基于邻接自适应谱聚类的木材表面缺陷分割算法

针对人工分割木材表面缺陷的烦琐性和阈值分割算法对缺陷像素信息衡量的不稳定性,提出了一种基于邻接自适应谱聚类的木材表面缺陷分割算法。算法以简单线性迭代超像素(simple linear iterative cluster, SLIC)为基础,对缺陷图像进行预处理,融合木材缺陷的纹理特性和超像素块间的距离尺度,并采用邻接自适应谱聚类进行分割;缺陷分割初步完成后,通过变异系数衡量缺陷块中像素信息的离散程度进行再次分割,克服初次分割结果的过分割问题;考虑木材表面缺陷形态学上的封闭性,将2次分割图像进行合并,继而用邻接扫描法对次分割图形进行填充,最终对木材表面缺陷进行分割界定。考虑木材表面缺陷种类的多样性,选取了虫眼、死节、活节等缺陷图像进行分割对比试验,相较于OTSU阈值分割算法,本研究算法在单个和多个木材表面缺陷分割方面,类别平均像素准确度(mean pixel accuaracy, MPA)分别提升4.69%,14.23%,平均交并比(mean intersection over union, mIoU)分别提升33.27%,33.43%。本研究算法能够更加准确地将木材表面缺陷从复杂背景中分割出来,缺陷边缘轮廓的构建更接近于理想分割情况,且运行时间较短,对木材表面缺陷的分割具备较强的精确性与可行性。

基于改进YOLOv5s的木材表面缺陷检测模型

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷(活节、死节、有裂缝节子和裂缝)检测模型。首先,在Backbone网络引入坐标注意力机制(coordinate attention,CA)增强每个通道之间的信息交互,然后采用混合空间金字塔池化(hybrid spatial pyramid pooling-fast,HSPPF)结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合(curve efficient intersection over union,CEIoU)作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值(mean average precision,mAP)为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。

AI图像识别下的木材表面缺陷结构光视觉检测方法

针对木材表面视觉特征复杂,嵌补平整过程不能适应木材以及节子的多样性变化的问题,提出基于AI图像识别下的木材表面缺陷结构光视觉检测方法。对结构光视觉技术加以分析并标定光平面,采用Faster-RCNN初步检测木材表面缺陷,定位其缺陷边框并识别缺陷类型,再通过非局部均值滤波法和改进的MSRCR处理图像,精细化分割区域图像,利用改进的最小二乘椭圆拟合方法生成最优椭圆轮廓,实现木材表面缺陷结构光视觉检测。实验结果表明,所提方法的结构光视觉图像预处理效果更好,召回率在95%以上,识别准确率最高可达99%左右,分类准确率最高可达97%左右,检测所用时间更短。

基于子区域变尺度高斯拟合的木材表面缺陷识别

为了提高木材的使用效率、避免由于木材缺陷造成生产故障,根据木材缺陷类型对其分类处理是一种有效的手段,但木材缺陷复杂多样且具有诸多相似性使得类别区分成为难点。针对以上问题本文提出了一种基于子区域变尺度高斯拟合模型的缺陷识别方法。首先建立变尺度高斯拟合基本模型,然后将缺陷纹理分成若干子区域,提取各分区的高斯拟合特征并进行融合;将高斯融合特征及圆度和边缘直线度这两个几何特征输入到建立好的BP神经网络模型中进行训练,根据优化训练的网络模型识别缺陷。该方法对自建的SUT-W图库中雪糕棒图像上人工标定的裂缝、矿物线、矿物块和黑节子的准确识别率分别为91.72%、92.77%、92.67%和92.80%,与其他典型纹理检测方法相比,4种缺陷准确识别率最高分别提高9.38%、6.69%、13.55%和10.22%,说明本文方法能够有效地将以上4种缺陷分辨开,具有一定的实际应用价值。

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。

GVF Snake模型在木材表面缺陷分割的应用研究

针对木材表面存在纹理、凹凸结构、边缘颗粒和弱边缘等特点,对其直接运用Snake模型进行分割难以得到有效边缘提取,因此提出运用改进的GVF Snake模型和维纳滤波相结合对其进行分割。首先对木材图像进行维纳滤波使得纹理变得平缓,同时可以使得缺陷边缘得到有效保留,再对其进行GVF Snake模型分割。该算法对初始轮廓的选择敏感度降低,拓展性增强,可以使得轮廓曲线更加快速地收敛到缺陷边缘,避免陷入局部最优现象,提高对弱边缘和凹凸图像分割效果,分割结果更加清晰、连贯,具有良好的实时性。为木材表面缺陷的分割提供一种更为有效的方法,拓宽了snake模型的应用范围。

基于Gabor变换的木材表面缺陷图像分割方法

为了提高对木材表面缺陷图像分割的正确率,采用了环形Gabor滤波器将木材纹理图像变换到联合空间频率域,并在能量意义下定义了特征参数。根据多方向滤波结果形成缺陷图像的分割特征向量。结合模糊C均值聚类算法和数学形态学后处理操作提取出缺陷目标区域,分割正确率为98.29%。通过与基于灰度共生矩阵的分割方法进行比较实验,该方法平均分割精度比后者提高了4.22%,实验结果表明了该方法的可行性。

基于图割算法的木材表面缺陷图像分割

木材表面缺陷分割的研究能够有效提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。为了更好地对板材表面的节子和虫眼进行快速有效地分割,论述了基于图割算法的图像分割方法(Graph Cuts)及其改进方法(Grab Cuts)的原理。针对传统Graph Cuts算法只能针对灰度图像进行分割、运行时参数的选择比较复杂,并且存在该算法效率和精度较低的缺陷,采用这两种方法分别对3种木材表面缺陷活节、虫眼和死节图像进行分割实验。为了验证Grab Cuts方法的适用性,用含有多个缺陷目标的木质板材图像做了图像分割验证。结果表明:缺陷图像的目标和背景的种子点选取直接影响Graph Cuts算法的分割结果,Graph Cuts算法的计算效率较低,分割时间较长,对相邻像素间的区分度较差,分割结果不理想。改进后的Grab Cut算法是迭代的Graph Cuts,该方法虽然在图像分割前也需要人工画定初始化矩形框,但操作相对简单,分割结果能够得到完整的闭合缺陷区域边界,且不受木材表面缺陷的类型、数量、尺寸和缺陷形状的影响,分割效果好,分割速度快,抗噪性强,对灰度图像和彩色图像都可使用。

基于Adaboost与CNN的木材表面缺陷检测

针对木材智能下料前期需要快速获取木材表面缺陷的位置以及类别信息的要求,基于数字图像处理技术,提出了一个组合算法用于木材表面缺陷的快速识别与定位。使用了Adaboost级联分类器在图像中提取出木材表面缺陷区域的候选框,有效解决了传统分割方法对于多目标难以处理的问题。使用了具有自学习特征能力的CNN(Convolutional Neural Networks)模型对输入的候选框进行分类,克服了传统分类方法中特征难以选择的不足。基于大量样本对模型进行训练,采用200张多缺陷样本进行测试。试验结果表明:检测的召回率为94%,检测的正确率为99%,分类的准确率为97.9%。试验验证了该算法可以满足木材表面缺陷的定位与分类要求。

基于超像素的木材表面缺陷图像分割算法

使用SLIC(简单线性迭代聚类)超像素图像分割方法将木材表面缺陷图像预分割,并从提高算法速度和自适应阈值2方面对超像素合并算法进行改进;分析了DBSCAN(具有噪声的基于密度的聚类方法)聚类用于该类超像素合并中算法的复杂度,提出了自适应阈值的快速DBSCAN超像素合并算法来取得缺陷分割图像。结果表明:改进后的算法对于3类缺陷都能很好的分割,并且算法复杂度低;分割及合并的总时间为0.35 s左右,能满足在线分选的要求。

3种不同模型对木材表面缺陷图像分割算法的比较

木材表面缺陷会严重影响木材的质量和使用价值,因此对木材表面缺陷图像分割的研究有利于提高木材的利用率。本文分别对红皮云杉含有虫眼、活节、死节3种典型木材缺陷的图像采用改进的C-V模型、改进的GVF Snake模型和改进的GAC模型进行分割试验,对3种改进算法的复杂程度、分割时间、分割结果的完整性以及抗噪性进行对比和分析。结果表明,改进的GAC模型算法较为优越,其分割算法简单,运行时间短,缺陷分割效果较好,抗噪性强。而改进的C-V模型算法、改进的GVF Snake模型算法的分割效果和抗噪性最差,不宜作为3种木材表面缺陷图像的分割算法。

图像分割技术在木材表面缺陷识别中的应用

阐述了图像分割技术在图像处理及分析中重要意义,以及主要的图像分割技术。以木材表面缺陷为主要研究对象,利用微分算子边缘检测、最优迭代阈值分割及形态学方法针对具有代表性缺陷死节和虫眼进行分割处理。

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阀值化技术。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。

基于高斯-马尔可夫随机场的木材表面缺陷类型识别

为了识别死节、活节和虫眼三种木材表面缺陷类型,本文采用高斯-马尔可夫随机场模型提取木材表面缺陷图像的纹理参数,结合缺陷区域的矩形度和伸长度两个几何特征,形成14维特征向量。设计三层BP神经网络来识别缺陷的类型。试验表明,三种缺陷的整体识别正确率达到96.67%,验证了该方法的有效性。

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3D结构激光的木材表面缺陷检测的研究

木材表面缺陷直接影响木材品质及其使用价值,表面缺陷的检测对于木材的科学利用具有十分重要的意义。目前大多数的木材表面缺陷检测都是对二维可见光图像进行处理得到缺陷相关的特征参数,本研究设计了基于3D结构激光的木材表面缺陷图像采集和识别系统,该系统可以采集到木材表面缺陷的灰度图和高度图,再采用HALCON软件对其进行处理以提取木材表面缺陷的特征值。实验结果表明,该系统可以快速准确地检测识别出木材表面的节疤、虫眼、凹痕等缺陷,具有非接触、高精度的优点。

木材表面缺陷图像特征提取方法的研究

针对木材主要表面缺陷的特征,将缺陷轮廓特征值、平均灰度值以及灰度方差值进行重点研究分析,提出了木材缺陷标识性特征的提取方法。本方法可提高木材表面缺陷特征量提取的精确度,为木材表面缺陷的无损、快速、准确检测提供了技术支持。

基于改进GAC模型的木材表面缺陷图像分割

为提高对木材表面缺陷图像分割的准确率,对木材表面缺陷图像采用传统GAC模型算法和改进GAC模型算法进行多组对比试验,与此同时研究改进算法中迭代步长、迭代次数、常数速度、反差参数等参数对木材表面缺陷图像分割结果的影响。通过试验验证了改进GAC模型算法的可行性、快速性和准确性,能够克服传统的GAC模型欠分割的缺点。

基于CV模型和数学形态学的木材表面缺陷分割方法

根据木材表面缺陷图像的特点,结合主动轮廓线模型的优点,应用CV模型对木材表面缺陷图像进行分割,并利用数学形态学对分割图像进行后处理。经实验验证,该方法能较完整的提取木材表面缺陷图像。

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。