CN115713524A - 一种基于点云数据的木材破损类缺陷检测方法 - Google Patents

Abstract

本发明提供了一种基于点云数据的木材破损类缺陷检测方法，具体步骤如下：步骤1：数据采集；步骤2：预处理；步骤3：有效数据提取；得到为点云数据的轮廓数据；步骤4：将每个经过预处理后的点云轮廓数据进行多次均值滤波，并提取残差值；步骤5：缺陷判定；检测缺陷的阈值设定为C，将残差值与设定阈值作比较；检测缺陷的阈值设定为C；当残差值有大于设定阈值C的部分时，则判断对应的点云轮廓具有缺陷，否则判断为正常点云轮廓；应用本技术方案可有效地提高在林木业生产过程中的破损类缺陷检测的准确性与生产效率，不再需要依靠人工标记缺陷处，大大节约了人力资源成本。

Description

一种基于点云数据的木材破损类缺陷检测方法

技术领域

本发明涉及木材缺陷检测技术领域，特别是一种基于点云数据的木材破损类缺陷检测方法。

背景技术

在木材家具行业中，木材家具的生产必须保证木材的强度和结构上的完整性；使用优质的木材原料能够有效提高家具的生产效率与品质，因此，准确且快速地检测出木材上的破损类缺陷处成为工业生产过程中的重要一环。

目前，许多木材加工厂在生产过程中仍然使用人工来标记缺陷位置，这种方法不仅效率低下、精度差并且还带有主观性，如木材上的污渍也会对判断造成一定影响。虽然基于机器视觉的检测方法已经被应用于检测木材缺陷区域，但是该方法无法测量出由破损缺陷带来的木材表面深度变化。因此，开发一种木材破损类缺陷检测方法对木材工业生产过程具有重要意义。

发明内容

有鉴于此，本发明的目的在于提供一种基于点云数据的木材破损类缺陷检测方法，根据3D激光传感器所采集到的三维点云数据所提供的木材表面深度信息来判断是否存在破损类缺陷。首先通过迭代的方式对每一个3D点云轮廓数据进行多次均值滤波，构建得出接近于正常木材表面的支撑轮廓。再将支撑轮廓数据与实际轮廓数据作差来提取轮廓的残差值作为木材的破损缺陷的感兴区域。通过轮廓的残差值与设定的阈值进行比较，从而判定该轮廓是否包含缺陷。在对3D点云数据的所有轮廓数据都进行判断后，利用合并与滤除算法计算获取最终的缺陷检测结果。

为实现上述目的，本发明采用如下技术方案：一种基于点云数据的木材破损类缺陷检测方法，具体步骤如下：

步骤1：数据采集；木板通过传送带传送到数据收集区域，并触发激光传感器开关；然后激光传感器以固定的采样频率扫描木材上下表面并生成3D点云数据；

步骤2：预处理；将采集到的H×W尺寸点云数据，通过四分位法对木材点云数据中的异常值进行滤除，得到有效的木材点云数据；

步骤3：有效数据提取；对H×N尺寸的点云数据按照H维进行划分，得到W_i{i＝0，1，...，H}为点云数据的轮廓数据；

步骤4：将每个经过预处理后的点云轮廓数据单独使用一维卷积计算进行多次均值滤波，构建支撑轮廓并提取残差值；

步骤5：缺陷判定；检测缺陷的阈值设定为C，将残差值R_i＝(r₁，r₂，...，r_N)与设定阈值作比较来判定缺陷；检测缺陷的阈值设定为C；当残差值有大于设定阈值C的部分时，则判断对应的点云轮廓具有缺陷，否则判断为正常点云轮廓。

在一较佳的实施例中，残差值的计算步骤如下：

均值滤波：利用

对每个轮廓进行滤波从而构建支撑轮廓；其中S_i＝s₁，s₂，...，s_N为滤波后结果，支撑轮廓数据G_i＝(g₁，g₂，...，g_N)为初始的点云轮廓数据W_i＝(w₁，w₂，...，w_N)，{i＝0，1，...，H}，并在迭代过程中为更新G_i的值；

设置一维卷积核f(m)的大小设定为K，W_i为初始点云轮廓数据，N为轮廓W_i的点云个数；

构建支撑轮廓：比较卷积所得的滤波数据S_i与点云支撑轮廓数据G_i，通过

将这两者数据中的较大值作为新的支撑轮廓G′_i；

将计算得到新的支撑轮廓G′_i，将G′_i赋值给G_i，并重复进行步骤(5)-(7)T次，得到最终的木材支撑轮廓G_i；

将最终木材支撑轮廓G_i＝(g₁，g₂，...，g_N)与初始点云轮廓数据W_i＝(w₁，w₂，...，w_N)相减得到残差值R_i＝(r₁，r₂，...，r_N)＝(g₁-w₁，g₂-w₁，...，g_N-w_N)。

在一较佳的实施例中，具体来说，缺陷检测结果由0与1的序列构成记作A＝(a₀，a₁，…，a_h)，0代表无缺陷轮廓，1代表缺陷轮廓；后处理中使用合并操作对检测的缺陷轮廓进行合并，当两个缺陷数据轮廓之间的距离小于设定值M时，将其合并为一个缺陷区域；合并过后，当存在缺陷区域小于设定值D时，将该缺陷区域作为噪声进行滤除，从而得到最后的木材破损类缺陷检测结果。

与现有技术相比，本发明具有以下有益效果：

1)本发明有效提高了在工业加工生产过程中木材破损类缺陷检测的准确性与生产效率，不再需要依靠人工标记缺陷处，大大节约了人力资源成本。

2)依靠获取木材三维点云数据来分析木材表面的深度变化进而检测木材的破损类缺陷，能够减少基于传统机器视觉的缺陷检测方法容易出现误检的问题。

3)采取对点云轮廓数据的逐一检测并且通过合并和滤除的操作对最终的结果进行修正，有效保证缺陷检测的准确性。

附图说明

图1为本发明优选实施例的支撑轮廓均值滤波算法流程图；

图2为本发明优选实施例的木材破损类缺陷检测流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种基于点云数据的木材破损类缺陷检测方法，整体流程如图1所示，具体步骤如下：

步骤1：数据采集：木板通过传送带传送到数据收集区域，并触发激光传感器开关。然后上下激光传感器以固定的采样频率扫描木材表面并生成3D点云数据。接着将生成的数据传输到计算机中进行后续处理。

步骤2：预处理：对采集到4000×450尺寸的点云数据，通过四分位法对木材点云数据中的异常值进行滤除，得到有效的木材点云数据。

步骤3：有效数据提取：对4000×450尺寸的点云数据按照长度方向的维度进行划分，得到W_i{i＝0，1，...，4000}为点云轮廓数据。

步骤4：将每个经过预处理后的点云轮廓数据单独使用一维卷积计算进行多次均值滤波，构建支撑轮廓并提取残差值的算法流程如图2所示，具体步骤如下：

1)均值滤波：利用

对每个轮廓进行滤波从而构建支撑轮廓。其中S_i＝(s₁，s₂，...，s₄₅₀)为滤波后结果，支撑轮廓数据G_i＝(g₁，g₂，...，g₄₅₀)为初始的W_i＝(w₁，w₂，...，w₄₅₀)，{i＝1，...，4000}，并在迭代过程中为更新G_i的值。

2)设置一维卷积核f(m)的大小设定为60，W_i为初始点云轮廓数据，450为轮廓W_i的点云个数。

3)构建支撑轮廓：比较卷积所得的滤波数据S_i与点云支撑轮廓数据G_i，通过

将这两者数据中的较大值取出作为新的支撑轮廓G′_i。

4)将计算得到新的支撑轮廓G′_i，将G′_i赋值给G_i，并重复进行步骤(5)-(7)10次，得到最终的木材支撑轮廓G_i。

5)提取残差值：将最终木材支撑轮廓G_i＝(g₁，g₂，...，g₄₅₀)与初始点云轮廓数据W_i＝(w₁，w₂，...，w₄₅₀)作差值得到残差值R_i＝(r₁，r₂，...，r₄₅₀)＝(g₁-w₁，g₂-w₁，...，g₄₅₀-w₄₅₀)。

步骤4：缺陷判定：检测缺陷的阈值C设定为1.2mm，将残差值R_i＝(r₁，r₂，...，r₄₅₀)与设定阈值作比较来判定缺陷。当残差值有大于设定阈值的部分时，则判定对应的点云轮廓具有缺陷，否则判断为正常点云轮廓。

步骤5：缺陷检测结果由0与1的序列构成记作A＝(a₀，a₁，…，a₄₀₀₀)，0代表无缺陷轮廓，1代表缺陷轮廓。

步骤6：后处理中使用合并操作对检测的缺陷轮廓进行合并，当两个缺陷数据轮廓之间的距离小于设定值30mm时，将其合并为一个缺陷区域。

步骤7：合并过后，当存在缺陷区域小于设定值5mm时，将该缺陷区域作为噪声进行滤除，从而得到最后的木材破损类缺陷检测结果。

Claims (3)

1.一种基于点云数据的木材破损类缺陷检测方法，其特征在于，具体步骤如下：

步骤1：数据采集；木板通过传送带传送到数据收集区域，并触发激光传感器开关；然后激光传感器以固定的采样频率扫描木材上下表面并生成3D点云数据；

步骤2：预处理；将采集到的H×W尺寸点云数据，通过四分位法对木材点云数据中的异常值进行滤除，得到有效的木材点云数据；

步骤3：有效数据提取；对H×N尺寸的点云数据按照H维进行划分，得到W_i{i＝0，1，...，H}为点云数据的轮廓数据；

步骤4：将每个经过预处理后的点云轮廓数据单独使用一维卷积计算进行多次均值滤波，构建支撑轮廓并提取残差值；

步骤5：缺陷判定；检测缺陷的阈值设定为C，将残差值R_i＝(r₁，r₂，...，r_N)与设定阈值作比较来判定缺陷；检测缺陷的阈值设定为C；当残差值有大于设定阈值C的部分时，则判断对应的点云轮廓具有缺陷，否则判断为正常点云轮廓。

2.根据权利要求1所述的一种基于点云数据的木材破损类缺陷检测方法，其特征在于，残差值的计算步骤如下：

均值滤波：利用

对每个轮廓进行滤波从而构建支撑轮廓；其中S_i＝s₁，s₂，...，s_N为滤波后结果，支撑轮廓数据G_i＝(g₁，g₂，...，g_N)为初始的点云轮廓数据W_i＝(w₁，w₂，...，w_N)，{i＝0，1，...，H}，并在迭代过程中为更新G_i的值；

设置一维卷积核f(m)的大小设定为K，W_i为初始点云轮廓数据，N为轮廓W_i的点云个数；

构建支撑轮廓：比较卷积所得的滤波数据S_i与点云支撑轮廓数据G_i，通过

将这两者数据中的较大值作为新的支撑轮廓G′_i；

将计算得到新的支撑轮廓G′_i，将G′_i赋值给G_i，并重复进行步骤(5)-(7)T次，得到最终的木材支撑轮廓G_i；

将最终木材支撑轮廓G_i＝(g₁，g₂，...，g_N)与初始点云轮廓数据W_i＝(w₁，w₂，...，w_N)相减得到残差值R_i＝(r₁，r₂，...，r_N)＝(g₁-w₁，g₂-w₁，...，g_N-w_N)。

3.根据权利要求1所述的一种基于点云数据的木材破损类缺陷检测方法，其特征在于，具体来说，缺陷检测结果由0与1的序列构成记作A＝(a₀，a₁，…，a_h)，0代表无缺陷轮廓，1代表缺陷轮廓；后处理中使用合并操作对检测的缺陷轮廓进行合并，当两个缺陷数据轮廓之间的距离小于设定值M时，将其合并为一个缺陷区域；合并过后，当存在缺陷区域小于设定值D时，将该缺陷区域作为噪声进行滤除，从而得到最后的木材破损类缺陷检测结果。

Images