基于机器视觉的单板表面缺陷实时检测系统,通过单板图像检测单板表面的缺陷种类及面积,并对单板分级评价。而在传送带上高速运动的单板,使采集到的图像出现模糊现象,导致单板表面缺陷实时检测系统无法准确识别缺陷种类和精确计算缺陷面积。图像复原方法作为该问题的有效解决方案,可以避免高昂的硬件成本。但由于运动单板图像中包含复杂的噪声,且运动模糊核较小,所以传统图像复原方法无法达到很好的图像复原效果。为实现运动模糊单板图像的高效复原,本文对基于神经网络的图像复原方法展开研究。本文的主要研究及工作内容如下:1.建立了单板图像数据集。在分析了工业生产与研究内容的需求后,设计了单板图像采集系统结构。依据系统设计进行硬件选型和软件开发,完成单板图像采集系统搭建。再利用旋切单板生产线制备实验用单板,并通过搭建好的单板图像采集系统采集单板图像。对单板图像进行裁剪、旋转、标注、分类等处理后,建立包含2080组模糊-清晰单板图像对的单板数据集。2.研究了传统图像复原方法和基于神经网络的图像复原方法。基于近似L0范数的传统图像复原方法通过迭代求解模糊核,再由解卷积得到复原图像。因为现实场景中的图像往往由复杂的原因导致模糊,这使得模糊核求解成为一种病态问题,所以针对模糊核较小的单板图像很难取得较好的复原效果。而多尺度卷积神经网络以端到端的方式直接求解模糊图像和清晰图像之间的非线性映射,通过实验对比,该方法使不同运动速度下的模糊单板图像的复原效果均得到了提升。3.提出了改进的基于多尺度卷积神经网络的图像复原方法。将多尺度卷积神经网络中各个尺度上的残差块堆叠方式优化为基于残差块的编解码网络,扩大了网络的感受野。并在各个尺度中间加入Conv LSTM,提高特征的利用率。实验结果表明,本文的改进方法提高了不同运动速度下的模糊单板图像的复原效果。本文针对单板表面缺陷实时检测系统中出现的运动单板图像模糊问题,提出了改进的基于多尺度卷积神经网络的图像复原方法,为提升木材产品生产水平提供了理论支持。