基于深度学习与激光三角测量融合策略的竹木复合材料分层率智能检测方法研究

本研究针对竹木复合材料粘接性能评估中分层率(DP)传统人工测量效率低、误差大的行业痛点，创新性地将深度学习(DL)与激光三角测量(LT)技术相融合。研究团队通过模拟九种常见应用场景，系统验证了yolov8模型在DP检测中的局限性——最大相对误差高达100%，并创新性提出LT-DL优化算法，使测量精度提升9.8倍，平均相对误差降至9.0%。该技术突破了粘合剂颜色、基材缺陷等干扰因素的技术瓶颈，为复合材料工业质检提供了自动化解决方案，对推动绿色制造智能化发展具有重要工程价值。

　　

在绿色建筑材料领域，竹木复合材料因其优异的力学性能、湿热稳定性和碳封存潜力，逐渐成为预制建筑和模块化结构的重要材料。这类材料通常以高硬度竹材为表层，轻质速生木材为芯层，通过粘合剂形成夹层结构。然而，其粘接性能的评估始终是行业质量控制的难点——特别是分层率(Delamination Percentage, DP)作为关键指标，目前仍依赖人工测量，存在效率低下、主观误差大、难以满足工业化大规模生产需求等问题。

传统测量方法依据GB/T 17657-2022标准，要求样本DP不得超过10%（GB/T 50708-2012规定），但人工识别存在显著局限性：误差大、变异度高、劳动强度大、耗时严重。虽然机器学习视觉技术在木材加工领域已有成功应用，如木材失效百分比(Wood Failure Percentage, WFP)的测量已尝试采用Fiji-ImageJ软件辅助、三维扫描和机器学习算法，但这些方法仍无法满足工业级精度要求。此前研究虽通过熵权法和调整粘合剂色调特征将WFP测量精度提升至96.6%，但DP的自动化测量技术仍是空白。

为此，中南林业科技大学材料与能源学院的研究团队在《Industrial Crops and Products》发表了创新性研究，首次将深度学习(Deep Learning, DL)技术应用于竹木复合材料DP的自动化检测。研究团队设计了严谨的实验方案：以落叶松和炭化竹为基材，分别采用环氧树脂(EP)、酚醛树脂(PF)和亚甲基二苯基二异氰酸酯树脂(MDI)三种粘合剂，在浸渍和煮沸分层测试条件下，构建了九种常见应用场景的样本组合。通过工业面阵相机采集4024×3036像素的高清图像，建立包含1044张常规图像和1197张激光三角测量图像的数据集，采用YOLOv8目标检测算法进行模型训练。

关键技术方法包括：1）多场景样本制备系统：结合三种基材类型（结构竹集成材、集成材、竹木复合材料）与三种粘合剂（PF、EP、MDI）构建九种实验组合；2）双模式图像采集系统：采用12兆像素工业相机采集常规图像，结合激光三角测量技术获取特征增强图像；3）YOLOv8深度学习架构：利用非极大值抑制(Non-Maximum Suppression, NMS)处理机制优化预测框定位精度；4）激光三角测量优化：通过光学反射定律和相似三角形原理重构分层失效特征。

研究结果揭示了深度学习方法的局限性。在3.1测量精度分析中发现，DL方法在九种场景中仅在A1B2（结构竹集成材+EP）和A3B3（竹木复合材料+MDI）场景中能测量DP，最大绝对误差和相对误差分别高达79.2和100%，平均相对误差达87.9%。灰度直方图分析表明，基材与粘合剂颜色的相似性、材料缺陷等因素严重干扰测量精度。

3.2适应性分析系统阐述了影响因素机制：材料类型方面（3.2.1），木材各向异性纹理、树脂渗透深度变异和95°C以上切割过程的热致色差导致灰度值标准差超过28.4；竹材维管束与胶线灰度值近似（B2≈B1）；木材孔隙结构引入显著噪声。粘合剂类型方面（3.2.2），深棕色PF灰度值较低（A2）且与分层点平均值（A1）近似；透明EP经热压处理后与基材差异显著但分层点灰度仍相似；白色MDI基材灰度值超200但分层区域过小难以识别。缺陷类型方面（3.2.3），节子灰度值（41.89）与分层失效区域（40.56）相对误差仅3.53%；裂纹缺陷灰度值（105.78）与粘合剂（9.67）差异显著但易被误判为分层；节子-裂纹复合缺陷中胶线区域（4.67）与裂纹区域（4.44）灰度值绝对误差仅0.23。

3.3激光三角测量技术优化DL的创新方案解决了上述瓶颈。通过激光三角测量系统重构分层失效特征（图10c），使模型预测准确度提升51倍（图10e-f）。LT-DL方法成功识别出含节子样本的复杂失效模式（图10g），在九种场景中均能准确检测分层失效（图11）。测量精度对比显示（3.3.2），LT-DL与参考值的确定系数R2达0.933，显著高于DL的0.160；最大绝对误差和相对误差分别降至24.5和0.6%，平均绝对误差和相对误差分别为4.5和9.0%，测量精度提升9.8倍（表3）。

研究结论表明，激光三角测量优化深度学习（LT-DL）的方法有效解决了竹木复合材料DP测量中的技术难题。通过重构分层失效特征和聚焦感受野，最小化了其他颜色特征对分层失效特征检测的干扰，使平均绝对误差降至4.5，相对误差降至9.0%，完全满足工业生产要求（误差低于20%）。该技术不仅提升了DP智能评估方法的准确性，为竹木复合材料制造业的绿色生产提供了自动化检测方案，其融合光学测量与深度学习的技术路线更为类似工程计算问题提供了创新性的解决思路。研究成果对推动复合材料质量检测与绿色加工的智能化融合提供了坚实的理论和技术支撑。