关键词:
单板缺陷
图像增强
自适应伽马变换(AGC)
多重曝光融合(AMEF)
SVM
参数优化
缺陷识别
摘要:
我国对木材资源的需求量巨大,近60%依靠进口,综合利用率低使得木材资源浪费严重,如何提高木材的利用率,成为我国一个亟需解决的重要问题。木材在成材过程会产生各种缺陷,这不仅增加企业的生产成本,还影响到木制品的力学性能、外观品质,单板作为一种木材制品,由原木旋切而成,作为胶合板的重要材料,需求量巨大,单板质量的参差不齐影响其利用率及胶合板的质量,而节子、裂纹作为单板中常见的缺陷,对单板质量影响最大,因此对于单板节子和裂纹缺陷的识别尤为重要。目前在生产企业主要依靠工人的视觉检测单板的质量,人工视觉检测劳动强度大,眼睛会易于疲劳,导致人工检测准确性低。因此,提出采用数字图像处理技术替换人工识别单板缺陷的方法。本文对数字图像处理技术中的图像增强、特征提取以及构建识别模型进行了相关探究,以单板中的节子、裂纹作为研究对象,展开实验,实现了基于数字图像处理技术的单板缺陷图像增强与识别。本文的主要研究内容如下:(1)对Gamma校正、自适应Gamma校正(Adaptive Gamma Correction,AGC)、人工多重曝光融合(Artificial Multiple-Exposure Image Fusion,AMEF)算法的原理和图像增强的方法进行介绍。AGC是用于改善图像对比度和亮度的高性能算法,但由于AGC算法增强函数的不连续,存在预分类问题,对分类边界附近的图像增强效果差,提出一种基于非线性权重调整的AGC算法,将对比度和亮度增强函数修正为连续函数,改进的AGC算法能够有效增强位于边界附近的缺陷图像,性能优于AGC算法;将AMEF算法与改进的AGC算法相结合,各取所长,首先采用AMEF算法增强缺陷图像的细节信息,再采用改进AGC算法增强缺陷图像的对比度与亮度,将提出的方法与AMEF算法、改进AGC算法、HE和GC算法等进行主观分析。结果表明,缺陷图像的视觉质量得到改善,缺陷部分和细节部分清晰可见。(2)通过科学的数学模型对单板缺陷图像的增强效果做出评价,即采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)、结构相似性(Structure Similarity,SSIM)、熵(Entropy,E)、均方根(Root Mean Square Error,RMSE)、平均梯度(Average Gradient,AG)、增强度量(Enhancement Measure Evaluation,EME)六种评价指标对增强后的图像进行客观评价并对进行分析。结果表明,改进的AGC算法在这六个指标得分均高于AGC算法,改进的方法性能更优;本文提出的增强方法在PSNR、SSIM、AG、EME四个指标取得最高得分,较其它方法,性能更优,最大程度地提高了缺陷图像的质量。(3)介绍了方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Pattern,LBP)两种特征提取算法的原理以及特征提取步骤,提取单板缺陷图像的HOG与LBP特征,特征向量合并后并作为分类器的输入。(4)对木材单板缺陷图像进行识别分类,首先阐述了支持向量机的原理以及几种不同的核函数的作用。实验采用SVM作为分类器,考虑了径向核函数、Sigmoid核函数及其参数的选择、HOG和LBP的像素块(Cell Size)大小、图像质量三个因素对识别准确率的影响,对每个因素进行实验并分析,得出当选择RBF核、参数设置为C=32、gamma=0.0625、HOG和LBP的Cell Size均为16×16、采用本文提出的增强方法改善图像质量后能够获得单板节子与裂纹的最优识别模型,多次实验测得三类缺陷的平均识别率可达93.46%,平均耗时5.38s。