相比刨花板传统机械铺装技术,刨花板气流铺装技术在提高生产效率和适应性方面具有明显优势,并满足大产能加工需求。刨花板气流铺装的原理是刨花在垂直落下过程中受水平方向的气流作用,将粗细刨花吹开,在输送皮带作用下,使粗刨花排在芯层,细刨花排在表层。刨花板气流铺装表层刨花颗粒的细腻度是评估其成型质量的重要标准,直接受到铺装箱内气流场稳定性与均匀性的影响。本研究针对刨花板气流铺装成型工段板坯表面细腻度不佳问题,对正压气流分配装置进行了气流场测试、气流场仿真以及刨花气流铺装试验探索,旨在研究气流分配装置内部结构变化对铺装箱内部气流场状态以及板坯表面细腻度的影响规律。基于气流场测试结果,建立了从1层网孔板逐步叠加至5层网孔板的CFD(计算流体力学)模型,得到在叠加不同数量网孔板前提下气流分配装置气流场状态以及铺装箱内部气流场状态的变化趋势。测试数据与仿真结果显示,当气流分配装置内部网孔板数量逐渐增加时,气流由局部喷射状转变为均布整流状,同时箱体内部气流湍动逐渐减小并过渡为层流状态,铺装箱内部气体压力逐渐趋于稳定。实际铺装试验结果证实,在6,16和25 mm 3种厚度下,当累加至5层时可达到最佳表面细腻度水平。
叶片表型检测是感知杨树生长状态的重要手段之一,叶片颜色、姿态、纹理等形态结构表型信息可揭示植株所受胁迫的程度。其中,单个叶片分割是计算、统计其表型参数的基础。当前流行的AI算法已可满足叶片分割任务的性能需求,然而常规深度学习模型训练需要大量人工标签,制约了其发展和应用。本研究提出一种融合零样本学习和迁移学习的杨树叶片实例分割方法:运用视觉大模型GroundingDINO检索杨树苗图像中的叶片,获取对应的边界框;使用Segment Anything 2模型(segment anything model v2,SAM2)分割图像中全部对象,得到对应的掩膜(mask);将GroundingDINO模型生成的边界框作为提示,辅助SAM2过滤出叶片类别的掩膜;利用迁移学习策略,将AI生成的叶片掩膜作为标签信息,训练轻量化的YOLOv8-Segment模型。此外,构建独立测试集用于评估模型分割精度,选择交并比阈值为50%的平均精度(average precision using 50%intersection over union threshold,AP_(50))和平均交并比(mean intersection over union,mIoU)作为性能指标。结果表明,基于“Leaf”这一检索词,GroundingDINO与SAM2的组合(权重约810 MB)可实现高性能的杨树叶片分割,AP_(50)为0.936,mIoU为0.778。通过过滤异常尺寸的提示边界框,AP_(50)提升至0.942。迁移学习得到的YOLOv8-Segment模型权重仅6.5 MB,AP_(50)为0.888,大幅精简模型的同时保障了精度。本研究涉及的叶片分割模型构建过程均无须人工标注,实现了高效率、低成本的杨树叶片实例分割,可为杨树叶片计数和叶面积计算等后续表型分析应用提供技术支持。
暂无评论