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。      

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。     

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.     

基于灰度共生矩阵的木材表面缺陷图像的纹理分割方法

针对木材缺陷这一自然纹理型事物,提出了一种基于灰度共生矩阵并结合模糊C均值聚类算法的纹理分割方法.对比了该方法与基于灰度-梯度共生矩阵二维阈值分割算法的分割结果,实验表明:对于木材表面缺陷这类自然纹理图像的分割,纹理分割是行之有效的方法.     

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。     

基于深度强化学习的木材缺陷图像重构及质量评价模型研究

针对典型仿生智能算法处理木材缺陷图像感知及质量决策问题时存在的多维退化因素作用下的缺陷图像失真严重、缺陷图像先验特征提取方差波动频繁、质地不均匀缺陷图像灰度分割失效、异种木材自身纹理泛化能力与学习能力失衡、最优收敛速度随缺陷维度呈迟滞变化等先天不足,提出了一种基于深度强化学习的木材缺陷图像重构及质量评价模型。引入深度学习机制,通过利用深度残差网络进行迭代训练,实现差异性木材多维缺陷图像实时高效重构,构建面向差异性木材多维缺陷精细分割与特征提取的全景自主感知模型,构建大数据量级木材缺陷特征共享资源池;引入强化学习机制,利用深度确定性策略梯度算法建立缺陷特征迭代更新、自主决策、全景可视、深度预测与木材质量评价之间的高维度决策映射,实现多维差异性木材缺陷图像重构及质量评价的横向共享集成。基于Tensorflow开源框架,在Gym Torcs环境下进行模型效能仿真验证,较好解决了典型仿生智能算法处理木材缺陷图像感知及质量决策问题时存在的若干固有缺陷,实现木材缺陷图像自主感知重构及质量评价自主决策,具有缺陷特征感知全面、抗干扰性强、自主决策性高等优势。以浙江省湖州市南湖林场辖区内某经济林木为效能...     

随机森林在板材表面缺陷分类中的应用1）

对板材表面缺陷图像进行多种特征提取。颜色特征选用了颜色直方图;形状特征主要基于最小外接矩阵,提取周长、面积、位置、矩阵和圆形相关的形状参数;纹理特征选取了灰度共生矩阵和Tamura纹理参数。通过OOB（袋外数据）误差计算特征重要性,并将结果与提取时间进行综合分析得出,Tamura纹理和颜色直方图是最优的2组缺陷分类参数。对颜色直方图和Tamura纹理2类特征,采取特征组合输入,通过实验得出,随机森林分类精度达95．67％。     

灰度直方图在木材表面缺陷检测中的应用

提出了一种基于灰度直方图检测木板材表面缺陷的方法。对图像以4×4像素块作25级灰度直方图分析,根据灰度直方图统计中是否有颜色突变来判别木板材是否存在缺陷。缺陷图片在直方图中表现出双峰特征,利用次波峰确定缺陷部位,但判别时应排除杂色与纹理因素的干扰。比较次波峰与主波峰的值来消除木材杂色所产生的影响,即当差值大于1/10时,次波峰代表缺陷颜色。与此同时,借助于直方图修正排除纹理因素造成的干扰。该方法能有效地识别缺陷图像与正常图像。     

基于CNN的典型木材缺陷图像识别研究

为提高木材缺陷的正确识别率,该研究基于卷积神经网络算法的识别方法,提出了一种采用渐近式学习方法来确定训练样本数目的识别算法,文中给出对应的神经网络结构图。在Matlab2010a进行试验,结果表明:该算法不需要对原始图像进行复杂的预处理,便能够识别多种木材缺陷的类型,算法精度较高且复杂度比较小,能够节约算法的时间,具有更好的鲁棒性,也克服了传统算法中的诸多固有缺点。该研究与采用径向基核函数的支持向量机算法相比较,渐近方式的CNN,识别木材缺陷的正确率更高,能够达到90%以上,可为进一步的木材识别开发提供技术支持。     

近红外光谱结合SIMCA模式识别法检测木材表面节子

利用近红外光谱结合SIMCA模式识别法来检测马尾松木材单板节子.结果表明,通过培训集样本建立的基于主成分分析的SIMCA判别模型对有无节子两种类型样本进行回判和对未知节子类型的样本(包括无节子和有节子样本)的判别正确率均达到90％～100％,说明应用近红外光谱结合SIMCA模式识别法可以快速有效地检测木材表面的节子缺陷.     

基于二维阈值向量的木材表面缺陷分割方法

根据木材表面缺陷图像的自身特点,提出了基于灰度—梯度二维阈值向量的缺陷区域分割方法。该方法以灰度—梯度共生矩阵为模型,通过计算基于灰度—梯度共生矩阵的二维熵并使边缘区域的熵最大化来选择二维阈值向量。该方法不仅利用了图像的灰度信息,也利用了图像的梯度信息。采用形态学运算对分割后的二值图像进行分割后处理,试验表明,分割效果良好。     

实木地板图像差分和形态学分割算法研究

针对现有实木地板表面缺陷分割算法分割速度慢、精度低的问题,提出基于图像差分和形态学的地板表面缺陷分割方法。首先,分别对目标图像和背景图像进行求补和低通滤波运算;其次,将预处理后的2幅图像做差分运算,得到差分图像;最后,采用形态学开闭运算去除差分图像噪声并获得目标缺陷。选取活节、死节、裂纹3类缺陷样本各20个进行试验,结果表明：该研究算法对3类样本平均分割准确革分别达到92．63％、94．31％、93．88％,平均分割时间为9．583ms。     

基于FLANN数据融合的木材含水率检测方法

针对木材含水率的检测精度受到多种环境因子(温度、平衡含水率、风速等)的影响,提出了一种基于函数联接型神经网络FLANN的数据融合方法以消除环境温度对木材含水率检测精度的扰动。FLANN能利用函数扩展替代多层感知器(MLP)的隐含层,将输入信号空间维度下的线性不可分类的问题,扩展至较高信号空间维度的超平面上,简化了MLP的架构。与MLP相比,FLANN具有结构简单、收敛速度快和计算量小的特点。仿真结果及实验验证表明:基于FLANN的数据融合方法,能有效消除环境因子的扰动,并可实现木材含水率的稳定、实时、高精度检测。     

基于Level Set方法的木材细胞显微图像分割

为解决木材细胞纤维图像分割中的某些图像分割不连续的现象,引入了基于形变模型(DeformableModels)的水平集(LevelSet)方法对木材细胞图像进行分割,并用Matlab实现了基于该形变模型的窄带(NarrowBand)快速算法。对针叶材和阔叶材的显微图片进行仿真试验表明,该方法适合于对具有分支、突触以及拓扑结构变化的木材细胞图像进行快速精确分割,不但具有全局优化的能力,而且可以检测出模糊或离散状边界,对噪声也有一定的鲁棒性。     

基于图像识别的边坡表面位移检测方法研究

针对边坡表面状态发生的变化检测,提出了一种新的智能检测方法。人工设置两类标识体,一类为定位标识,一类为观测标识。用图像识别方法对标识体的质心进行提取和计算,通过一定的判别准则来判断边坡的表面位移状况。具体处理方法为先将图像转换到HIS空间,根据设定的颜色提取感兴趣区域。进行图像边缘二值化处理,计算出感兴趣区域的中心坐标值。实验证明,该方法具有鲁棒性好、检测准确率高等特点。