基于纹理特征的木材年轮图像检测方法研究

针对树木年轮人工检测效率低、劳动负担重的问题,提高木材年轮检测自动化程度显得尤为重要。通过钻孔获取木芯并用电荷耦合器件CCD采集云杉(Picea)年轮扫描图像,提出一种基于纹理特征的木材年轮图像检测算法。首先,将RGB彩色图像转换到HSV空间,利用V分量的梯度值生成结构张量,并构成图像的纹理特征集,并用全变差(Total Variation,TV)模型进行灰度图像去噪,用模糊区域竞争(Fuzzy Region Competition,FRC)模型进行图像分割。最后,对二值图像进行形态学滤波,并利用长宽比和面积特征识别出年轮线。试验结果表明,提出的算法去噪能力强,分割效果好,边界数正确率100%,能很好地提取云杉木材年轮边界。该方法有助于提高木材年轮的自动化检测水平,可拓展应用于其它树种,在林业科学研究和林木生长监测等方面有很好的应用前景。     

基于Visual C++的单板表面缺陷图像检测软件开发与应用

针对单板中的死节与裂缝缺陷,利用VisualC++2017(VC++)与OpenCV编写缺陷图像检测程序。先将RGB图像进行分数阶主成份(principal component analysis,PCA)转换,再对得到的三通道灰度图像进行Chan-Vese (CV)分割;最后对二值图像面积滤波,根据长宽比检测出死节与裂缝。结果显示:此程序可去除大部分噪声,很好地实现单板表面死节和裂缝缺陷的提取和检测。     

基于深度学习的木材缺陷图像检测方法

针对木材活节、虫眼、死节等缺陷,提出一种深度学习的木材缺陷图像检测算法。首先构建训练数据库及测试数据库,同时设定卷积神经网络(CNN)的输入层、中间层、输出层等参数,并利用区域建议网络(RPN)反复训练CNN,然后利用训练好的CNN对测试图像进行检测,得到缺陷所在的矩形区域。将此区域作为初始分割范围,再利用CV模型进行图像精细分割。试验结果表明,提出的算法目标定位能力强,能很好地提取木材缺陷目标。     

基于PSO与水平集的桂花图像分割方法

针对金桂、丹桂、银桂、四季桂的花朵图像,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)与水平集的桂花花朵图像分割方法。将RGB彩图的三通道转换成灰度图像,利用PSO计算灰度图中的花与背景的均值,并用K均值算法得到所有像素的初始分类标签。将分类标签转换成初始水平集,最后采用水平集进行精细分割,得到桂花花朵目标。试验结果表明,提出的方法通过改变参数适应颜色和背景的变化,能很好地提取四种常见的桂花花朵,性能指标SD、Dice、ER、NR平均值分别为83.935%、99.77%、2.19%、14.12%。