Page 43 - FDMChina 2026 5/6
P. 43
Technology 技术
Ivan Milovanov
由约 73% 提升至接近 80%。例如，国内某大型设备 示进给速度对表面粗糙度的影响最为显著，锯片转
制造企业在其高产能自动化砂光线中配置了基于视 速次之。2025 年，已有学者提出采用改进鲸鱼优化
觉成像与人工智能技术的板材表面在线检测系统， 算法训练的 BP 神经网络模型（即通过模拟鲸鱼捕食
能够实时识别并自动分拣板材表面的各类缺陷，砂 行为的智能算法自动优化神经网络的连接权重与结
光速度可达每分钟上百米， 日产量可达数千立方米。 构， 从而获得更高精度的木材表面光泽度预测工具）
在工艺参数优化领域，机器学习方法正发挥着 来预测热处理木材表面的光泽度，这也为木材热处
日益重要的作用。研究者利用反向传播神经网络构 理工艺的精准调控提供了高效手段。
建木塑复合材料铣削加工的表面粗糙度预测模型， 更为重要的是，人工智能与机器人技术的融合
所建立的模型最大预测误差低于 5%，并借助多目标 正在推动缺陷修复工序走向自动化。据了解，国外
优化算法寻找使表面粗糙度最小化同时材料去除率 一研究团队开发了一款自主移动机器人平台，该平
最大化的工艺参数组合。在圆锯锯切木材过程中， 台将全向移动底盘、六轴协作机械臂和精细调校的
人工神经网络被用于建立切削功率与表面粗糙度之 视觉系统相结合，能够自动识别、铣削并修补梁材
间的预测关系，响应曲面法（一种用于分析多个因 表面的节疤缺陷。该系统的视觉模型可将木质原材
素及其交互作用对结果影响的统计方法）则帮助识 料上节疤的平均修复时间压缩至大约一分多钟，相
别各项加工因素对表面质量的影响权重——结果显 比熟练人工操作缩短了超过一半的工作时间，且绝
亚洲木工业 二零二六年五月至六月份 41
