CN104700417A - 木材节子瑕疵的计算机图像自动识别方法 - Google Patents
木材节子瑕疵的计算机图像自动识别方法 Download PDFInfo
- Publication number
- CN104700417A CN104700417A CN201510132203.0A CN201510132203A CN104700417A CN 104700417 A CN104700417 A CN 104700417A CN 201510132203 A CN201510132203 A CN 201510132203A CN 104700417 A CN104700417 A CN 104700417A
- Authority
- CN
- China
- Prior art keywords
- knot
- flaw
- timber
- image
- flaws
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了木材节子瑕疵的计算机图像自动识别方法,该方法主要步骤为:第一,通过数字摄像头对木材图像进行采集;第二,对采集的木材图像进行图像重组、图像去噪和图像增强等预处理;第三,通过图像数字处理算法,对预处理后的图像进行特征提取;第四,根据瑕疵边缘特征,应用Hough变换判断木材瑕疵的类圆或椭圆形状特点,确定候选区域;第五,应用逐行像素面积扫描算法计算节子瑕疵面积;第六,通过对比面积阈值及特征参数,对木材节子瑕疵进行识别。该方法采用图像识别技术对木材节子瑕疵进行识别,识别精度高、速度快、操作简单,可以满足现代木材加工行业对节子瑕疵识别速度和质量的要求,且可精确定位节子瑕疵位置,方便节子瑕疵高速自动化切割。
Description
技术领域
本发明属于木材加工技术领域,涉及一种木材节子瑕疵的计算机图像自动识别方法。
背景技术
我国木材市场需求巨大,木材加工质量获得了越来越多的关注。木材加工质量与木材加工技术水平有紧密联系,其中木材瑕疵识别又决定着木材加工技术的先进化水平。国标锯材缺陷(GB/T4823-1995)规定木材瑕疵分为九类:节子、变色、腐朽、蛀虫、裂纹、木材构造缺陷、加工缺陷、变形和损伤,其中节子是木材的最大瑕疵,故木材瑕疵识别主要集中在节子的识别检测。目前,对于木材节子瑕疵识别,国内木材加工企业大部分仍依靠人工、肉眼识别,这种节子瑕疵识别方式有些无法避免的缺陷。例如,需要大量的人工,每个工人对优良的判断水平,以及人眼易疲劳和无纪律性等,导致在优良分选的时候杂乱无章,不仅浪费大量人力,而且识别效果差。
本发明提出的方法,克服了传统方法易受人主观意识干扰、难以同时满足木材加工自动化高速和精确要求的缺点。应用图像识别技术,可以满足现代木材加工行业对速度和质量的要求,识别精度高、速度快、操作简单,且可以精确定位节子瑕疵位置,方便节子瑕疵高速自动化切割,为木材加工行业实现全面自动化提供了有力的技术支持。
发明内容
本发明提供了木材节子瑕疵的计算机图像自动识别方法,克服了传统节子瑕疵识别方法易受人主观意识干扰、难以同时满足木材加工自动化高速和精确要求的缺点。应用图像识别,可以满足现代木材加工行业对速度和质量的要求,识别精度高、速度快、操作简单,且可以精确定位节子瑕疵位置。
为解决上述技术问题,本发明提出的解决方案为:第一,通过数字摄像头对木材图像进行采集;第二,对采集的木材图像进行图像重组、图像去噪和图像增强等预处理;第三,通过图像数字处理算法,对预处理后的图像进行特征提取;第四,根据瑕疵边缘特征,应用Hough变换判断木材瑕疵的类圆或椭圆形状特点,确定候选区域;第五,应用逐行像素面积扫描算法计算节子瑕疵面积;第六,通过对比面积阈值及特征参数,对木材节子瑕疵进行识别。
本发明的技术方案如下:
步骤一:应用数字高清相机对加工生产线上的待切割木材进行高质量彩色图像采集;
步骤二:对相机所采集木材图像进行图像重组、高斯去噪、图像增强等预处理工作;
步骤三:应用自适应权值彩色图像灰度化、灰度直方图算法和灰度拉伸,对木材图像进行灰度分级,提取木材节子瑕疵的边缘特征、纹理特征和颜色特征;
步骤四:根据木材节子瑕疵的类圆或椭圆形状的特点,确定木材节子瑕疵的候选区域,其具体操作方法为:应用图形识别Hough变换,将瑕疵边缘特征转化为极坐标形式,计算极坐标下的线性度L,判断瑕疵是否为类圆或椭圆,确定节子瑕疵的候选区域坐标;
步骤五:根据木材节子瑕疵候选区域坐标,对节子瑕疵边缘进行精确定位,应用逐行像素面积扫描算法,计算木材节子瑕疵候选区域面积S,其中木材节子瑕疵候选区域面积S通过逐行像素面积扫描算法计算公式为:式中k为一个像素所表示的面积,a为i的最小值,b为i的最大值;jmax、jmin分别表示i为某一固定值时j的最大值、最小值;
步骤六:根据设定的节子瑕疵面积阈值T,结合木材节子瑕疵的边缘特征、纹理特征和颜色特征,给出节子瑕疵判定结论。
所述的方法,其特征在于,步骤三中,自适应权值彩色图像灰度化的公式为:Gray(i,j)=[xR(i,j)+yG(i,j)+zB(i,j)]÷3,式中Gray(i,j)为转化后(i,j)点的灰度值,R(i,j)、G(i,j)、B(i,j)分别为(i,j)点的红、绿、蓝分量值,x、y、z分别为红、绿、蓝的权值系数,根据木材色调分析,系数x的范围为[0.4,0.8],系数y的范围为[0.3,0.6],系数z的范围为[0.1,0.3]。
所述的方法,其特征在于,步骤三中,边缘特征通过Sobel算子法获得,颜色特征通过灰度分级获得,纹理特征通过空间灰度层共生矩阵计算,纹理特征参数包括能量、熵和惯性矩。
所述的方法,其特征在于,步骤五中,节子瑕疵面积阈值T由BP神经网络模型训练结果给出,经过大量木材节子瑕疵数据训练,形成了木材节子瑕疵面积阈值T数据库,根据节子瑕疵面积阈值T,做判断:S>T,则木材不是对应节子瑕疵类型,若S<T,则可结合木材节子瑕疵的边缘特征、纹理特征和颜色特征,给出节子瑕疵判定结论。
本发明的有益效果是:本发明通过图像数字处理算法,对预处理后的图像进行特征提取,对木材节子瑕疵进行边缘定位,应用Hough变换,判断瑕疵形状特性,确定候选区域,并由逐行像素面积扫描算法计算节子瑕疵面积,通过对比面积阈值及特征参数,对木材节子瑕疵进行识别,克服了传统方法易受人主观意识干扰、难以同时满足木材加工自动化高速和精确要求的缺点,可以满足现代木材加工行业对速度和质量的要求,识别精度高、速度快、操作简单,且可以精确定位节子瑕疵位置。
附图说明
图1为本发明中木材节子瑕疵的计算机图像自动识别原理框图。
图2为本发明中实现木材节子瑕疵的计算机图像自动识别程序流程图。
图3为本发明中木材节子瑕疵的计算机图像自动识别神经元网络训练***框图。
具体实施方式
本发明提出了木材节子瑕疵的计算机图像自动识别方法。以下结合附图作详细说明:
本发明的木材节子瑕疵的计算机图像自动识别原理框图如图1所示,木材图像经过特征提取后,得到节子瑕疵的边缘特征、纹理特征和颜色特征,应用Hough变换判断瑕疵的形状特性,确定候选区域,并根据逐行像素面积扫描算法计算瑕疵面积,最后由节子瑕疵面积、纹理和颜色特征得到木材节子瑕疵的图像识别结果。
如图2所示,木材节子瑕疵的计算机图像自动识别方法流程如下:
第一步,应用数字高清CMOS相机对木材加工生产线上的待切割木材进行图像采集;本实施例中,选用核桃木为识别对象,图像采集像素尺寸为1080×1920,为保证图像完整性,两侧预留30个像素宽度;图像的命名以日期加木材编号为基础,一根木材图像采集完毕后,将图像存储在FLASH芯片中;
第二步,对相机所采集木材图像进行图像重组、高斯去噪、图像增强等预处理工作;本实施例中,木材加工生产线的移动速度为0.8m/s,图像采集速度为3fps,首先采用重叠像素切割法将图像重组,经过高斯去噪后,再对重组后的图像进行色彩增强;
第三步,为加快图像处理速度,将彩色图像转化为灰度图像,应用自适应权值彩色图像灰度化方法:
Gray(i,j)=[xR(i,j)+yG(i,j)+zB(i,j)]÷3 (1)
式中Gray(i,j)为转化后(i,j)点的灰度值,R(i,j)、G(i,j)、B(i,j)分别为(i,j)点的红、绿、蓝分量值,x、y、z分别为红、绿、蓝的权值系数,根据木材色调分析,系数x的范围为[0.4,0.8],系数y的范围为[0.3,0.6],系数z的范围为[0.1,0.3];本实施例中,核桃木色彩一般为浅红褐色至棕褐色,所以x、y、z分别为0.53、0.31、0.16;
然后进行灰度拉伸,对木材图像进行灰度分级,灰度拉伸公式为:
式中,M为图像最大灰度值,N为图像最小灰度值;本实施例中,M为207,N为36;
采用灰度直方图算法统计各灰度值在图像中所占的像素数,提取颜色特征;应用灰度层共生矩阵方法提取木材瑕疵纹理特征;
通过Sobel算子法获得木材瑕疵的边缘特征,Sobel算子法的公式为:
P(i,j)=|(f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1))-
(f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1))|+
|(f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1))- (3)
(f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1))|
式中f(i,j)为数字图像的灰度值;
第四步,根据Sobel算子法得到木材瑕疵边缘特征坐标(i,j),应用图形识别Hough变换,Hough变换的公式为:
式中,p、q分别为i、j变换后对应的坐标,r为变换后的半径,θ为变换后的角度;
通过式(4)将瑕疵边缘特征转化为极坐标形式,根据类圆或椭圆在极坐标系中的线性特点,计算线性度L,计算公式为:
式中,p′、q′分别为p、q对应的线性拟合坐标,线性拟合方程由最小二乘法计算所得;
根据极坐标与笛卡尔坐标的转换关系,极坐标下线性度L与笛卡尔坐标系中的圆形度R成线性相关:L越小,R越接近于1,表示瑕疵形状越接近于圆形;L越大,R越接远离1,表示瑕疵形状越复杂;根据经验,当线性度L在区间[0,20]时,可以判定瑕疵形状为类圆或椭圆,并可确定节子瑕疵的候选区域坐标;本实施例中线性度L的值为15.62,瑕疵形状为类圆或椭圆;
第五步,根据瑕疵边缘特征,对瑕疵边缘进行精确定位,得到瑕疵边缘坐标组D,应用逐行像素面积扫描算法:
式中,k为一个像素所表示的面积,由比例法得到;(i,j)∈D,a为i的最小值,b为i的最大值;jmax、jmin分别表示i为某一固定值时j的最大值、最小值;本实施例中,a为725,b为968;k为1.03654e-9m2;
由式(6)可计算得到木材瑕疵面积S;面积S的计算结果为2.45682e-5m2;
第六步,应用BP神经元网络算法,针对木材节子瑕疵特征进行训练,并输出对应节子瑕疵的面积阈值T,根据输出的节子瑕疵面积阈值T,做判断:S>T,则木材不是对应节子瑕疵,若S<T,则可结合木材节子瑕疵的边缘特征、纹理特征和颜色特征,给出节子瑕疵判定结论;本实施例中,神经网络输出的阈值T为[0.92897e-5,3.12007e-5],所以判断结论为节子瑕疵。
至此,完成了木材节子瑕疵的计算机图像自动识别。
综上所述,本发明提供了木材节子瑕疵的计算机图像自动识别方法,该方法可以满足现代木材加工行业对速度和质量的要求,识别精度高、速度快、操作简单,且可以精确定位节子瑕疵位置,为木材高速加工提供了有力的技术支持。
Claims (4)
1.木材节子瑕疵的计算机图像自动识别方法,其特征在于,包括以下步骤:
步骤一:应用数字高清相机对加工生产线上的待切割木材进行高质量彩色图像采集;
步骤二:对相机所采集木材图像进行图像重组、高斯去噪、图像增强等预处理工作;
步骤三:应用自适应权值彩色图像灰度化、灰度直方图算法和灰度拉伸,对木材图像进行灰度分级,提取木材节子瑕疵的边缘特征、纹理特征和颜色特征;
步骤四:根据木材节子瑕疵的类圆或椭圆形状的特点,确定木材节子瑕疵的候选区域,其具体操作方法为:应用图形识别Hough变换,将瑕疵边缘特征转化为极坐标形式,计算极坐标下的线性度L,判断瑕疵是否为类圆或椭圆,确定节子瑕疵的候选区域坐标;
步骤五:根据木材节子瑕疵候选区域坐标,对节子瑕疵边缘进行精确定位,应用逐行像素面积扫描算法,计算木材节子瑕疵候选区域面积S,其中木材节子瑕疵候选区域面积S通过逐行像素面积扫描算法计算公式为:式中k为一个像素所表示的面积,a为i的最小值,b为i的最大值;jmax、jmin分别表示i为某一固定值时j的最大值、最小值;
步骤六:根据设定的节子瑕疵面积阈值T,结合木材节子瑕疵的边缘特征、纹理特征和颜色特征,给出节子瑕疵判定结论。
2.根据权利要求1所述的方法,其特征在于,步骤三中,自适应权值彩色图像灰度化的公式为:Gray(i,j)=[xR(i,j)+yG(i,j)+zB(i,j)]÷3,式中Gray(i,j)为转化后(i,j)点的灰度值,R(i,j)、G(i,j)、B(i,j)分别为(i,j)点的红、绿、蓝分量值,x、y、z分别为红、绿、蓝的权值系数,根据木材色调分析,系数x的范围为[0.4,0.8],系数y的范围为[0.3,0.6],系数z的范围为[0.1,0.3]。
3.根据权利要求1所述的方法,其特征在于,步骤三中,边缘特征通过Sobel算子法获得,颜色特征通过灰度分级获得,纹理特征通过空间灰度层共生矩阵计算,纹理特征参数包括能量、熵和惯性矩。
4.根据权利要求1所述的方法,其特征在于,步骤六中,节子瑕疵面积阈值T由BP神经网络模型训练结果给出,经过大量木材节子瑕疵数据训练,形成了木材节子瑕疵面积阈值T数据库,根据节子瑕疵面积阈值T,做判断:S>T,则木材不是对应节子瑕疵类型,若S<T,则可结合木材节子瑕疵的边缘特征、纹理特征和颜色特征,给出节子瑕疵判定结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510132203.0A CN104700417A (zh) | 2015-01-19 | 2015-03-25 | 木材节子瑕疵的计算机图像自动识别方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015100252153 | 2015-01-19 | ||
CN201510025215 | 2015-01-19 | ||
CN201510132203.0A CN104700417A (zh) | 2015-01-19 | 2015-03-25 | 木材节子瑕疵的计算机图像自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104700417A true CN104700417A (zh) | 2015-06-10 |
Family
ID=53347499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510132203.0A Pending CN104700417A (zh) | 2015-01-19 | 2015-03-25 | 木材节子瑕疵的计算机图像自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700417A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703880A (zh) * | 2017-11-01 | 2018-02-16 | 遵义医学院 | 一种沉香自动分离设备 |
CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数***及方法 |
CN110287990A (zh) * | 2019-05-21 | 2019-09-27 | 山东大学 | 微型藻类图像分类方法、***、设备及存储介质 |
CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
CN112330635A (zh) * | 2020-11-06 | 2021-02-05 | 中国农业机械化科学研究院 | 一种基于相关滤波的玉米种子内部裂纹检测方法 |
CN112370048A (zh) * | 2020-11-10 | 2021-02-19 | 南京紫金体育产业股份有限公司 | 基于关节关键点的运动姿态伤害预防方法、***和存储介质 |
CN113554648A (zh) * | 2021-09-18 | 2021-10-26 | 四川太平洋药业有限责任公司 | 生产线检测方法 |
CN113674233A (zh) * | 2021-08-13 | 2021-11-19 | 沭阳东川木业有限公司 | 基于人工智能的木材优选锯视觉检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1882935A1 (en) * | 2005-05-18 | 2008-01-30 | Meinan Machinery Works, Inc. | Wood knot detecting method, device, and program |
CN103761743A (zh) * | 2014-01-29 | 2014-04-30 | 东北林业大学 | 一种基于图像融合分割的实木地板表面缺陷检测方法 |
CN103942816A (zh) * | 2014-04-29 | 2014-07-23 | 中国林业科学研究院木材工业研究所 | 一种基于图像处理的木材单板节子数量和大小的识别方法 |
-
2015
- 2015-03-25 CN CN201510132203.0A patent/CN104700417A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1882935A1 (en) * | 2005-05-18 | 2008-01-30 | Meinan Machinery Works, Inc. | Wood knot detecting method, device, and program |
CN103761743A (zh) * | 2014-01-29 | 2014-04-30 | 东北林业大学 | 一种基于图像融合分割的实木地板表面缺陷检测方法 |
CN103942816A (zh) * | 2014-04-29 | 2014-07-23 | 中国林业科学研究院木材工业研究所 | 一种基于图像处理的木材单板节子数量和大小的识别方法 |
Non-Patent Citations (4)
Title |
---|
崔金刚: "图像处理技术在木材检测方面的应用", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
张怡卓等: "梯度算子与灰度阈值融合的实木地板节子识别方法研究", 《林业科技》 * |
梁海平: "基于机器视觉的木材表面缺陷的在线检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄梓效等: "基于椭圆Hough变换的尿沉渣图像红细胞检测", 《计算机***应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703880A (zh) * | 2017-11-01 | 2018-02-16 | 遵义医学院 | 一种沉香自动分离设备 |
CN107703880B (zh) * | 2017-11-01 | 2024-02-20 | 遵义医学院 | 一种沉香自动分离设备 |
CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数***及方法 |
CN110287990A (zh) * | 2019-05-21 | 2019-09-27 | 山东大学 | 微型藻类图像分类方法、***、设备及存储介质 |
CN110414140A (zh) * | 2019-07-30 | 2019-11-05 | 同济大学 | 木材损伤的模型训练和测试方法、装置、设备和存储介质 |
CN112330635A (zh) * | 2020-11-06 | 2021-02-05 | 中国农业机械化科学研究院 | 一种基于相关滤波的玉米种子内部裂纹检测方法 |
CN112370048A (zh) * | 2020-11-10 | 2021-02-19 | 南京紫金体育产业股份有限公司 | 基于关节关键点的运动姿态伤害预防方法、***和存储介质 |
CN113674233A (zh) * | 2021-08-13 | 2021-11-19 | 沭阳东川木业有限公司 | 基于人工智能的木材优选锯视觉检测方法 |
CN113554648A (zh) * | 2021-09-18 | 2021-10-26 | 四川太平洋药业有限责任公司 | 生产线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700417A (zh) | 木材节子瑕疵的计算机图像自动识别方法 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
Liu et al. | A method of segmenting apples at night based on color and position information | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN106338520A (zh) | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN103914849B (zh) | 一种红枣图像的检测方法 | |
CN103698341B (zh) | 一种棉花轧工质量检测***及棉花轧工质量图像检测方法 | |
CN103186904A (zh) | 图片轮廓提取方法及装置 | |
CN107527343B (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
CN105046700A (zh) | 基于亮度校正与颜色分类的水果表面缺陷检测方法及*** | |
CN108985363A (zh) | 一种基于rbpnn的钢筋混凝土桥梁裂缝分类识别方法 | |
CN115294144B (zh) | 一种家具复合板表面缺陷识别方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别***设计 | |
CN110866561A (zh) | 一种基于图像识别的塑料瓶颜色分选方法 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN111667473A (zh) | 基于改进Canny算法的绝缘子憎水性等级判断方法 | |
Tian et al. | Corrosion identification of fittings based on computer vision | |
CN103185731A (zh) | 基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法 | |
CN114387262A (zh) | 一种基于机器视觉的螺母定位检测方法、装置及*** | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150610 |
|
WD01 | Invention patent application deemed withdrawn after publication |