基于人工智能的木材缺陷检测研究进展

木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。     

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%。     

基于红外热像技术的木材内部缺陷检测的研究

运用红外热像技术对加工有孔洞的两个毛赤杨方材作内部缺陷无损检测。通过实验得出用红外热像仪准确检测该方材内部缺陷的条件：①采用双面法检测;②在热源距试样25cm的前提下,加热试样20min左右;③若缺陷在中间,则试样中央标识线上最高温度以下0．4℃范围可以准确反映出缺陷的大小,若在一倒则最高温度以下0．5℃范围可以准确反映缺陷的大小。在上述条件下应用此方法检测方材内部缺陷的误差范围为±5mm,相对误差为12．5％,说明使用红外热像糟术舯太耕肉都按陷拂轩枪测善可行的。     

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：     

基于非对称椭圆的应力波木材缺陷断层成像算法

木材中的空洞、腐朽等缺陷在很大程度上影响着木材的力学性能。为实现木材内部缺陷的无损检测,提高木材利用率,提出了一种基于非对称椭圆的木材应力波无损检测算法。选取3个不同缺陷的原木样本作为实验材料,其中两个分别为位于中心以及边缘的人工圆形缺陷,一个为偏边缘的自然缺陷,采用自制的应力波检测设备获取木材截面内的波形数据。首先根据得到的射线速度值计算分段后的线段和交点的速度值,并进行校正;然后计算射线两侧不同的控制系数,确定射线影响区域;最后根据网格单元的速度值生成断层图像。数值仿真与实测结果表明,基于非对称椭圆的应力波断层成像算法能够精确地检测出原木样本的缺陷。从重建的断层图像可以看出：与基本椭圆插值方法相比,提出的算法能够更清晰地显示缺陷的大小及位置,应用混淆矩阵定量分析,在准确率、精确度和查全率3个参数指标上分别有7.46%,4.04%和22.24%的提升。基于非对称椭圆的木材应力波无损检测算法可以提高断层图像的精度,准确反映缺陷情况,对于木材缺陷的无损检测具有较好的参考作用。     

基于深度学习的木材缺陷智能检测的研究进展与展望

木材作为天然生物材料很容易受到内外界影响从而产生不符合人们生产需求的缺陷,人们为了准确高效的识别木材缺陷进行了大量的研究。本文对近年来基于深度学习的木材缺陷检测技术进行梳理,根据使用方法的侧重点不同将其分类,并针对典型方法加以细分归类和对比分析,总结了每种方法的优缺点及其应用面。此外,提出了基于深度学习的木材缺陷检测技术目前所存在的难点与所陷困境。     

基于全方位和多尺度结构元数学形态学的木材缺陷图像边缘检测

提出一种基于全方位、多尺度结构元的数学形态学图像边缘检测算法。针对图像中噪声和边缘形态不同，定义了全方位、多尺度的形态学结构元素，并通过形态学运算的加权组合，构造了全方位、多尺度的边缘检测算法。在针对木材缺陷图像的仿真实验中，该方法与经典的边缘检测算子相比不仅具有很好的边缘提取能力，而且有很强的抗噪性。     

基于小波神经网络的木材内部缺陷类型识别的研究

利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息.各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值.试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5,0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5,0)结点小波包系数的2个不同输入特征的人工神经网络.对比分析2个网络识别木材缺陷类型的能力,(5,0)结点小波包系数作为特征训练得到的神经网络检测精度更高.     

基于形态学梯度算法的木材缺陷图像边缘检测

根据形态学梯度算法的思想,选取平坦的菱形为结构元素,通过腐蚀、膨胀、开与闭运算的加权组合,构造出一种形态学优化算法,并将它应用于木材缺陷图像的边缘检测中,使提取的图像边缘更加准确、完整和连续.通过与经典边缘检测算法对比,该方法有更好的抗噪能力和边缘检测能力,实验结果也验证了该方法的可行性与有效性.     

基于数字图像的木材缺陷识别研究进展

数字图像处理技术是在木材缺陷识别中应用最广泛的技术之一,具有准确、快速、无损和成本低等优点。本文阐述基于数字图像的木材缺陷识别技术的研究现状,分析图像预处理、分割、特征提取及融合、图像识别分类过程涉及的算法,并对每种方法的特点以及局限性进行总结,对未来研究的发展趋势进行展望。数字图像处理技术进一步走向自动化和智能化,还需要更深入的研究。     

基于图像处理的木粉目数检测与分析

为了解决生产中木粉目数传统检测方法存在的问题,结合先进的数字图像处理技术,在分析木粉颗粒形态特征的基础上,提出了一种基于形态学边缘检测和最大Feret直径的目数检测方法。该方法首先进行图像HIS颜色空间转换,基于S分量进行目标提取,应用多尺度形态学边缘检测算子提取边缘,然后根据颗粒形态特征只保留Feret最大方向上的直径,最后通过单位换算实现目数检测。实验结果表明,该方法具有较高的检测精度,可在生产中推广应用。     

基于OTSU算法与数学形态学的木材缺陷图像分割

在木材分选过程中,图像缺陷分割技术占有重要的地位,能否精确提取缺陷轮廓会直接影响到分选的准确率.本文讨论提取木材表面缺陷图像的方法,应用OTSU算法与数学形态学相结合的方法对缺陷图像进行分割,最终提取出缺陷边缘.实验表明,经过OTSU算法和数学形态学进行图像分割,最后得到的木材缺陷图像更加清晰、连贯,提高了图像的可视性和准确性.     

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.     

木材缺陷的阈值分割算法研究

阈值分割算法包括迭代阈值分割、最大方差阈值分割、最大熵阈值分割等,使用3种阈值分割算法进行木材缺陷图像分割,多次实验证明,最大方差阈值分割算法的分割效果最好.在此基础上,对最大方差阈值分割算法进行增强,调整灰度级,增大目标和背景区域的对比度.实验表明,该方法可以明显改善最大方差阈值分割的分割效果.     

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。     

非破坏性木材内部缺陷检测--木材CT扫描研究动态

对断层扫描技术(CT)在木材工业中应用的可行性,以及在木材工业中实际应用之前需要解决的问题进行了探讨.针对木材CT图象的各种处理方法,以及各国目前在该领域的研究动态进行了回顾.将CT技术引进木材工业,将使锯材和单板生产的价值最优化成为可能.