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。

基于双向2DPCA与SVM的木材死节缺陷图像分割算法

针对木材的死节缺陷,提出了一种双向2DPCA(二维主成分分析法)与SVM(支持向量机法)的木材缺陷图像分割算法。首先将RGB彩图灰度化,并将其灰度图分解成互不重叠的子块,然后采用双向2DPCA分别对子块的行、列方向进行特征提取,实现子块的维数约减,最后将约减后的子块矩阵变换成行向量,利用SVM对图像表面死节和背景的行向量进行训练和测试,获取死节缺陷。试验结果表明,该算法目标定位能力强,能很好地实现木材缺陷图像分割,SD、Dice、ER、NR指标分别为86. 43%、92. 72%、15. 32%、0. 33%。

一种基于GoogLeNet卷积神经网络的木节缺陷识别方法

为了能够对木节缺陷进行准确识别,减少木材的浪费,本研究在Pytorch深度学习框架的基础上,提出一种基于GoogLeNet卷积神经网络的木节缺陷识别方法。该方法利用GoogLeNet网络对朽节、干节和死节等7种云杉木节缺陷的RGB图像进行自动提取特征,不需要对图像进行预处理,即可实现分类识别,采用全局平均池化的方法来代替全连接层,减少网络的参量。同时为了防止网络的过拟合,在网络中使用Dropout机制。实验结果表明,利用该卷积神经网络对7种木节缺陷的识别率可以达到95.42%,在木节缺陷图像处理中,GoogLeNet模型能准确有效地识别木节缺陷。

基于改进YOLOv3的木结缺陷检测方法研究

针对木条表面死结和活结缺陷在检测过程中定位困难、平均识别精确度较低、检测速度较慢的问题,在分析木结缺陷特点和改进深度学习YOLOv3模型的基础上,研究其应用于改善木结缺陷检测时的精确度和速度。首先,对活结缺陷图像进行数据扩增,以解决类别不平衡问题。然后,改进k-means++算法,提升木结缺陷目标框的维度聚类效果,得到更合适的初始目标框个数与尺寸;通过缩减YOLOv3中多尺度检测网络、改进损失函数,以减少检测时间和提高目标识别精确度。最后,对木结缺陷进行拼接得出位置坐标。试验结果表明,较改进前YOLOv3算法,mAP值提升7.47%,检测速度提高35%;较Faster R-CNN算法mAP值提升11.68%,检测速度提高约15倍,改进后模型能精确地检测出死结和活结缺陷。因此,在后续研究中,可考虑以YOLOv3算法作为检测木结缺陷模型,进一步改进YOLOv3网络,以提高检测实时性和精确度。

木材节子缺陷图像分割方法比较研究

针对木材表面多种节子缺陷检测问题,进行了木材节子缺陷图像分割方法的比较研究。首先将RGB彩图灰度化,再依次通过GM算法、Cross entropy算法、ISO算法、Max entropy算法、OTSU算法、EM算法、K-means算法和Soft算法进行计算并得到各自的分割图,同时对RGB彩图进行人工分割,得到作为标准的人工分割图。对每种算法的分割图进行jaccard、dice、bfscore三种标准评价算法处理,得到各算法的3种评价结果,再通过比较选取图片最佳的分割方法。试验结果表明,连续最大流算法(GM算法)分割效果最优,最大熵分割算法(Max entropy算法)效果最差,其他六种算法效果介于二者之间。

基于空气耦合式超声波的锯材节子缺陷检测

针对锯材的节子缺陷,基于空气耦合式超声波的传输系数与待测样本密度之间的关系,探索了空气耦合式超声波的节子缺陷检测新方法,并采用自行研制的空气耦合式超声波检测仪对杉木锯材试样进行检测,结果表明,空气耦合式超声波技术不仅能检测出锯材表面可见的节子缺陷,也可以有效检测不可见的内部节子缺陷。

木地板表面死节缺陷图像检测方法

针对室内装饰实木地板表面死节缺陷,提出一种基于多通道大津法(Otsu)与加权Chan-Vese(CV)模型的实木地板死节缺陷图像检测算法。首先,输入RGB彩色图像并提取R、G、B三颜色通道,分别对三通道进行Otsu阈值分割,将三通道二值图进行或运算,得到初始水平集;然后,将三通道的数据项进行加权,与正则化项一起构成能量泛函,进行曲线演化;最后,采用加权CV模型进行水平集迭代计算,得到木地板死节缺陷。试验结果表明,提出的算法能充分利用各通道的优点,提高分割效果。

基于深度学习的木材死节缺陷图像分割方法

深度学习是当前机器学习的研究热点之一,针对木材表面死节缺陷图像,提出一种基于自动编码器(Autoencoder,AE)与长短期记忆网络(Long Short-Term Memory,LSTM)的深度学习图像分割方法。将RGB彩色图像转换成灰度图像,对灰度图像进行分块,同时将块变换成行向量,所有行向量组成矩阵并采用AE进行深度学习,通过设置多层深度学习结构,实现行向量维数约减。最后采用LSTM对约减后的死节和背景特征进行训练与测试并得到分类结果。试验结果表明,提出的算法的分割效果好,能很好地提取木材表面死节缺陷。

应用灰度直方图特征识别木材表面节子缺陷

木材表面节子是木材缺陷中非常重要的一类缺陷,也是评定木材外观等级、锯材和单板质量的重要指标。为了提高节子缺陷识别效率及准确性,并改善检测过程的自动化程度,对应用木材表面图像的灰度直方图统计特征进行节子缺陷识别进行研究。通过利用类间距离对7个统计特征的分类能力进行评价,从而确定出识别节子缺陷的最佳统计特征,即平滑度特征;同时提出一种自适应的最大类间方差聚类法进行分类阈值的确定,进而采用阈值判别实现节子缺陷识别。经在线检测实验证实,该方法的识别率高于99%。