基于改进HOG特征与LPP算法的木材缺陷识别

在木材缺陷的识别中,由于噪声干扰导致识别率降低,因此提出一种新的木材缺陷识别算法。首先通过计算不同尺度下各个方向的梯度,利用正交分解将各个方向的梯度进行结合,得到改进的梯度方向直方图(HOG)特征,提高了HOG特征的鲁棒性;其次将改进HOG特征与局部二值模式(LBP)特征线性加权得到融合特征,弥补了HOG特征没有表征缺陷纹理变化的缺点;最后通过增加全局信息与监督信息改进局部保持投影(LPP)算法并对其降维,再引入支持向量机(SVM)对上述特征进行分类。实验结果表明:在高斯噪声的信噪比为60 dB的环境下该算法的识别率达到97.13%。

木材缺陷识别方法综述

木材在成材过程中,不可避免地会产生缺陷,严重影响了木材的质量、木材加工方法和生产工艺,所以木材缺陷识别具有非常重要的意义。文章对木材缺陷识别的方法进行总结和分析。

基于应力波和支持向量机的木材缺陷识别分类方法

现有的应力波木材检测仪只能测定木材内部是否存在缺陷,无法对木材缺陷类型进行分类。笔者提出了一种结合应力波无损检测技术和支持向量机(SVM)的木材缺陷识别分类方法,该方法首先测量木材内部的应力波传播速度,以此作为分类特征,利用支持向量机对木材的内部缺陷进行分类。为了验证该方法的有效性,选取健康的以及含有不同缺陷的山核桃木试样31件、松木试样28件,采集山核桃木试样应力波传播速度数据117组、松木试样应力波传播速度数据80组,以应力波传播速度为分类特征,利用支持向量机对木材的缺陷类型进行分类。结果表明:山核桃木试样缺陷分类准确率达到93.75%,松木试样缺陷分类准确率达到95%。该方法不仅能识别木材内部是否存在缺陷,还能对木材的空洞、裂缝、腐朽等缺陷进行准确分类。

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。

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RGB颜色分量线性关系的木材缺陷分割研究

以RGB色彩空间为基础,木材缺陷目标分割识别为目标,提出了一种用于木材缺陷彩色图像识别的阈值分割方法。通过数学分析RGB三个色彩分量的数学关系及其直方图之间关系,得出了基色两两之间的线性关系表达式,取得线性关系表达式之间联系,即得出木材图像分割阈值范围公式。即得出无损图像的RGB两两基色的线性关系的集合范围,超出集合的便认为是缺陷。实验结果表明,本算法可以实现对木材缺陷彩色图像精准分割与识别。

基于反距离加权插值法的木材内部缺陷检测

树木在人类日常生活中不可或缺,树木缺陷识别一直是学者探讨的重要课题。在树木腐朽早期,病变部位的电阻率会大大降低,但当树木病变后期形成空洞时,缺陷部位电阻率会急剧增加。本文提出了一种四探针电阻法,结合反距离加权插值算法模拟树木内部缺陷的位置、大小,分析了树木电阻率分布和缺陷之间的关系,并研究含水量的变化对树木缺陷检测的影响。实验结果表明:树桩中相较于健全的部分,缺陷部分的电阻率平均升高了2-3倍;木材含水率挥发速度随着时间降低,和时间成反比。

基于python的应力波特征矩阵仿真程序的实现

本文实现了一种基于python的应力波特征矩阵仿真程序,通过程序构建了一个特征矩阵图像数据集——Eigen Matrix Net,以期能够解决通过卷积神经网络检测木材内部缺陷时样本量不足的问题。应用python内的wxpython、matplotlib等库实现了应力波特征矩阵仿真程序,并给出部分算法。根据图像数据集的深度学习结果显示,该程序生成的仿真数据能较好的代替真实数据,取得了满意的应用效果。