Klassifizierung von Holzoberflächenbildern mithilfe von Mehrfach-Attentions-Graphen-Neuronalen-Netzwerken

Diese Studie zielt darauf ab, die Herausforderung zu bewältigen, Holzoberflächendefekte mit hoher Genauigkeit in realen Fertigungsumgebungen zu erkennen, die von verschiedenen Bedingungen beeinflusst werden. Das Ziel ist der Aufbau eines hybriden Deep-Learning-Modells, das in Echtzeit effektiv arbeiten kann und automatisierte Qualitätskontrolle in der Holzverarbeitung bietet. Das Forschungsteam schlägt eine hybride Architektur vor, die mehrere Modelle kombiniert: You Only Look Once - Version 10 und CenterNet zur genauen und schnellen Lokalisierung von Defektbereichen, Graph Attention Network zur Ausnutzung der räumlichen Beziehungen zwischen Merkmalen und Multilayer Perceptron für die endgültige Klassifizierungsstufe. Gleichzeitig wird der Battle Royale Optimierungsalgorithmus angewendet, um das optimale Merkmal auszuwählen. Das Modell wird auf einem großangelegten Datensatz von 20.275 hochauflösenden Holzoberflächenbildern trainiert und getestet, die 10 verschiedene Arten von Defekten abdecken. Experimente zeigen, dass das Modell eine Klassifizierungsgenauigkeit von 92,7 % und eine Verarbeitungsgeschwindigkeit von 40 fps erreicht, was die Anforderungen an Echtzeitsysteme in der Industrie erfüllt. Das Modell zeigt auch eine gute Generalisierungsfähigkeit, wenn es sowohl offensichtliche Defekte als auch subtile Abnormalitäten effektiv erkennt. Das vorgeschlagene hybride Modellierungsframework verbessert nicht nur die Effizienz der Erkennung von Holzoberflächendefekten, sondern bietet auch eine automatisierte, robuste und hoch skalierbare Lösung für die Qualitätskontrolle in der intelligenten Fertigung. Dies trägt zur Optimierung der Verwendung von Rohstoffen, zur Minimierung von Abfällen und zur Steigerung der Wettbewerbsfähigkeit der Holzverarbeitungsindustrie bei.