Разработка модели обработки изображений пиломатериалов для оценки качества

И. В. Тестова, М. В. Ветрова, Д. С. Зайцев

Северный (Арктический) федеральный университет им. М. В. Ломоносова, наб. Северной Двины, 17, Архангельск, 163002, Российская Федерация

Аннотация: В условиях современного лесопромышленного производства контроль качества пиломатериалов представляет собой приоритетную задачу, поскольку дефекты древесины влияют на ее стоимость, дальнейшую переработку и конечное качество продукции. Традиционные методы визуального контроля часто оказываются субъективными, требуют значительных временных затрат и не всегда обеспечивают высокую точность. Автоматизированные системы на основе компьютерного зрения и нейросетевых алгоритмов позволяют существенно повысить объективность и точность контроля качества пиломатериалов. Разработка и тестирование нейросетевой модели сегментации UNet++ предназначены для автоматического выявления дефектов на изображениях пиломатериалов. В работе используется параллельный алгоритм обработки изображений, который состоит из трех этапов: Предобработка изображений - включает удаление шумов, нормализацию, аугментацию и преобразование изображений в тензоры. Разметка данных выполнялась с помощью платформы CVAT (Computer Vision Annotation Tool). Обработка нейросетью - модель UNet++ анализирует изображение и создает маску выявленных дефектов. Архитектура сети включает энкодер timm-mobilenetv3_large_100 и декодер с каналами (256, 128, 64, 32, 16), что позволяет балансировать между точностью и вычислительной эффективностью. Постобработка результатов - переносит контуры масок на исходное изображение, масштабирует результат обратно и сохраняет его для дальнейшего анализа. Разработанный метод автоматизированной сегментации позволяет не только повысить точность обнаружения дефектов, но и существенно сократить время обработки изображений, благодаря параллельному выполнению всех этапов. Это обуславливает целесообразность внедрения на производственных предприятиях, где требуется быстрая и точная диагностика дефектов пиломатериалов. Результаты исследования показали, что предложенный подход превосходит традиционные методы контроля качества по скорости и стабильности работы. Разработанная система может быть полезна для деревообрабатывающих комбинатов, производителей пиломатериалов и мебельных предприятий, где высокое качество исходного сырья играет ключевую роль в производственном процессе. Перспектива исследования заключается в усовершенствовании алгоритмов классификации дефектов и оптимизацию вычислительных ресурсов для работы в реальном времени.

Ключевые слова: обработка изображений пиломатериалов, нейронные сети, UNet++, сегментация изображений, контроль качества пиломатериалов, классификация дефектов, параллельная обработка изображений.

УДК: 004.942

MSC: 91B84