基于多模型融合的木材表面缺陷图像快速识别1）

根据木材缺陷图像识别技术的现状,针对适合识别木材各种表面缺陷图像的算法,对现有典型模型法进行图像识别方法的分析,提出了一种基于多个模型融合的木材表面缺陷图像快速识别算法。首先,在C－V模型中引入加权总变分能量（VTg（u））,使得二者分别能够与GAC模型连接,实现了在同一全局最小化框架下统一2种模型;然后采用全变分范数对偶化方法对模型进行了快速求解;最后给出了模型的数值化实现算法。结果表明：该算法不依赖初始轮廓线的选择,能够比较快速、准确地识别出木材的节子、孔洞、腐朽、空心等缺陷和单板多节子缺陷图像。     

木材表面缺陷特征轮廓提取算法研究

虫眼、活节和死节是最常见的木材表面缺陷,是木材分选过程主要的识别目标,精确提取木材表面缺陷轮廓特征能大幅提高木材分选的准确率。本研究提出一种针对木材表面虫眼、活节、死节缺陷轮廓提取方法。针对木材表面常见黑点和纹理等非线性噪声,使用中值滤波方法平滑图像。然后分别应用OTSU算法与全局阈值分割算法分离图像背景与目标,对结果二值图像使用数学形态学方法进行滤除和填充,最终用sobel算子提取缺陷边缘。结果表明,采用OTSU算法分割和数学形态学相结合的方法可以很好地提取木材表面缺陷特征,用sobel算子能够提取到比较完整、准确、连续的木材表面缺陷边缘轮廓,提高了目标图像的可视性和精准性。     

智能木材干燥控制系统的研究与设计

木材干燥技术能够提高木材利用率和木材质量,是木材不降等的主要保障技术之一。该研究将先进的神经网络算法与PID控制技术相结合,并建立相应的智能控制系统,从而对木材干燥的全过程进行智能控制,最后,利用Matlab软件对该系统进行了建模和仿真,通过实验证明该系统具有较好的应用价值。     

一种弱监督细粒度深度网络的木材分类方法

针对使用木材的微观结构对木材树种进行识别分类,提出一种新的基于细粒度图像识别的深度卷积神经网络自动分类算法,在阐述Navigator Teacher Scrutinizer Network算法的基础上,首先,利用分段线性激活函数对特征的存在程度和缺失程度的选择能力进行改进,在改进后的特征选择模型算法中搜寻最优α参数;其次,在改进后的算法中加入一个全局K-max池化层并应用在木材分类中,获得最佳的分类结果.实验结果表明,相比于原始NTS神经网络,本文所提算法能够更准确地实现数据分类,该模型的实验准确率为88.36%,准确率高,实用性强,可以提高木材树种分类精度,为木材树种快速分类提供参考.     

基于改进的粒子群算法优化开关神经网络的木材表面缺陷识别

提出了一种改进的粒子群优化算法(IPSO),由混沌序列产生初始种群,采用克隆选择变异算子避免算法过早收敛于一个平衡点.用改进后的粒子群算法训练开关神经网络,将其用于木材表面缺陷识别.结果表明在较少的网络节点连接数目的情况下,获得了较高的识别率及良好的网络泛化性能.     

基于改进C-V模型的木材表面缺陷图像分割

木材表面缺陷会严重影响木材的质量、性能和使用价值,对木材表面缺陷分割检测有利于提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。针对传统的C-V(Chan-Vese)模型算法不能分割灰度不均匀图像的缺点,本文采用C-V模型与形态学结合的方法与传统的C-V模型算法进行对比试验。与此同时,根据C-V模型和C-V模型结合形态学方法的不足之处,在C-V模型基础上,引入局部拟合函数和高斯核函数,提出了一种基于C-V模型的改进算法,能够有效地克服C-V模型的不足。通过对木材表面缺陷图像分别采用传统C-V模型算法、C-V模型与形态学结合的方法和改进的C-V模型算法进行多组针对单一目标的木材表面缺陷图像的对比试验。结果表明:C-V模型能够将虫眼和活节缺陷图像分割出来,但是对纹理干扰强烈的死节缺陷图像分割困难;运用C-V模型与形态学结合的方法,可以有效地消除分割结果中的细小空洞和噪声,但是仍无法抵抗死节缺陷图像中木材自身纹理的干扰,难以将死节缺陷完整地分割出来;改进的C-V模型算法对木材表面缺陷图像的分割能够减少迭代次数,缩短分割时间,使分割轮廓线更加光滑和完整。通过采用改进C-V模型算法对多目标木材表面缺陷图像进行试验,能够更好地验证改进算法的优越性、有效性和可行性。      

基于空频变换的木材缺陷图像分割

针对木材缺陷这一自然纹理型事物,为了提取出其缺陷目标部分,进行下一步的分析和识别,采用一种空频变换方法对缺陷图像进行分割。选取虫眼、死节、活节3类木材缺陷图像样本各50个,构造一组多通道的Gabor滤波器对缺陷图像进行滤波,并提取出图像的多方向Gabor能量特征。最后结合模糊聚类算法和数学形态学后处理操作对缺陷图像进行了成功的分割。实验结果表明,此方法对3种木材缺陷图像的平均分割正确率分别达到了95.81%、94.58%、96.52%,证明了该方法的有效性。     

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

木材材性表数字化检索系统的研建

以木材材性表为研究对象,建立基于木材材性表的检索系统,该检索系统能够根据木材材性表中的木材特征对木材标本进行快速检索。该系统基于ASP.NET MVC框架和ADO.NET技术的三层架构设计解决方案,使用感知哈希算法对木材标本图像进行识别;系统采用树形结构和图片混合的方式展示检索结果,实现对木材材性表数据的信息维护、信息统计、数据字典查询、用户管理、手机检索等功能。     

基于共生矩阵和颜色特征的泡罩包装缺陷检测

提出了一种基于视觉的泡罩包装缺陷检测方法．首先将表面图像分成泡罩区和底板区两部：令．在泡罩区先采用基于HIS颜色空间的合成颜色特征矢量提取出药片边缘，计算药片属性，然后采用改进的闵可夫斯基距离法进行药片颜色匹配．底板区通过提取基于共生矩阵的纹理特征，采用反向传播神经网络分类器进行缺陷识别，实验证明：泡罩区采用的算法不仅药片边缘定位精度高，而且可有效检测药片的污物、色斑等缺陷；底板区采用的识别算法能够检测各种纹理的复杂缺陷．     

木材缺陷图像处理软件的研制

对木材缺陷的X光图像进行计算机处理，可以突出缺陷的边缘与细节，便于人眼和计算机进行有效地识别。针对木材X光成像的噪声模型，采用高斯滤波器、梯度松驰迭代图像分割算法和协中值滤波法处理图像，可以提取缺陷图像的详细信息，并能检测出图像的边缘。     

木材无损检测技术中的应力波传播时延估计算法

为了准确测量应力波在木材内部的传播时间,提高木材内部缺陷识别的精度,提出了一种基于小波变换和高阶统计量的广义相关时延估计算法。该方法利用滤波算法,将采集到的应力波信号进行滤波去噪,然后输入到广义互相关时延模型,求出传播时延估计值。仿真和实际的木材检测实验结果表明:提出的算法比传统的定时器计时法时延估计精度提高81.5%,并具有较强的抗干扰能力。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

基于L-M神经网络的储粮害虫分类识别

基于图像处理的储粮害虫检测过程中,需要解决多种害虫多特征、混合度大的综合分类问题.本文提出采用基于L-M算法的多层前馈神经网络对害虫进行分类识别.实验表明,该神经网络和害虫分类识别系统拟和程度很高,并且采用的L-M算法,在网络训练速度及识别精度方面,都优于传统的BP算法.因此基于L-M算法的神经网络在害虫的在线识别方面有应用价值.     

应用改进的灰度共生矩阵识别木材纹理多重特征值

目前木材的主要分类方式是由人的经验进行分类,分类的好坏取决于人的经验。因此机器自动检测分类木材种类变得迫在眉睫,目前机器识别木材种类最主要的方法是应用灰度共生矩阵(GLCM)提取木材纹理特征识别木材种类。但是基于灰度共生矩阵(GLCM)特征提取分类存在缺陷,这是由于木材图片旋转再识别时导致分类精度下降。本研究应用改进的灰度共生矩阵(I-GLCM)提取木材多重特征值,较前人提取的灰度共生矩阵(GLCM)识别木材种类,具有旋转不变性。应用matlab模式识别算法进行训练、分类。结果表明,应用本方法对木材进行分类,分类精度比应用灰度共生矩阵(GLCM)精度高,分类效果较好,是一种新的木材识别方法。     

基于BPNN的木材物流中心选址方法与实证分析

以永林集团的木材物流活动为对象,采用多层网络学习算法的误差反向传播神经网络(BPNN)算法和ArcGIS软件相结合进行选址。应用ArcGIS的空间分析功能,确定木材物流中心的备选地;应用MATLAB软件对备选地进行评级,分析国内木材物流研究现状及选址的影响因素,从而确定木材物流中心地址,为木材物流中心选址提供决策依据。     

模糊聚类分析在色木孔洞缺陷位置声波检测中的应用

为了实现木材孔洞缺陷位置的检测,提出了一种基于模糊聚类分析的新型木材声波无损检测方法。针对端部孔、无孔洞和中间孔木材试件,运用敲击法采集木材声波信号,提取时频特征向量作为样本数据,运用基于传递闭包的模糊相似矩阵对训练样本进行聚类分析,建立不同类别的模糊模式库,采用最大隶属度原则对待测样本进行识别。结果表明:此方法克服了模糊聚类单一分析方法的不确定性,实现了多指标定量化的检测;该方法能够有效地对色木孔洞缺陷位置进行检测,且准确率较高,检测端部孔样本的准确率为84%,无孔洞样本准确率为94%,中间孔样本准确率为92%。     

马铃薯病害的可视化计算机识别技术

本文旨在研究可视化计算机识别技术来提高对马铃薯病害的识别作用.在可视化计算机识别技术的基础上,引进了OTSU-SFLA算法对图像病斑分隔处理,通过卷积神经网络识别法对马铃薯病害进行图像特征提取和图像识别.实验结果表明,该识别方法能够对马铃薯早疫病等5种马铃薯常见病害实现图片识别,平均综合识别率达到98.2％.可视化计算...     

改进的GrabCut算法木材表面缺陷图像分割试验

试验采用传统GrabCut算法和改进的GrabCut算法,针对单目标、多目标、复杂背景下多目标的木材表面缺陷图像进行多组对比实验。结果表明:改进后的GrabCut算法,针对木材表面的缺陷图像分割进行了优化,能有效改进传统GrabCut算法中的欠分割和过分割、易受区域凹凸纹理的干扰等缺点,而且分割各类木材表面缺陷图像时都能取得较好的效果。说明改进后的GrabCut算法具有其优势和可行性。