“新工科”背景下自动化专业虚拟仿真实验设计

周海燕， 刘 英*， 农春仕， 朱银龙， 李玉荣， 杨雨图， 倪 超， 吴 斌

(1.南京林业大学机械电子工程学院，江苏 南京 210037；2.南京林业大学实验室与基地建设管理处，江苏 南京 210037)

人工智能、大数据、区块链等新一代信息技术的发展将持续推动制造、交通、能源等产业迈向数字化改造升级的步伐，完成“产业数字化”，提升我国在全球竞争中的优势[1]。自动化专业作为新一代信息技术的引领专业，承担着培养工程实践能力强、创新能力强的高素质新工科人才的重要使命[2-4]。实验教学作为“新工科”建设重要的部分，具有培养学生具备“解决复杂工程问题”的能力，在自动化专业培养体系里发挥着十分重要的作用[5]。但传统的自动化专业实验教学存在实验对象和内容单一，实验教学内容与实际应用联系不紧密，学生创新性和学习积极性不高等问题，难以满足新工科专业对人才培养的需求[6]。因此，针对自动化专业，结合“新工科”发展需求，优化实验实践教学方式，增加具有设计性的综合实验，采用工程案例来丰富实践教学内容，引导学生积极参与，科学地采用探讨等个性化的教学方式，完善升级自动化专业实验实践，满足新工科背景下对自动化专业人才培养的需求。

实验团队将木材行业产业发展的最新成果转化为实验教学项目“实木板材缺陷识别与优选排样系统”，教学内容涉及《数字图像处理》《人工智能》和《最优控制》等多门课程理论知识和实践技能，是一个综合性的工程实践实验教学项目。在当前“新工科理念引导，结构优化，模式创新”思想的倡导下，深度融合自动化专业教学与虚拟仿真信息技术，避免该实体实验的高危性和因参数设计导致木材误切浪费，建设具有行业背景的自动化专业虚拟仿真实验课程——实木板材的缺陷识别与优选排样虚拟仿真实验，为提升林业装备的信息化和智能化，以及培养自动化专业人工智能领域创新创业人才提供一定的支撑[7-10]。

1 虚拟仿真实验设计思路

1.1 总体思路

坚持“学生为中心、产出导向、持续改进”的原则，通过实验测试等手段提取实物系统参数建立其仿真模型，结合自动化专业理论知识对实验系统进行更为深入的教学实验研究。如图1所示，实验从实验阶段、实验模块、实验目的、实验内容和实验方法这5部分开展设计，实验教学过程层层递进，实验内容环环相扣，教学内容丰富，实验方法多样。通过本实验，可加深学生对数字图像处理、人工智能和最优控制的认知，使学生掌握数字图像处理原理、分类算法和遗传算法、探索设计参数与输出之间的关系，培养学生探究式的思维方式和解决复杂工程问题的综合能力。

图1 实验设计框架图

1.2 实验的原理

实木板材缺陷识别与优选排样系统是将木材加工与人工智能技术深度融合，通过去除木材缺陷、短材接长，提高木材资源的利用率，使学生综合运用自然科学基础知识、自动化专业知识与实践技能解决复杂工程问题。本课程依据板材生产中实际缺陷扫描、智能识别与优选排样的生产过程设计了虚拟仿真实验，系统整体架构示意图如图2所示，具体原理如下：图像采集系统对传送带上运动的实木板材进行扫描，获取图像数据，利用数字图像处理的技术手段去除噪声以及干扰，增强重要目标特征，改善图像质量，把缺陷目标从缺陷背景图像中分离出来，完成图像定位[11，12]。再通过机器学习技术，基于实木板材常见表面缺陷与正常木材组织之间的颜色、纹理等差异，分别利用传统人工神经网络和卷积神经网络对板材缺陷进行智能分类[13，14]。实现对木材缺陷的定位与识别，进而采用遗传算法搜索最优锯切下刀点，截除缺陷的同时实现对木材的充分利用。切割后的实木板材按照尺寸分类推送至对应储料箱，并将各尺寸板材数量存储至数据库，面向最终产品应用遗传算法优化排样设计。

图2 实木板材的缺陷识别与优选整体结构示意图

1.3 实验教学设计

本文将从实验内容、教学方法、实验方法这3方面详细讲解实木板材的缺陷识别与优选排样虚拟仿真实验的教学设计。

1.3.1 实验内容

坚持需求导向，紧密结合经济社会发展对高校人才培养的需求，紧密结合专业特色和行业产业发展对高校人才培养的需求[15]。掌握图像预处理的相关知识、方法和流程，通过研究斜率和截距参数的影响规律，能够找出提高图像对比度的解决方案，提高其分析实际工程问题的能力。掌握图像阈值分割中阈值设置规律、形态学的腐蚀与膨胀处理技术，能够去除外界干扰图像，对缺陷进行准确定位，提高学生面对实际工程难题，综合应用图像预处理知识解决实木板材缺陷图像定位问题的能力。掌握神经网络结构的设计方法，通过特征选择、网络结构训练与参数优化设计基础和提升算法，探究人工智能技术解决实木板材缺陷图像分类准确率的解决方案。

1.3.2 教学方法

为了实现教学目标，坚持以学生为中心的教学理念，让学生充分掌握实验知识点，采用情景浸入式、设计式、任务驱动式、激励探究式等教学方法，结合文字、图片、视频等多种媒介促进教学准备、线上讨论、线下交流，培养学生实践能力、综合分析能力和创新能力。教师与学生共同制定自主学习方案，包括组建学习小组、形成具体学习计划等，并指导学生掌握实验项目的原理、内容和考核方式。教师根据实木板材缺陷识别与优选排样过程的特点，提示学生在进行本项目实验时，要考虑木材出材率及桌面拼接实现率的问题。学生自主探究虚拟仿真系统的使用方法和具体功能，主动地、自由地、创造性地进行项目的学习、训练与自我考核。虚拟仿真系统会根据学生的用户信息累计该生在线时长、项目完成次数。在确定实木板材缺陷识别与优选排样系统控制参数时，设计要求包含了多目标，不仅要满足自动化智能制造优选排样要求，还要满足环保、经济、生产率、机械化程度要求。

1.3.3 实验方法

实验课程主要使用观察法、控制变量法、比较法和设计法等实验方法[16]，使学生全面掌握在实木板材缺陷定位、识别与优选加工流程中的技术性能，理解多种参数对于性能的影响规律。学生通过观察图片在不同的灰度变换、图像分割及腐蚀膨胀等参数下的变化了解影像图片性能的因素。由于人工智能算法的知识点复杂，学生很难直接掌握相关知识，为此学生可以先从简单的人工神经网络算法调节实验做起，掌握相关的知识点以后，再依次进行卷积神经网络的结构设计与参数优化，通过比较两种算法的实验结果，学生可以系统地学习相关知识点。控制变量法主要应用于优选排样环节，可以让学生详细了解遗传算法某个参数对于板材出材率的影响，培养学生科研素质。自主设计法主要应用在板材缺陷分类与优选排样环节，学生根据任务需求选择数字化图像处理方法，根据缺陷定位识别算法给出缺陷类型与位置，并设计遗传算法对于切割结果优化，达到设计需求。同时可以进行效果检测与探究学习，检查判断各环节的设计是否科学合理(出材率是否最大，缺陷类型检测误差率是否达到要求)。

2 虚拟仿真实验模块实现

通过数字化建模技术再现真实生产场景，采用三维动画全面剖析关键工序及相关设备的工作过程，全面揭示了板材缺陷智能识别与优选排样的制造原理，基于图像处理建立了生产参数和识别结果及排样结果的关系，并且通过生产实践验证[17]。实验模块采用多层次结构，从缺陷定位、缺陷分类到优选排样，层层递进，兼具知识的深度与广度，充分利用最新的虚拟仿真技术的高仿真特性、交互特性，从对工业机器人、电机、加工设备、实木板材缺陷等基础认知到图像预处理、神经网络和遗传算法优选的高阶仿真，各实验环境的设计与实施都侧重于培养学生的自主探究、学习能力，使其熟悉工业现场环境，提高对板材缺陷识别与优选排样的设计能力、创新开发能力及独立解决问题能力。

2.1 认知模块

认知模块主要是让学生熟悉实验场景，回顾相关专业知识，让学生具备操作该实验的基本知识。该环节通过文字、图片、动画的形式展现于本实验课程相关的知识点，对于较难理解的知识点，通过动画模拟讲解，加深学生理解。本课程是面向真实工程的原始生产设备模型进行虚拟仿真，实验场景与实际生产线完全一致，并真实再现排样过程。如图3所示，学生以第一人称视角进入虚拟仿真实验系统，熟悉实木板材缺陷识别与优选排样生产流程，了解关键工序相关设备的工作过程，并完成算法优化，结果评估等任务。实验结果与真实情况一致。通过动态画面和音效再现一个仿真度高、体验感强和趣味性十足的生产实际情境，使学生有身临其境的感觉。

图3 虚拟仿真场景图

2.2 木材缺陷定位与分类模块

为了确保木材上的缺陷被正确识别并且切割，需要对木材进行缺陷定位和分类，木材缺陷定位主要包含图像预处理、图像分割和形态学处理3个部分，如图4所示，该部分通过计算灰度线性变换的直线斜率和截距，有选择地拉伸某段灰度区间，以改善输出图像，消除噪声对图像处理的影响，通过灰度变换使缺陷区域和背景对比明显，突出缺陷区域。再通过直方图阈值分割方法或最大熵阈值分割方法，将缺陷像素从背景中检测出来，分割出缺陷区域，可对比两种分割方法。最后，通过调节开运算、闭运算和膨胀与腐蚀等参数，将链接分割后二值化图像中的白色像素，形成连通区域，去除干扰噪声像素，实现缺陷区域的准确定位。

图4 木材缺陷定位界面

在实际加工中，不是所有缺陷都需要切除的，因此对木材缺陷进行分类，有利于提高木材的利用率。该实验环节采用激励探究式教学方法，通过两种算法对比，即人工神经网络算法和卷积神经网络算法。如图5所示，传统神经网络，通过调整神经网络的隐层个数或隐藏节点个数，设置对应的特征参数、网络层数等设计分类算法网络结构；卷积神经网络，设置卷积神经网络不同的卷积层、池化层、全连接层的个数和排列方式，观察实验结果，探究模型参数、结构与分类效果之间的联系。从而找出控制规律，形成概念，建立自己对实木板材缺陷识别的分类模型，拓展学生的创新思维和创造能力。

图5 木材缺陷分类界面

2.3 优选排样模块

在优选排样环节探索遗传算法与出材率关系仿真实验中，如图6所示，改变交叉、变异概率等参数，观察出材率曲线变化及新的下刀点情况。首先基于真实实验数据设计的遗传算法适应度函数，出材率曲线结果均通过算法运行真实得到，保证了虚拟仿真的实验结果准确率。

图6 优选排样界面

2.4 实验考核评价模块

对学生实验结果的考核和评价是实验教学的重要功能之一，实木板材的缺陷识别与优选排样虚拟仿真实验实行的是过程评价和结果评价相结合，如图7所示。过程评价对学生在这环节中对实验目的的把握度、实验原理的掌握度、实验方法的合理度、实验步骤的规范度及实验结果的正确度进行评价，结果评价包含过程评价，且是对学生在整个实验中获得的知识、能力和素质进行的评价。为了达到自动生成对学生实验能力客观评价，对实验课程设计合理的赋分模型，赋分模型符合该实验课程的工程认证要求，支撑课程目标达成。如表1所示，按实验环节知识点分配各环节总分值，各环节再按考核要求划分分值，每个环节即使实验操作全部正确，也只能得到80%的分值，80%分值代表对学生知识能力的掌握程度评判，至于学生完成实验操作是多次操作探索完成，还是一次性完成，是否采用更优秀的方案完成，用剩余的20%分值用于评判。整个实验考核分为操作准确度(80%)、操作时间(10%)及操作次数(10%)，来体现对学生知识、能力和素质高低的评价。

图7 考核与评价

表1 赋分框架

3 结束语

在“新工科”建设背景下，将木材加工与人工智能技术深度融合，建设体现林业特色的实木板材缺陷识别与优选排样虚拟仿真实验，使学生综合运用自然科学基础知识、自动化专业知识与实践技能解决复杂工程问题，提高了实验教学效果和学生的学习效率，有力培养学生节约木材、绿色发展的理念，使其具备终身学习能力和创新意识，满足自动化专业教学与实践需要，又兼顾节省使用成本和时间以及高校资金短缺的普遍状况，突破了自动化课程设计类实验教学中的瓶颈。该课程可服务木材加工产业，为木材行业技术人员提升工程经验与系统性理论知识学习提供交互验证平台，推动工程技术人员的创新性研究。