基于改进的NCSPSO优化SVM的木材缺陷图像分割

针对木材缺陷图像,采用基于小生境和交叉算子的粒子群算法（NCSPSO）优化支持向量机（SVM）进行图像分割,提取木材缺陷分割图。主要对NCSPSO算法进行改进,寻找最优惩罚系数C和高斯核函数中的参数,然后采用SVM方法对训练样本进行综合训练,以建立最佳分类模型,并对木材缺陷图像分割测试。与模拟退火法（SA）及原NCSPSO算法进行对比实验,从而验证改进NCSPSO算法的优越性。     

基于线性谱聚类的林地图像中枯死树监测

【目的】将基于线性谱聚类超像素的方法应用在森林病虫害防治领域,可智能监测无人机森林虫害图像中的枯死树,为森林有害生物的监测工作提供技术支撑。【方法】分别以湖北省受松材线虫与辽宁省受红脂大小蠹侵害的松林无人机图像为试验数据,首先使用线性谱聚类超像素分割算法将图像划分为多个超像素;然后基于枯死树木的颜色特征,初步提取可能为枯死树的超像素区域;最后基于枯死树木与其他干扰地物具有不同的纹理特征,计算超像素的区域密度和缝隙量,利用支持向量机对初步提取的超像素进行分类,从而检测出图像中的枯死树。【结果】基于线性谱聚类超像素和支持向量机的枯死树监测方法可有效排除与枯死树木颜色相近的其他干扰地物,较准确地提取出枯死树木。使用该方法与基于植被颜色指数的阈值分割方法、基于简单线性迭代聚类超像素和随机森林的方法,对35幅受灾松林无人机图像进行试验,并选用交并比、虚警率和漏检率3个评价指标对3种方法进行定量对比分析。结果表明,基于线性谱聚类超像素的方法监测出的枯死树区域最精确,其监测结果与人工检测结果的交并比均值大于58%,且虚警率和漏检率均优于另外2种方法。【结论】基于线性谱聚类超像素的枯死树监测方法能实现松林中枯死树的快速、准确检测及定位。     

基于计算机视觉的嵌入式数字IC芯片引脚缺陷检测方法

针对芯片引脚缺陷故障难以精准检测的现状，提出基于计算机视觉的嵌入式数字IC芯片引脚缺陷检测方法。采用计算机视觉技术计算相机水平方向的像素，采集嵌入式数字IC芯片引脚图像；对引脚图像进行图像预处理、引脚缺陷特征提取及缺陷定位处理；计算芯片引脚长度均值，以引脚长度均值为依据进行缺陷检测。试验结果表明：该检测方法在芯片引脚缺失、歪脚、不合格等方面检测结果的准确率得到了显著提高。     

基于CNN的木材内部CT图像缺陷辨识

【目的】为获取木材内部构造形态,提高木材内部缺陷识别率,依据获得的计算机断层扫描图像,提出一种基于卷积神经网络(CNN)的木材内部缺陷辨识方法,以实现木材的高效化自动分类。【方法】首先,利用课题组自行开发的计算机断层扫描系统,采集样本木材内部CT图像800幅;然后,对样本图像进行处理,随机选取700幅原始样本图像,从中截取出单个缺陷区域和正常木材断层区域样本图像20 000幅,并利用图像增强等算法将数据集扩充到70 000幅,标准化图像大小为28×28像素,分为正常、裂纹、虫眼和节子图像共4类,取60 000幅图像作为训练集,10 000幅图像作为测试集,剩余的100幅原始样本图像用于试验验证。【结果】通过60 000幅图像来训练网络模型,对测试集10 000幅图像进行分类,分类正确率达99.3%;利用训练得到的网络模型对100幅原始样本图像进行验证,平均分类正确率为95.87%。【结论】基于卷积神经网络的木材内部CT图像缺陷辨识算法,克服了传统识别方法图像预处理繁琐、训练方法复杂、训练参数过多、耗时过多等问题,具有精度高、复杂度小、鲁棒性较好等优点,且辨识正确率和辨识时间都比现行常规算法精准并用时短,是一种无损、高效、准确的辨识分类方法。     

木材缺陷图像的灰度形态滤波

介绍数学形态学中的灰度形态滤波方法,给出对木材缺陷图像进行闭、开运算处理后的仿真图像实例,利用木材缺陷图像截面灰度分布对处理效果进行分析.结果表明:采用灰度形态滤波方法对木材缺陷图像进行滤波处理,可有效去除木材缺陷图像中的噪声,改善图像的视觉效果,提高后期缺陷边缘检测的精确度,从而证明该方法对木材缺陷图像进行滤波处理是可行的.     

基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中...     

MATLAB用于木拱廊桥构件缺陷的图像检测

基于MATLAB数字图像的原理和方法,对木拱廊桥构件的表面缺陷图像进行增强,内部应力波图像进行区域分离及面积计算,研究不同柱身缺陷的纹理特征对应力波图像的影响。结果表明,MATLAB对木构件表面缺陷及内部应力波图像处理效果较好。根据分离区域面积分析及应力波图像纹理特征计算结果,像素面积及熵值等可作为应力波图像分析的重要评价指标。     

基于可变阈值图像平滑算法研究

基于整幅图像灰度值的方差与局部图像灰度值的方差的线性关系，结合新型的模板，提出一种阈值可变的图像平滑算法。在MATLAB中运用该算法及中值滤波、均值滤波分别对含有椒盐噪声、高斯噪声、乘性噪声的图像进行平滑处理比较。实验结果表明，本文提出的这种改进算法较传统算法均有性能上的提高，既可有效去除噪声，又能较好地保持边缘纹理等细节特征。     

数学形态学在木材表面缺陷图像分割后处理中的应用

介绍了数学形态学的基本思想和运算。针对木材表面缺陷图像分割效果不完善的问题,提出基于数学形态学的图像后处理方法,包括应用数学形态学的填充操作、形态滤波以及形态梯度边缘检测等。经实验验证,应用数学形态学进行图像后处理,增强了木材缺陷图像分割结果的可视性和准确性。     

基于数学形态学的木材缺陷图像分割方法

结合数学形态学运算方法,对于板材缺陷图像的提取分割,提出了基于数学形态学的分割方法。利用图像各点间的像素值差异,对板材像素点求取无缺陷标准值,将该值与待测板材进行对应像素点对比,然后将差值求和取平均得到分割阈值;对图像中所有大于该阈值的点进行分割提取,得到分割图像。用数学形态学方法对噪声较大的图像进一步处理,最终得到较为理想的分割图像。     

基于高斯混合模型的青梅表面缺陷检测识别技术

目前青梅的缺陷识别检测仍然依靠人工挑选方式来完成,但人工挑选方式受工作经验、劳动强度等因素制约,已经难以适应产业的发展。为有效提高青梅表面缺陷检测的自动化程度和检测精度,本试验应用机器视觉技术针对青梅表面的缺陷检测展开研究。通过搭建青梅表面图像静态采集系统,采用图像处理软件HALCON对青梅表面进行了单通道灰度图像提取、图像滤波、灰度二值化及特征提取等预处理操作,实现了对青梅表面图像的去背景化,并利用去边缘法在青梅H通道分量图像中成功提取到青梅表面缺陷。最后采用高斯混合模型构建青梅表面缺陷检测分类器,并创建了一套基于机器视觉的青梅表面缺陷检测系统。具体选取了348张青梅缺陷图像作为训练测试样本,其中78%的图像作为训练集,22%的图像作为测试集,结果表明:该分类器对青梅溃烂、伤疤、雨斑缺陷的检测准确率分别为100%,97.22%,92.31%,对完好青梅检测准确率为94.44%,验证了将高斯混合模型应用在青梅缺陷检测方面的有效性。     

机器视觉在单板缺陷检测中的应用

单板是胶合板制造的主要原料。为了实现单板表面缺陷检测技术的智能化,降低人力成本,提高检测合格率,现已将机器视觉技术应用于缺陷检测中。在机器视觉系统中,图像处理和分析算法尤为重要。如何提高算法的准确性和鲁棒性一直是研究的重点。文中基于对大量文献和实验结果的分析,介绍机器视觉的应用现状,并对单板表面缺陷检测过程中的图像去噪、图像分割、特征提取等方法进行总结,概括相关方法的原理、特点、局限性以及适用范围,并对未来技术发展趋势进行展望。     

层次支持向量机在色木孔洞缺陷检测中的应用

针对现有木材无损检测中存在的问题,提出根据木材的声脉冲响应特点,通过自制的声波信号采集装置提取含有孔洞缺陷木材的声脉冲响应信号,再分别从时域和频域对信号进行处理,提取相关的统计信息作为识别特征,再输入到层次支持向量机（SVM）中进行识别的方法.结果表明,该方法对色木孔洞位置的识别准确率在95％以上,具有需构造的SVM分类器数量少、不存在不可识别域、训练和识别速度快的优点.对基于支持向量机的木材孔洞缺陷识别进行探讨,并对其有效性进行验证.     

基于计算机视觉的森林火灾识别算法设计

为解决森林火灾监测系统中由于林火行为监测样本数据量大、维数多导致监测误报率高、实时性差等问题,提出一种基于计算机视觉的支持向量机算法进行森林火灾监测,提升识别精度,实现全天候林火自动监测预警。首先,获取图像进行预处理,并初步判别图像中是否存在烟火区域;然后,进行林火特征提取,训练样本生成特征向量,采用基于径向基核函数与多项式核函数的SVM算法进行烟火识别;最后,选取多功能森林防火机动巡查灭火装备为试验平台应用该算法进行试验验证。结果表明:所提出算法具有理想的森林火灾识别效果,识别准确率高达97.82%,并且可以与多功能森林防火机动巡查灭火装备通讯进行精确扑救,为森林防火装备智能化探索提出新思路。     

基于优化卷积神经网络的木材缺陷检测

针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。     

基于Faster R-CNN模型的木材表面节子缺陷检测

研究基于Faster R-CNN模型的木材表面节子缺陷检测方法,解决现有方法存在的特征选取困难、不能适应木材以及节子的多样性变化、检测精度不高等问题,而且能够给出节子缺陷的位置以及图像的大小。小样本集测试结果表明,该方法能够取得较高的检测精度,准确率为94.0%;对其中4个典型样本进行分析,位置检测最大误差仅为5个像素,大小检测最大误差仅为7个像素;相比OSTU方法具有更好的检测精度。     

基于断层图像的木材腐朽程度自动评价方法研究

提出了一种基于断层图像的木材腐朽程度自动评价方法。首先利用Graph Cuts算法对木材断层图像进行分割后,对所得图像进行灰度化处理。然后利用累加直方图技术获取木材断层图像中缺陷部分面积。最后,将测得的木材缺陷面积值与真实值进行比较,从而实现腐朽程度的自动评价。分别采用了含人工模拟腐朽的木材样本和含自然腐朽的木材样本进行实验,结果表明:本文提出的方法具有较高的检测精度,为木材断层图像智能处理和无损检测技术的在线应用提供了新的方法。     

基于LS-SVM的木材表面缺陷网格化检测

针对图像分割的复杂性和局限性,作者提出一种基于最小二乘支持向量机(LS-SVM)的木材表面缺陷网格化检测方法。首先将木材表面图像划分成互不重叠的矩形块,然后依次计算每个矩形块图像的特征向量,用于描述各个矩形块图像,其特征向量由颜色特征和纹理特征等参数共同组成。最后将特征向量归一化后送入LS-SVM分类器,利用特征向量的相似度来进行缺陷的定位和识别。实验结果表明,该方法可有效进行木材表面缺陷检测,检测准确率超过93%。     

基于模糊聚类分析的木材缺陷CT图像分割

为了提高木材的利用率,在木材加工之前对木材缺陷CT图像进行分割,将节子和空洞等缺陷分割出来,通过观察缺陷的位置便于工人师傅下锯。利用计算机断层扫描（CT）技术获取木材缺陷图像,将数字图像处理技术与模糊聚类算法相结合,在标准的模糊C均值算法的基础上改进,采用半模糊聚类的分析方法对木材缺陷图像进行分割检测。实验结果表明：基于半模糊聚类的图像检测方法在木材图像检测上取得了较好的效果,缺陷边缘处很平滑,细节保留完整,更多的保留了边缘上的信息。从而证明了半模糊聚类分析法在木材缺陷CT图像处理方面具有可行性。     

相关向量机学习的研究

支持向量机（SVM）是利用核函数产生组合优化应用于回归和分类问题的技术。然而SVM具有明显的缺少概率的输出，要求估计权衡参数和必须满足Mercer核函数等缺陷，RVM受上述缺陷影响，只需更少的核函数产生与SVM相同的线性输出模型的贝叶斯方法。