基于機器視覺的智能破竹分片系統(tǒng)設計與驗證

摘 要：【目的】破竹分片是影響竹材出材率的重要基礎工序。針對竹段的直徑大小跨度大、壁厚不等、圓度不一的個體化特性，提出基于機器視覺的智能分片方法，以提高竹材的出材率。【方法】基于竹段的天然特性和破竹工藝要求，以竹段的真實截面輪廓為基礎，以刀盤可分片的數(shù)量為約束，建立出材率計算模型。通過工業(yè)相機采集竹段的截面圖像，在Canny算子的基礎上引入多尺度細節(jié)增強算法來消除竹材圖像內、外徑間的干擾信息，并通過融合迭代閾值與梯度直方圖分析法自適應獲取雙閾值，以提升竹段截面輪廓提取的魯棒性。采用邊界排序生長算法快速計算剖分竹片的最大內接矩形。在智能破竹機上開展生產試驗驗證?！窘Y果】改進的輪廓提取算法，有效去除了竹材截面圖像的偽邊緣特征，能獲得完整的邊緣輪廓特征，計算獲得的竹材內外徑與真實尺寸的平均誤差為0.9%。同一隨機剖分角度下，本研究方法計算的出料率與最大出材率相比平均偏差為1.3%，小于圓模型的6.3%和橢圓模型的1.6%。通過生產試驗，驗證了基于機器視覺的破竹機智能分片系統(tǒng)的出材率平均可達73%，高于傳統(tǒng)破竹機出材率。【結論】設計的基于機器視覺的智能分片系統(tǒng)，能快速獲取竹段的真實截面輪廓，精準確定剖分份數(shù)，有效提高了竹材的利用率。

關鍵詞：機器視覺；竹材剖分；智能破竹；竹輪廓提取

中圖分類號：S781.9；TS64 文獻標志碼：A 文章編號：1673-923X（2024）08-0159-09

基金項目：福建省自然科學基金項目（2023J01929）；福建省科技計劃創(chuàng)新資金項目（2022C0063）；福建省科技計劃對外合作項目（2023I1013）；福建省財政廳（自科）項目（KY030456）。

Design and verification of intelligent bamboo fragmentation system based on machine vision

YE Jianhuaa， LIU Guanfeia， LIU Bolinga， LUO Fenxianga， WEI Tiepinga， LIN Jizongb（a. School of Mechanical and Automotive Engineering； b. School of Materials Science and Engineering， Fujian University of Technology， Fuzhou 350118， Fujian， China）

Abstract：【Objective】The process of bamboo splitting is a crucial step that affects the yield rate of bamboo materials. To address the individual characteristics of bamboo segments， such as varying diameters， uneven wall thickness， and inconsistent roundness， we propose an intelligent splitting method based on machine vision to improve the yield rate of bamboo materials.【Method】Based on the natural characteristics of bamboo segments and the requirements of bamboo breaking technology， the calculation model of wood yield was established on the basis of the real cross-section outline of bamboo segments and the number of cutter segments as constraints. By using an industrial camera to capture cross-sectional images of bamboo sections， a multi-scale detail enhancement algorithm was introduced based on the Canny operator to eliminate interference information between the inner and outer diameters of the bamboo image. The dual thresholds were adaptively obtained by integrating iterative thresholds and gradient histogram analysis to improve the robustness of bamboo section contour extraction. Using boundary sorting growth algorithm to quickly calculate the maximum inscribed rectangle of sliced bamboo. Conduct production testing and verification on intelligent bamboo breaking machine.【Result】The improved contour extraction algorithm effectively removed pseudo-edge features from bamboo material images and obtains complete edge contour features with an average error between calculated inner/outer diameters and actual sizes at 0.9%. Under random initial splitting angles， our method showed an average deviation from maximum yield rate at 1.3%， which was lower than 6.3% for circular model or 1.6% for elliptical model. Through production experiments， it is verified that the average yield of the intelligent segmentation system based on machine vision can reach about 73%， which is higher than the yield of traditional breaking machines.【Conclusion】The intelligent segmentation system based on machine vision designed can quickly obtain the true cross-sectional profile of bamboo segments， accurately determine the number of segmentation parts， and effectively improve the utilization rate of bamboo.

Keywords： machine vision； bamboo splitting； intelligence breaks bamboo； bamboo contour extraction

我國竹類資源豐富，竹種種類、竹林面積和竹材蓄積量均位于世界前列[1–3]。竹材作為天然可快速再生、綠色環(huán)保的生物質纖維材料，具有高強度、良好的韌性及硬度等優(yōu)勢，應用十分廣泛。近年，隨著“以竹代木”“以竹代塑”的興起，竹材加工產業(yè)獲得了高速發(fā)展[4–6]，也促進了我國的竹材加工裝備的不斷成長[7-8]。破竹是將竹段通過機械剖分得到單元化、規(guī)格化竹條的過程，是竹材加工的基礎工序。竹材的剖分決策方法直接決定著竹材的利用率。

為了提高竹材的利用率，諸多學者開展了相關研究。如，郝景新等[9]建立了制備矩形竹片的竹筒剖分模型，分析了加工余量等因素對材料利用率的影響。劉嘉誠等[10]進一步建立了不同竹筒直徑、加工余量、開片數(shù)與加工矩形竹片之間的數(shù)學模型，提升了竹材利用率。隨著視覺檢測技術的發(fā)展，一些學者開展了基于機器視覺的竹材直徑檢測與剖分算法的研究。韓偉聰?shù)萚11]利用Sobel算子提取竹子內外輪廓，建立原竹尺寸測量系統(tǒng)，獲得原竹內外周長、厚度等參數(shù)。柴華等[12]將Sobel和蟻群算法相結合提取出連續(xù)且粗細均勻的竹材截面的內外輪廓，獲得竹材端面的內外面積、厚度的數(shù)值。周美佳等[13]建立了基于橢圓分段擬合的竹材剖分模型，結合機器視覺技術設計了剖分刀具自動選擇方法。目前學者建立剖分模型時，對竹段的形狀進行了不同程度的簡化，未全面地考慮竹段的壁厚不等、圓度不一等差異化因素對竹材出材率的影響，導致實際應用時存在偏差。

為此，本研究以提高竹材出材率為目標，提出一種基于機器視覺的智能破竹分片系統(tǒng)，規(guī)劃竹材最佳剖分分數(shù)。具體來說，本研究建立基于真實輪廓剖分模型的剖分份數(shù)的計算方法，根據(jù)截面輪廓竹材出材率的計算模型，提出基于視覺檢測竹材剖分決策方法：首先，通過相機采集竹材截面圖像；其次，利用改進的Canny算子提取竹材截面真實邊緣；接著，根據(jù)提取的真實輪廓，以出材率的最大化為準則，以刀盤可分片的數(shù)量為約束，選取不同分片數(shù)對竹材等分，分別計算剖分后每塊竹片邊緣和最大內接矩形所包含像素點個數(shù)，并帶入出材率計算模型得到對應出材率數(shù)值；最后，根據(jù)計算的出材率數(shù)值選取最優(yōu)剖分份數(shù)所對應刀具實現(xiàn)在線智能分片?；谘邪l(fā)的自動破竹系統(tǒng)樣機，對智能換刀算法的性能與效果進行試驗。

1 材料與方法

1.1 破竹工藝分析

竹段的實物如圖1a所示，不同竹段存在壁厚不等、圓度不一、直徑大小跨度大等特點，竹段的截面形狀如圖1b所示，呈現(xiàn)明顯的陰暗面壁厚不等、截面輪廓不規(guī)則的特性，難以通過標準圓或橢圓等規(guī)則幾何圖形來表征。

竹段的破竹剖分工藝流程如圖2所示，其工序大致可分為：上料、截面測量、剖分數(shù)決策、刀盤選擇、推送剖分、拉拔到下料分堆等。具體工藝過程為：自動上料裝置將標準長度的竹段運轉至截面測量工位，截面測量裝置對竹段的截面尺寸進行測量。然后，根據(jù)測量的結果，以竹材利用率最大化為準則，以刀具可分片的數(shù)量為約束進行分片數(shù)的計算。接著，根據(jù)計算的分片數(shù)量，選擇對應的刀具到剖分工位，通過推送機構進行竹段的剖分，在推送的同時拉拔機構進行竹段已剖分端的夾持拉拔。最后，將剖分好的竹片根據(jù)片寬、壁厚進行自動分堆。竹段剖分工藝過程中最為關鍵的步驟是竹段截面的測量和剖分數(shù)的決策計算，測量的準確性和剖分數(shù)直接影響竹材出材率，進而影響經濟效益。因此，竹段的截面測量和剖分數(shù)的決策方法成為決定剖竹系統(tǒng)性能的重要影響因素，也是剖竹系統(tǒng)研究的重點所在。

1.2 出材率模型設計

由于竹子具有中空、彎曲等特性，破竹剖分后的竹片在后續(xù)加工利用時并不能全部使用，通常將竹材出材率定義為可用于加工竹制品的規(guī)格化竹條的矩形面積之和與生產該產品所消耗的竹材總面積的比值[14]。為了計算和控制的方便，傳統(tǒng)方法是將竹材截面輪廓近似擬合成圓形或橢圓，再進行剖分數(shù)的等分計算。這類方法沒有考慮竹材橫截面的不規(guī)則對成材率的影響。

如圖3所示，部分竹材的截面內外輪廓呈現(xiàn)不規(guī)則形狀，以及厚度分布不均勻和邊緣輪廓凹凸不平的現(xiàn)象，若按傳統(tǒng)竹材剖分計算模型直接將竹材截面輪廓近似擬合成圓形或橢圓，會導致擬合所得內外輪廓偏離竹材真實輪廓，使得基于剖分模型計算的出材率偏離實際值，如圖4所示。

為了獲得更加準確的出材率，本研究提出基于竹材截面邊緣輪廓的竹材剖分模型。基于竹材截面的邊緣輪廓對出材率的影響，本研究定義截面輪廓竹材出材率η為：

1.3 基于改進Canny的竹材邊緣檢測算法

Canny算法的核心是計算圖像的梯度幅值與方向的極大值來提取邊緣特征[15]。Canny算子主要步驟包括：1）利用高斯濾波器對圖像降噪；2）計算梯度幅值和方向；3）非極大值抑制消除冗余點；4）利用雙閾值抑制弱邊緣，提取真實邊緣。對于竹材截面圖像邊緣輪廓提取，由于竹材截面存在大量黑色干擾點，且竹材內徑與鄰域對比度低，直接采用Canny算法會導致邊緣提取結果存在大量與內徑粘連的干擾邊緣難以剔除。另外在雙閾值篩選邊緣點時，高、低閾值需要手動設置，不具備自適應性，難以適用實際情況。

為此，本研究針對傳統(tǒng)Canny算子難以提取竹材邊緣特征信息，基于多尺度圖像細節(jié)增強算法[16-17]對原始Canny算法中高斯濾波后的圖像進行細節(jié)增強；引入基于直方圖分析法與迭代法[18]獲取最佳閾值，以解決原始Canny算法依賴人為選取雙閾值的弊端，改進后的算法流程如圖5所示。

1.3.1 竹材截面圖像的多尺度細節(jié)增強

1.3.2 基于直方圖分析法與迭代法的自適應閾值選取方法

閾值的選取是Canny算子提權邊緣信息的重要影響因素。為了解決傳統(tǒng)Canny算法無法自適應選取合適的閾值，本研究結合梯度直方圖分析方法與迭代法實現(xiàn)自適應獲取雙閾值[19]。圖7為竹段橫截面圖像增強后的邊緣梯度直方圖，由圖可得非邊緣像素的梯度幅值較小且數(shù)量較多，邊緣像素的梯度幅值較大且邊緣像素數(shù)量非常少。根據(jù)梯度直方圖的信息，本研究進一步采用迭代法選取高低閾值，計算方法為：1）選取梯度直方圖的平均值作為初始閾值T；2）計算梯度小于等于T的像素點的梯度平均值T1與大于T的梯度平均值T2；3）選取新梯度閾值T′等于（T1+T2）/2；4）若新梯度閾值T′等于原梯度閾值T，則返回T，即為迭代閾值，否則令T等于T′，重復1）至3）。

1.4 最大內接矩形檢測方法

目前不規(guī)則物體的最大內接矩形計算方法有很多，如遍歷中心擴散法、基于改進遺傳算法的任意圖形最大內接矩形求解法等。本研究采用文獻[20]提出的邊界排序生長算法。其算法的思想是以最快的速度選定一個最有可能成為最大內接矩形的初始矩形，對其超出的部分進行收縮，不足的部分進行擴張，從而達到又快又準的效果。主要分為選擇初始矩形、逆生長和正生長三個步驟，如圖8所示。

首先，如圖8所示的竹條截面圖像，遍歷圖像輪廓所含像素點并計算各像素點橫、縱坐標之和與之差，選取其中橫、縱坐標之和與之差為最值的4個像素點，并按升序對像素點橫、縱坐標進行排序，選取排在第二位像素點的橫、縱坐標作為初始矩形的左上角點P1（x1，y1），排第三位像素點的橫、縱坐標作為初始矩形的右下角點P3（x2，y2），進而得到初始矩形的其余兩點P2（x2，y1）、P4（x1，y2）。由于竹片截面的上下邊緣呈弧狀，因此P1點與P2點的連線包含在竹片區(qū)域之外的像素點，即初始矩形不完全在竹片區(qū)域內，故需先進行“逆生長”操作。具體為：按順時針循環(huán)遍歷初始矩形四條邊上的所有點，其中包含超出竹片區(qū)域像素點的邊向內收縮一個像素單位，直至四條邊都落入竹片區(qū)域內，得到過渡矩形 1 2 3 4PP P P′′′′。由于過渡矩形并未達到最大值，故需對過渡矩形進行“生長”操作，即過渡矩形的邊向外擴張直至4條邊碰到竹片區(qū)域邊界，最終得到矩形 1 2 3 4PP P P′′′′。

2 結果與分析

為驗證基于機器視覺得智能剖分方法的有效性，第一組試驗，在結合多尺度細節(jié)增強后，對傳統(tǒng)Canny算法、文獻[5]所提算法和本研究方法的邊緣檢測結果進行比較分析；第二組試驗對本研究邊緣檢測方法所提取邊緣的準確性進行分析；第三組試驗對圓剖分模型、橢圓剖分模型和本研究的基于輪廓的剖分模型進行出材率的計算與比較分析。采集大小為945×945的不同竹材端面圖片，包括端面趨近于標準形狀、厚度不均等。本研究的試驗環(huán)境為：操作系統(tǒng)Windows 10 64位系統(tǒng)，CPU AMD Ryzen 5 5600U with Radeon Graphics，16 GB內存。編程語言為C++ 8.1.0、Opencv-cpp-4.5.2。

2.1 圖片邊緣檢測結果分析

為了驗證本研究算法的竹材截面邊緣輪廓提取效果，分別采用傳統(tǒng)的Canny算法、文獻[5]算法和本研究改進后的Canny算法對竹材截面邊緣圖像進行了邊緣輪廓提取對比試驗，其中傳統(tǒng)Canny算法與本研究算法的高斯濾波核大小取3，傳統(tǒng)Canny算法分割閾值?。?5，25）。如圖9所示，為三種邊緣檢測算法提取竹材截面圖像邊緣輪廓試驗結果。

由圖9可知，傳統(tǒng)Canny算法與文獻[5]算法可以完整提取竹材截面內外徑輪廓，但存在較多偽邊緣，部分偽邊緣與外邊緣粘連，難以通過后續(xù)圖像處理去除。通過對比可以看出，本研究算法有效去除了竹材截面圖像的偽邊緣特征，同時完整的保留了真實的邊緣輪廓特征。

2.2 尺寸檢測與誤差分析

不規(guī)則竹材的邊緣輪廓實際面積難以測量，本研究使用竹材截面內、外徑的尺寸測量值與實際值的誤差來評價邊緣提取算法的精度。為了得到竹材截面內、外徑尺寸的測量值，需將檢測得到的像素距離轉換為物理空間距離，采集多組原竹截面圖像，利用上述算法得到內外徑尺寸。視覺測量結果及其與實際測量值誤差對比如表1所示。

由表1數(shù)據(jù)可知，圖像處理測得竹材內外徑與真實尺寸的最大誤差為1.3%，最小誤差為0.1%，平均誤差為0.9%。因此，本研究提出的邊緣提取算法能有效的提取竹材內、外輪廓，可以有效的運用于基于邊緣輪廓的竹材剖分模型。

2.3 輪廓剖分模型結果及分析

由于竹材端面的形狀各異，為了更直觀地對比本研究剖分模型分別與圓剖分模型和橢圓剖分模型，采集竹材截面圖像分別計算三種模型下的出材率以及出材率最大值進行比較。采用圓剖分模型與橢圓剖分模型計算出材率時，在竹截面輪廓提取的基礎上，對竹材圖像進行擬合處理，以獲得竹材端面理想化為圓與橢圓。

在出材率最大剖分份數(shù)下，設置的初始剖分角度相同，但隨機確定，用三種剖分模型進行計算，圖10所示給出了部分竹段的計算結果。圖中，紅色虛線為竹段的最大出材率。由圖可知，與竹段的最大出材率相比，圓模型的偏差最大，平均偏差為6.3%；橢圓模型的偏差次之，平均偏差為1.6%；而本研究基于輪廓的模型偏差最小，平均為1.3%。進一步分析可知，只有當竹材截面接近標準圓形時，如圖10的圖片7，三種模型計算的出材率相近且與出材率的最大取值誤差較小；當竹材截面接近標準橢圓時，如圖10的圖片4，以橢圓剖分模型計算的出材率具有較小的偏差，其實是因為該模型忽略了壁厚對出材率的影響，計算的出材率偏高，使得從結果上更接近于最大出材率；而采用圓剖分模型，則會導致較大的偏差。上述兩種類型的竹段在實際生產中的占有一定比例，其他更普遍的情況下，本研究模型的效果最好。

2.4 破竹機智能分片系統(tǒng)生產測試結果

為了驗證基于機器視覺的破竹機智能分片系統(tǒng)的有效性，選取部分竹材按直徑尺寸分為三組進行試驗驗證，相關參數(shù)如表2所示；破竹機智能分片系統(tǒng)試驗樣機及試驗現(xiàn)場如圖11所示。

破竹機智能分片系統(tǒng)生產試驗結果如表3所示。整理試驗數(shù)據(jù)可得出竹材的實際出材率平均可達73%，高于傳統(tǒng)破竹機出材率，同時實際生產中由于加工余量等因素導致實際出材率低于理論最大出材率。基于機器視覺的破竹機自能分片系統(tǒng)滿足生產要求，針對不同竹材選取最優(yōu)剖分參數(shù)，提高竹材出材率，為破竹機的進一步改進提供了技術支持。

3 結論與討論

3.1 結 論

針對現(xiàn)有竹材分片系統(tǒng)在剖分大小不一或厚度不均竹材時效果不佳的問題，本研究研究設計了基于機器視覺的竹材智能剖分系統(tǒng)。本研究建立基于竹材截面邊緣輪廓的剖分模型，相比于傳統(tǒng)剖分模型，本研究剖分計算模型考慮了竹材厚度分布不均等特性，計算所得結果相較于傳統(tǒng)模型具有更高的準確性。針對所采集竹材截面圖像存在的干擾因素，利用改進的Canny算子對采集所得竹材圖像進行邊緣特征提取，該算法采用多尺度圖像融合增強竹材圖像邊緣信息，及結合梯度直方圖與迭代法選取雙閾值，使得本研究算法擁有更強的魯棒性。結合本研究剖分計算模型和邊緣提取算法，進行實際生產試驗，竹材出材率高于傳統(tǒng)破竹機出材率，滿足生產要求。結果表明：本研究設計的基于機器視覺的智能分片系統(tǒng)，可以適應不同類型竹材的剖分和選擇更加合理的刀具，提高竹材利用率。

3.2 討 論

盡管本研究提出的自能破竹分片方法在竹材剖分任務中取得了不錯的效果，但還是存在著一些局限。本研究所提出的竹材剖分計算模型依賴于圖像的邊緣提取結果，而不同的作業(yè)場景下所采集到的竹材圖像是不同的，可能包含更多的干擾噪聲，如竹屑等。因此，在后續(xù)的工作中需要繼續(xù)改進該方法，使得該方法能適用包含更多干擾信息的場景，提高算法的泛化性。

參考文獻：

[1] 李嵐，朱霖，朱平.中國竹資源及竹產業(yè)發(fā)展現(xiàn)狀分析[J].南方農業(yè)，2017，11（1）：6-9. LI L， ZHU L， ZHU P. Analysis on the development status of bamboo resources and bamboo industry in China[J]. South China Agriculture，2017，11（1）：6-9.

[2] 任明亮，宋維明.國內外竹產業(yè)研究的現(xiàn)狀與未來[J].林業(yè)經濟，2008（6）：33-37. REN M L， SONG W M. Global bamboo industry research： present and future[J]. Forestry Economics，2008（6）：33-37.

[3] XU X X， XU P Y， ZHU J J， et al. Bamboo construction materials： carbon storage and potential to reduce associated CO2 emissions[J]. Science of The Total Environment，2022，814： 152697.

[4] ZHOU J B， FU W S， QING Y， et al. Fabrication and performance of a glue-pressed engineered honeycomb bamboo （GPEHB） structure with finger-jointed ends as a potential substitute for Wood Lumber[J]. BioResources，2015，10（2）：3302-3313.

[5] LIU T H， WEN Y L， LI G Q， et al. Optimization and experimental study of an intelligent bamboo-splitting machine charging manipulator[J]. Journal of Robotics，2020（3）：1-10.

[6] BINFIELD L， BRITTON T L， DAI C P， et al. Evidence on the social， economic， and environmental impact of interventions that facilitate bamboo industry development for sustainable livelihoods： a systematic map protocol[J]. Environmental Evidence，2022，11（1）：33.

[7] 劉延鶴，雷永杰，周建波，等.竹材自動定段設備的設計與樣機試驗[J].林業(yè)工程學報，2022，7（4）：128-134. LIU Y H， LEI Y J， ZHOU J B， et al. Design and prototype test of bamboo automatic segmental equipment[J]. Journal of Forestry Engineering，2022，7（4）：128-134.

[8] WANG R J， GUO Z W， CAI C J， et al. Practices and roles of bamboo industry development for alleviating poverty in China[J]. Clean Technologies and Environmental Policy，2021，23（6）： 1687-1699.

[9] 郝景新，劉文金，吳新鳳.基于制備矩形竹片的竹筒剖分優(yōu)化研究[J].中南林業(yè)科技大學學報，2012，32（11）：177-180. HAO J X， LIU W J， WU X F. Optimal model for lengthwise cutting bamboo tube to prepare rectangle strip[J]. Journal of Central South University of Forestry Technology，2012，32（11）： 177-180.

[10] 劉嘉誠，謝力生，李婷，等.矩形竹片剖分模型在竹筒開片中的應用[J].東北林業(yè)大學學報，2021，49（9）：106-111. LIU J C， XIE L S， LI T， et al. Bamboo tube lengthwise cutting by using rectangular strip splitting model[J]. Journal of Northeast Forestry University，2021，49（9）：106-111.

[11] 韓偉聰，鮑光海.基于機器視覺的竹材尺寸測量系統(tǒng)設計[J].中國測試，2016，42（7）：74-78. HAN W C， BAO G H. Design of measurement system of bamboo size based on machine vision[J]. China Measurement Test， 2016，42（7）：74-78.

[12] 柴華，任洪娥，張俊卿.利用Sobel算子結合蟻群算法提取竹材的內外輪廓[J].哈爾濱理工大學學報，2014，19（1）：54-58. CHAI H， REN H E， ZHANG J Q. The extraction of bamboo’s inner and outer contours using Sobel operator to ant colony algorithm[J]. Journal of Harbin University of Science and Technology，2014，19（1）：54-58.

[13] 周佳美，刁燕，田興國，等.基于橢圓截面剖分模型的原竹剖分刀具自選方法研究[J].林產工業(yè)，2022，59（10）：28-33. ZHOU J M， DIAO Y， TIAN X G， et al. Research on self-selection method of bamboo splitting tool based on splitting model[J]. China Forest Products Industry，2022，59（10）：28-33.

[14] 楊春梅，包玉瑩，馬巖，等.竹材四面銑削三面剖分加工方式的出材率分析[J].西北林學院學報，2015，30（5）：230-234，240. YANG C M， BAO Y Y， MA Y， et al. Outturn rate of all side milling and three side splitting of bamboo timber processing[J]. Journal of Northwest Forestry University，2015，30（5）：230-234，240.

[15] KIM J， LEE S. Extracting major lines by recruiting zerothreshold Canny edge links along Sobel highlights[J]. IEEE Signal Processing Letters，2015，22（10）：1689-1692.

[16] 黃夢濤，連一鑫.基于改進Canny算子的鋰電池極片表面缺陷檢測[J].儀器儀表學報，2021，42（10）：199-209. HUANG M T， LIAN Y X. Lithium battery electrode plate surface defect detection based on improved Canny operator[J]. Chinese Journal of Scientific Instrument，2021，42（10）：199-209.

[17] QIN Y Y， CUI W， LI Q， et al. Traffic sign image enhancement in low light environment[J]. Procedia Computer Science，2019，154： 596-602.

[18] 吳濤，劉衛(wèi)華，張旺，等.基于改進Canny算法和Hough變換的脈沖氬弧焊坡口邊緣提取研究[J].熱加工工藝，2024（9）： 23-27. WU T， LIU W H， ZHANG W， et al. Study on groove edge extraction during pulsed argon arc welding based on improved Canny algorithm and Hough transform[J]. Hot Working Technology，2024（9）：23-27.

[19] 杜春洋，郭俊杰，李昌非.基于改進Canny算子的焊縫圖像邊緣提取研究[J].激光雜志，2023，44（4）：74-79. DU C Y， GUO J J， LI C F. Research on edge extraction of weld image based on improved Canny operator[J]. Laser Journal， 2023，44（4）：74-79.

[20] 鄒哲康，朱錚濤，陳映謙，等.基于機器視覺的最大內接矩形快速檢測算法[J].計算機測量與控制，2021，29（6）：194-198. ZOU Z K， ZHU Z T， CHEN Y Q， et al. A fast detection algorithm for maximum inlined rectangle based on machine vision[J]. Computer Measurement Control，2021，29（6）：194-198.

[本文編校：羅 列]