基于分形理论和数学形态学的木材表面缺陷识别的图像处理

在木材表面缺陷识别过程中,能否精确提取缺陷轮廓是提高分选准确率的重要因素。采用分形理论和数学形态学进行板材缺陷图像分割和边缘提取,能有效的克服传统方法中缺陷图像提取受背景纹理影响大的不足,为后续的木材表面缺陷的识别打下坚实的基础,提高木材的使用率,对木材表面缺陷识别具有实际意义。     

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...     

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。     

基于灰度-梯度共生矩阵的木材表面缺陷分割方法

根据木材表面缺陷图像的特点，提出了基于灰度-梯度共生矩阵模型和最大熵原理的木材缺陷图像自动阈值化技术。并且利用形态学运算对分割后的二值图像进行后期处理。经实验验证，该方法提取的木材表面缺陷图像效果良好：     

数学形态学在旋切单板缺陷图像分割中的研究

胶合板的质量等级在很大程度上取决于旋切单板的表面质量,为了提高旋切单板缺陷检测的质量和效率,提出了一种基于数学形态学的缺陷图像分割方法,通过形态学算子的作用进行缺陷的分割。试验结果表明该算法能取得很好的分割效果。     

基于FCM的木材X射线图像缺陷分割

在用X射线检测木材缺陷的过程中,很重要的一步就是对图像中的缺陷的提取和分割,其处理的效果直接影响到后面的缺陷识别的正确性。主要是针对木材X射线图像对比度差的特点和固有的模糊性,利用模糊C均值聚类的方法对木材X射线图像进行分割处理,为后续的提取出木材缺陷工作打下基础。     

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。     

图像分割技术在木材表面缺陷识别中的应用

阐述了图像分割技术在图像处理及分析中重要意义,以及主要的图像分割技术。以木材表面缺陷为主要研究对象,利用微分算子边缘检测、最优迭代阈值分割及形态学方法针对具有代表性缺陷死节和虫眼进行分割处理。     

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。     

基于四元数矩阵奇异值分解的木材缺陷检测分析

当前,木材彩色图像的缺陷检测主要是通过分离彩色空间的3个分量分别进行灰度处理,然后再合成为缺陷的图像.将基于RGB彩色空间的木材图像作为一个整体,提出四元数矩阵奇异值分解（QSVD）的木材缺陷检测.把RGB的彩色空间图像转换为四元数矩阵,利用四元数奇异值分解得到不同奇异值的特征图像,通过对特征图像的分析,得到不同的木材缺陷图像,并通过对奇异值特征图像的分析得到木材彩色图像的缺陷检测,并做分析.     

Soft measurement of wood defects based on LDA feature fusion and compressed sensor images

We proposed a detection method for wood defects based on linear discriminant analysis(LDA) and the use of compressed sensor images. Wood surface images were captured, using a camera Oscar F810C IRF camera,and then the image segmentation was performed, and the defect features were extracted from wood board images. To reduce the processing time, LDA algorithm was used to integrate these features and reduce their dimensions. Features after fusion were used to construct a data dictionary and a compressed sensor was designed to recognize the wood defects types. Of the three major defect types, 50 images live knots, dead knots, and cracks were used to test the effects of this method. The average time for feature fusion and classification was 0.446 ms with the classification accuracy of 94%.     

数学形态学与Canny算子在木材腐朽图像特征提取中的应用

根据数学形态学和边缘检测算子以及木材腐朽图像的特征,选择多尺度多结构的形态学算法,首先对图像进行交替顺序多尺度结构元素的膨胀、腐蚀滤波;再用多结构元素对图像进行开闭运算达到去除噪声,保留图像细节的目的;最后利用Canny算子提取图像的边缘特征。实验结果表明该方法抗噪能力强,能有效提取图像的边缘特征。     

Feature Extraction of defects on wood surface

IntroductionAtpresent,usingthecomputerimageprocessil1gsys-temtofinishthefeatureextractiol1ofw0oddefectsisi11anexpIorat0rystage.ThismetI1odmaydecreasetI1ellmitati0noftl1eexperilnel1talcol1ditions,suChasIights,instrumentsandsomespccialmateriaIs.Itiscol1venic11ttousethiswayandthegoodresuItswilIbeacI1ieved.TherearethreetypicaIwo0dsurfacedefectst0bestudiedintheexperiment,whicI1arekn0t,boreI1oleal1ddecayofLarixandBeIlIlu.Tl1eworkist0separatetl1edefectsfromthewoodsurfaceimagesandprovideagoodba…     

基于分水岭算法的木材缺陷边缘检测

获取边缘图像的一种典型方法是利用梯度算法作用于图像,然后对得到的梯度图像做阈值处理,从而得到二值边缘图像.这种方法的缺点是很难选取适当的阈值.如果阈值选得太低,不但会产生假的边缘,而且得到的边缘很厚,必须做细化处理,而细化后的边缘位置往往不是很精确;如果阈值取得太高,许多边缘可能检测不到,或边缘出现过多的断裂部分.     

基于改进ResNet-UNet的立木图像分割方法

【目的】针对现有图像处理方法分割立木精度低的问题,提出一种基于改进ResNet-UNet的立木图像分割方法,实现对图像中立木的精确分割。【方法】将拍摄得到的立木图像输入ResNet-UNet深度学习融合网络模型,初步得到较精确的立木分割图;结合自制的后期处理方法对该分割图进行优化处理,准确分割出立木形状。ResNet-UNet模型充分利用了像素之间的语义关联,以ResNet-34残差模块作为ResNet-UNet网络特征提取的基本单位;以U-Net网络的设计思路对图像进行上采样,以实现分辨率还原。去除ResNet-34网络的平均池化和全连接层,改变U-Net网络模型的特征通道数,形成ResNet-UNet网络模型。结合使用Adam一阶优化算法和dice bce loss损失函数实现了立木图像的初步分割。在后期处理阶段设定动态阈值得到前景和背景,避免了使用固定阈值对立木图像的高质量要求。运用强化学习中评分惩奖的思想,对前景和背景分配像素估计值,将该值和模型训练不同次数时的损失率输入惩罚-奖励机制,从而减轻分割结果对预测最终结果的过度依赖,降低网络过拟合对分割精确度的干扰。【结果】经验证,在自然环境、不同光照条件下分割不同品种的立木,平均误分率较传统的ResNet-UNet方法降低了3.5%,假阴率和假阳率较graph cut方法都降低了20%。【结论】使用ResNetUNet方法分割立木具有较高的精确度和较强的鲁棒性。