力,优化后的损失函数通过最小化预测边界框和真值边界框之间的点距离来计算IoU,简化了计算过程.采集铁路检修仓库中出现频率较高的叉车、货物、工作人员与货架4类物体图像作为数据集,为保证数据集质量,采用MSE均方误差去除冗余图像,共得到1 000幅图像.对4类物体进行标注并送入训练模型.测试结果表明,模型召回率为83.7％,平均均值精度达到87.6％,与原始YOLOv8相比,YOLOv8-S的召回率提高了3.8％,平均均值精度提高了 4.3％.结果表明,YOLOv8-S网络可以准确地实现铁路检修仓库中常见物体的识别.

    物体识别铁路检修仓储库区YOLOv8算法注意力机制

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于YOLOv7网络的废弃塑料瓶颜色智能分选系统研究

    倪瑞涛邹红艳倪超朱瑞林...
    43-49页
    查看更多>>摘要：由于分拣环境中塑料瓶形状、颜色多样,人工提取的特征往往存在着主观性,可能丢失重要的信息或特征之间的复杂关系,从而导致塑料瓶分类效果差等问题,研究提出了一种基于卷积神经网络的废弃塑料瓶颜色分选系统.收集了市面上常见的塑料瓶,使用工业相机采集图像,使用labelimg进行人工标注制作数据集,通过数据增强来增扩数据集,提高训练模型的鲁棒性.利用YOLOv7卷积神经网络模型进行颜色分类的检测识别,使用喷阀筛选目标颜色的塑料瓶.实验表明,实时检测准确率高达95.7％,具有高度自动化和智能化水平,在回收行业中具有较高的应用价值.

    颜色分类废弃塑料瓶YOLOv7智能分类

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于改进YOLOv7的复杂背景农间杂草检测

    刘晨晖邹红艳吕鹏朱瑞林...
    50-54,59页
    查看更多>>摘要：大田作物智慧种植作为智慧农业的重要发展目标,也是未来农业发展方向.农作物生长周期往往伴随着杂草的不断生长,杂草生命力旺盛,与农作物争夺水分、阳光、生长空间,严重影响农作物的正常生长.目前农间除草方式包括人工除草、机械除草、除草剂除草等,不仅耗时耗力且效率低,残留药物甚至造成土壤肥力下降和环境污染.提出一种改进YOLOv7算法实现复杂背景下的农间杂草检测,具备高效性和精准性,以解决现有目标检测模型对识别杂草准确率低和小目标检测率不高的问题.该方法通过引入轻量级的FasterNet结构,使网络模型拥有较高精确度和速度的同时降低参数量;添加CA注意力机制,在不同坐标轴进行注意力池化,使模型学到更准确的特征;将原始YOLOv7的CIoU损失函数更替为Focal-EIoU损失函数,降低样本不平衡性.实验结果表明,基于改进YOLOv7的复杂背景农间杂草检测,平均精度均值mAP为93.7％,较原YOLOv7模型提高4.2％.

    杂草检测YOLOv7数据增强特征融合

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于深度学习的智能采摘机器人

    周海燕刘英卢文博金立国...
    55-59页
    查看更多>>摘要：我国是果蔬生产大国,果蔬的采摘耗时耗力,研究开发自动识别、采摘、收集果蔬的智能采收机器人,可以减轻农业从业者的劳动强度,提高果蔬采摘行业的自动化水平.视觉系统是实现果蔬智能采摘的关键技术,基于深度学习的识别模型有利于提高果蔬的检测和定位精度.主要运用YOLOv3网络训练了采摘识别模型,该模型可以识别场地中的十字标,将十字标中心三维坐标值反馈到无人车控制板,对无人车位置进行了二次校准;该模型还用于果蔬品种和成熟度的识别,并获取成熟果蔬中心点的三维坐标值,将成熟果蔬坐标值带入逆运动学求解得出合适的运动轨迹反馈给机械臂,实现机械臂与相机的"手眼协同".最后,设计开发好的机器人在实验场地上进行果蔬抓取,验证了智能采摘机器人的可行性.

    机器人深度学习视觉识别

      原文链接:
    • NETL
    • NSTL
    • 维普
    • 万方数据