论文部分内容阅读
木材无损检测是一门综合性的、非破坏性的木材缺陷的检测方法。在不损坏木材表面和结构的前提下,准确地检测出木材的缺陷。能够确保合理选材、科学用材,提高木材的使用率和经济价值,有效节约木材资源。本课题以北方典型的两种树种:落叶松和桦木(它们分别属于针叶材和阔叶材)为研究对象,对它们中的节子、腐朽、虫害三种典型木材缺陷类型进行了具体的研究。研制了木材X射线的无损检测系统和木材缺陷图像的采集系统的硬件平台。采用X射线作为检测手段,对木材进行无损检测。通过检测透过被检物体后的射线差异,来判断被检测木材是否有缺陷存在。不仅可以检测木材的表面缺陷,还可以检测木材的内部缺陷。在木材的另一端利用图像增强器进行接收,再经过微光摄像机送入A/D转换器,将木材X射线模拟图像转换成一数字图像存入计算机中,完成木材的缺陷图像的采集工作。应用数字图像处理技术对采集到的木材缺陷图像进行预处理。对三种木材缺陷图像分别进行了灰度变换增强、改进的加权均值滤波处理、中值滤波处理。处理后的图像对比度明显增强,没有出现传统均值滤波加宽的现象,最大程度地保留了图像的缺陷细节,易于后续的图像特征提取。运用常用的几个边缘检测算子:Roberts算子、Sobel算子、Prewitt算子、Log算子、Canny算子对木材缺陷图像进行边缘检测,检测结果表明Sobel算子检测效果较好,速度较快。为了提高边缘提取的效果,对木材缺陷的原始图像、灰度变换增强后的图像、加权均值滤波后的图像、中值滤波后的图像分别进行二值化处理,对加权均值滤波后的图像的二值化处理效果最佳,对该二值图像缺陷区域进行填充处理。应用Sobel算子对填充后的二值图像进行边缘提取,提取出清晰的木材缺陷边缘。提出了一种通过对图像实现木材缺陷图像分割的新方法。首先对效果最佳的木材缺陷的二值图像进行图像翻转,将其数组转化为uint8类型,然后将翻转后得到的图像与中值滤波后的木材缺陷图像进行,木材缺陷图像的结果使缺陷区域完全从背景中分离,完成了图像分割,同时并没有改变缺陷区域的灰度、结构等特征。木材缺陷在特征的选择上具有四个特点:可区别性,对不同类别的对象,特征要具有明显的差异性;可靠性,对同类别的对象,特征具有相近性;独立性,所用的特征之间互不干涉,互不相关;数量少,数量多虽然能更好的区别不同的对象,但是计算量增大,运算时间增长,同样会使识别准确率下降。根据节子、腐朽、虫害的缺陷特征差异,主要提取木材缺陷图像的灰度特征和形状特征。首先对边缘提取后的木材缺陷图像进行扫描,记录缺陷区域的边缘的坐标,确定了木材缺陷的位置和尺寸,再根据确定的位置和尺寸分别对三种木材缺陷的二值图像和分割后的图像进行特征提取,提取了木材缺陷长宽比、圆形度、灰度均值、灰度方差4个特征量。结合节子、腐朽、虫害各自的结构特点,引入了矩及几何中心矩,通过对几何矩的非线性组合,得到一组对于图像平移、旋转和比例不变的矩—Hu不变矩。根据Hu不变矩的物理意义,对原有的Hu不变矩进行抽象,由原来的7个特征抽象为10个特征,满足了图像的平移、缩放和旋转不变性。提取出了10个木材缺陷的结构特征值。这样对三种典型缺陷各提取了14个木材缺陷的特征值,对这14个特征进行归一化处理,归一化后的特征值将作为神经网络输入的特征向量。设计了BP神经网络模型,确定BP网络的层数及各层神经元数目,隐层和输出层选择S型函数作为激励(传递)函数,通过对BP各种算法的比较,得出Levenberg-Marquardt学习算法是最优的算法,用已知样本对BP神经网络进行学习,将训练成熟的网络对未知样本进行仿真,BP神经网络对木材缺陷的识别准确率达到90%。构建了RBF神经网络模型,RBF神经网络对数据具有较好的逼近能力。RBF神经网络为三层网络,确定了各层的节点数,隐层传递函数为高斯函数,输出层传递函数为线性函数,经过反复试验确定了径向基分布常数spread,用已知样本对RBF神经网络进行训练,训练完成后,对未知样本进行仿真试验,对木材缺陷的识别准确率达到92%。组建了BP-RBF混合神经网络模型。BP神经网络具有较好的数据压缩能力,RBF神经网络对数据具有较好的逼近效果,将BP神经网络和RBF神经网络串联。BP-RBF混合神经网络中的BP神经网络部分的输出作为RBF神经网络的输入,采用分布训练的方法,先对BP神经网络部分进行训练,然后再对RBF网络进行训练。由于BP-RBF混合神经网络中的BP网络部分与前面构建的BP网络结构相同,已训练成熟,不需要再进行训练,但混合神经网络中的RBF网络部分与前面的RBF神经网络有所不同,对RBF网络部分进行训练,重新确定了径向基分布常数spread,待RBF网络部分训练达到精度要求后,整个BP-RBF混合神经网络训练完成,对未知样本进行识别。对样本的识别准确率达到96%。三种神经网络的木材缺陷识别率进行比较,BP-RBF混合神经网络识别准确率最高,而且实际输出值更接近于目标输出值。实验结果表明,应用BP和RBF神经网络方法可以成功地对木材的三种典型缺陷进行无损检测,木材缺陷的识别率都在90%以上,组建的BP-RBF混合神经网络模型对木材缺陷识别的精度高,更加有效。此方法为实现木材缺陷的自动化检测提供了重要的理论依据。