木材表面缺陷图像识别的算法研究

1.3.2 木材缺陷对木材质量的影响

1.3.2.1 节子对木材材质的影响

如前所述，节子为木材中不可避免的缺陷。节子是确定木材品质和评定木材等级的主要因子。节子对材质的影响，有如下几方面：

（一） 节子能破坏木材的均匀性； （二） 节子破坏木材的正常结构； （三） 节子损坏木材外观的一致性； （四） 含松脂树种的节子有树脂渗出； （五） 节子造成所在材面不均匀磨损。

1.3.2.2 虫害对木材材质的影响

虫眼对木材强度和装饰性能等有影响，而最严重处为虫眼最多的区段。表面虫眼和虫沟蛀蚀深度浅，圆材经锯解、旋切后，可随边皮将它一起割去。小虫眼的蛀孔不深，孔径小，影响的程度不大。但深度在10毫米以上的大虫眼和深而密集的小虫眼，能破坏木材的完整性，并降低其力学性质；并且虫眼也是引起木材腐朽和变色的重要因素，因此，需根据木材用途，对虫眼的个数进行统计和限定。

1.3.2.3 裂纹对木材材质的影响

裂纹破坏木材的完整性，降低木材的强度；在不良的保管条件下，裂隙还能成为变色菌或腐朽菌侵入木材的通路，引起木材的变色和腐朽。立木性的径裂，在干燥过程中还会发展。裂纹除对化学加工用原木无关外，对于其它用材都有程度不同的影响，尤其在杉木上特别明显，显著降低木材的使用价值和等级。裂纹对木材力学强度的影响也随着机械荷重的性质、作用力的方向和裂纹大小等因子而不同。

1.4 课题的主要研究内容和创新

本文将基于机器视觉对木材表面缺陷的检测进行算法研究。对于木材表面缺陷的图像处理、特征提取、识别和分类是本文研究的主要工作，借鉴国内外相关研究的方法，结合图像处理方法和支持向量机等人工智能的方法和理论对木材缺陷图像进行识别和分类。 一、主要研究内容

1、学习目前现有的图像处理方法以及缺陷识别的相关理论算法，并了解国外在木材缺陷识别方面的先进方法。

- 8 -

2、实验现有的图像预处理、图像分割、图像特征提取以及木材图像缺陷识别算法，比较他们的优缺点以及适用的各种缺陷范围。

3、对现有算法进行改进，寻找出能集合现有几种算法优点的，效果更好的图像处理以及识别算法，以提高木材缺陷的最终识别精度。

4、对节子、虫害和裂纹三种缺陷图像进行处理并提取特征指标进行识别。 5、提取出缺陷特征指标的大量数据信息用于特征训练支持向量机，得到木材表面缺陷图像变化规律的具体参数，培养一套成熟的网络模型。 二、主要创新点

1、在对比了几种经典的平滑滤波算法基础上，根据它们的优缺点，提出了加权有向平滑滤波算法。

2、在对比了三大类图像分割方法中经典算法的基础上，根据他们的优缺点，提出了一种基于小波变换数据融合的边缘检测算法和基于融合技术的小波变换和形态学边缘检测算法。经过试验，这两种算法对木材缺陷图像的分割起到了很好的效果。

3、在对图像特征提取算法的实验基础上，提出了把灰度共生矩阵中的参数和颜色矩中的参数相结合作为特征向量参数，再用主成分分析法进行降维优化，从第五章用向量机对缺陷进行识别分类的效果比较来看，两者结合的特征向量更利于识别，大大提高了识别率。

4、在提取了木材缺陷特征向量之后，对比了使用BP人工神经网络和使用向量机对木材缺陷的识别效果；对比了单独基于缺陷颜色特征，单独基于缺陷纹理特征，综合缺陷颜色特征和纹理特征的识别率；对比了运用三种向量机核函数的识别率，最终得出基于综合颜色特征和纹理特征的特征向量上运用径向基核函数的支持向量机识别方法对木材缺陷的识别效果最好。 三、各章内容

本论文的研究涉及图像处理和分析、机器视觉、模式识别、支持向量机等方面。各章内容如下：

第一章论述我国木材加工行业目前的现状，阐述了基于机器视觉木材缺陷识别算法研究的目的和意义，以及木材缺陷的特征。对本课题的研究工作简单介绍。

第二章对木材表面缺陷图像的预处理算法进行了研究和比较。结合木材缺陷图像特点，提出了一系列图像平滑和图像锐化的有关有效算法，为图像的分割提供前期处理。

第三章对预处理过的木材表面缺陷图像的分割算法进行了研究和比较。提出了基于小波变换数据融合的边缘检测算法和基于融合技术的小波变换和形态学边缘检测算法进行缺陷图像分割，为后面的图像特征提取、图像识别提供了前期处理。

第四章对处理过的木材表面缺陷图像进行特征提取，运用主成份分析法对综合纹理特征和颜色特征得到的24维特征向量进行降维，从而为缺陷的准确分类提供了特征信息集。

- 9 -

第五章研究了基于支持向量机的缺陷检测。论述了支持向量机的原理，对向量机核函数进行比较分析，探讨其优缺点。最终采用基于径向基核函数的向量机分类模型。并针对木材缺陷对比采用向量机和采用人工神经网络作为分类器的识别率，同时对基于不同特征向量进行了识别率的比较研究。

最后对全文的主要工作和取得的研究成果进行总结，并就下一步研究提出展望。

- 10 -

第二章 木材表面缺陷图像的增强预处理

所谓数字图像处理，就是利用数字计算机或其它高速、大规模集成数字硬件，对从图像信息转换来的数字电信号进行某些数字运算或处理，以期提高图像的质量或达到人们所要求的某些预期结果。通常，图像需要经过几个步骤来处理：图像增强、图像分割、特征提取和模式识别与理解。在木材表面缺陷成像过程中，由于各种噪声，如椒盐噪声、高斯噪声、泊松噪声等以及现场环境的干扰，由成像装置获得的数字图像必须要经过图象增强处理，即需对图像进行滤波去噪，同时，也要求能尽量保证不丢失图像细节。因木材表面缺陷的形状、大小、数量和出现的位置等都具有不确定性，而且缺陷图像的信噪比较低。因此，对缺陷图像进行有效处理是后续缺陷特征提取、缺陷分类的基础，它直接影响着整个系统的检测分辨率和识别精度。下面将从图像增强算法方面研究木材表面缺陷图像中的有效处理方法。

2.1 图像增强概述

图像增强就是对图像中感兴趣的部分加以处理,突出图像中这一区域影像特征,提高目视和判读效果的技术过程。其目的主要有两个：一是采用一系列技术改善图像的视觉效果，提高图的清晰度；二是将图像转换成一种更适合于人或机器进行解译和分析处理的形式。

本文在设计过程中对木材缺陷图像依次进行了如下处理：彩色图像灰度化、灰度变换、木材缺陷图片平滑、木材缺陷图像锐化与木材缺陷图像图像分割。图2-1是木材缺陷特征提取的图像预处理过程。

获取图像信息图像灰度化图像灰度变换图像平滑图像锐化图像分割 图2-1 木材缺陷图像预处理过程

图像增强的方法一般分为空间域和变换域两大类。空间域方法直接对图像像素的灰度进行处理。变换域方法在图像的某个变换域中对变换系数进行处理，然后通过逆变换获得增强图像。而变换域方法中通常我们都用频域法进行图像处理。图像增强主要方法如图2-2所示。

- 11 -