CN106373127A - 用于木材树种及表面缺陷的激光扫描并行检测方法 - Google Patents

Abstract

本发明提供了一种用于木材树种及表面缺陷的激光扫描并行检测方法，该方法首先使用3D扫描技术扫描木材表面后获取3D点云数据，通过比较当前点坐标Z值与设置的阈值的大小关系判定读入的点云数据是否为缺陷点；其次，采用诸如深度优先搜索算法对筛选保留的缺陷点进行分割，再使用诸如积分方法计算各个缺陷处所占表面积和体积；最后，利用木材表面扫描点的RGB信息及颜色矩特征进行木材树种分类识别，在计算颜色矩特征时还可以消除缺陷点产生的干扰，进一步提高树种分类识别精度和抗干扰性。这样，本发明的上述方法可以进行木材树种和表面缺陷的同时并行检测处理，其中木材缺陷检测是利用扫描点的3D坐标信息，而木材树种识别则是利用扫描点的RGB信息。

Description

用于木材树种及表面缺陷的激光扫描并行检测方法

技术领域

本发明涉及检测技术，尤其涉及一种用于木材树种及表面缺陷的激光扫描并行检测方法。

背景技术

木材的生长周期缓慢，需求量较大使用范围较广，而木材树种和木材缺陷是决定木材质量和价格进行木材分级的两个重要依据。

木材树种分类识别是针对木材的定性检测，现在的计算机检测识别技术主要有木材微观细胞结构分类识别和木材表面宏观特征分类处理。微观处理法需要显微镜和切片加工处理，步骤繁琐复杂。宏观处理法包括图像分析处理法和光谱分析处理法：在图像分析处理法中，提取的分类特征主要有颜色特征和纹理特征两种，其中，颜色特征包括颜色矩特征、直方图的能量、熵等，而纹理特征主要用空间灰度共生矩阵及其统计量，还包括灰度行程长度矩阵、Fourier频谱分析法等频域法；在光谱分析处理法中，主要是使用光谱辐射仪采集木材表面的光谱反射率，在特定的波段区间内(例如近红外波段)利用光谱反射率曲线的差异进行木材树种分类处理。

此外，对木材缺陷进行检测的现有技术主要有核磁共振法、激光扫描法、光谱分析法、声学法等，主要集中在缺陷定性检测。其中，激光扫描法和光谱分析法适用于木材表面的缺陷检测，而核磁共振法和声学法更适用于木材内部缺陷的探测。在木材表面的外部缺陷检测中，光谱分析法主要是分类识别缺陷的种类(例如节子、虫眼、腐蚀和裂纹等)；激光扫描法通过扫描木材表面获取表面的3D形状信息，可用于木材表面粗糙度测量等。

然而，目前尚不存在一种能够同时实现木材树种分类识别和表面缺陷检测的现有技术。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，本发明提供了一种用于木材树种及表面缺陷的激光扫描并行检测方法，以至少解决目前尚不存在一种能够同时实现木材树种分类识别和表面缺陷检测的技术的问题。

根据本发明的一个方面，提供了一种用于木材树种及表面缺陷的激光扫描并行检测方法；通过对木材表面进行3D激光扫描，获取木材表面对应的3D点云数据；针对3D点云数据中的每个点，通过比较该点的坐标z值与预设阈值之间的大小关系来判定该点是否为缺陷点；对得到的所有缺陷点进行区域分割，得到多个缺陷处；计算多个缺陷处中的每一个所占的表面积和体积；根据3D点云数据中各点的RGB信息，采用颜色矩特征进行木材树种分类识别。

进一步地，采用颜色矩特征进行木材树种分类识别的步骤包括：在进行木材树种分类识别前，删除所有缺陷点；针对每个扫描点的每个颜色分量，计算统计量一阶矩α、二阶矩β和三阶矩γ，组成用于分类识别的特征向量，以完成木材树种分类识别：

$\left\{\begin{array}{c}\mathrm{\α}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{P}_i\·\\ \mathrm{\β}={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(P_i-\mathrm{\α}\right)}^2\right)}^{1/2}\\ \mathrm{\γ}={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(P_i-\mathrm{\α}\right)}^3\right)}^{1/3}\end{array}\right\};$

其中，n表示扫描点的数量，P_i表示第i个扫描点的当前颜色分量的灰度值。

进一步地，木材树种分类识别采用BP神经网络实现。

进一步地，对得到的所有缺陷点进行区域分割的步骤采用深度优先搜索算法实现。

进一步地，计算多个缺陷处中的每一个所占的表面积和体积的步骤采用积分的方法实现。

本发明的用于木材树种及表面缺陷的激光扫描并行检测方法能够使用3D扫描技术来扫描木材表面后得到3D点云数据，一方面利用扫描点的3D坐标信息来进行木材缺陷检测，而另一方面利用扫描点的RGB信息来进行木材树种识别，由此能够对木材树种和表面缺陷进行同时并行检测处理，解决现有技术的不足。

此外，在利用木材表面颜色矩特征进行分类识别前，通过删除掉缺陷点(或缺陷处)，以此消除缺陷点对计算颜色矩特征所产生的干扰，从而能够进一步提高树种分类识别精度和抗干扰性。

通过以下结合附图对本发明的最佳实施例的详细说明，本发明的这些以及其他优点将更加明显。

附图说明

本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。在附图中：

图1A为本发明的用于木材树种及表面缺陷的激光扫描并行检测方法的一个示例性处理的流程图；

图1B为手持光栅扫描仪的照片视图；

图1C为利用Artec Studio 9对木材表面的展示；

图2为缺陷分割的算法流程图；

图3为木板表面在Artec Studio 9中忽略RGB、反射率的效果图；

图4为将一个缺陷点建模形成的正六边形；

图5为通过作图得到的小六边形；

图6为缺陷点O建模形成的正六棱柱。

本领域技术人员应当理解，附图中的元件仅仅是为了简单和清楚起见而示出的，而且不一定是按比例绘制的。例如，附图中某些元件的尺寸可能相对于其他元件放大了，以便有助于提高对本发明实施例的理解。

具体实施方式

在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。

在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

本发明的实施例提供了一种用于木材树种及表面缺陷的激光扫描并行检测方法，该激光扫描并行检测方法包括：通过对木材表面进行3D激光扫描，获取木材表面对应的3D点云数据；针对3D点云数据中的每个点，通过比较该点的坐标z值与预设阈值之间的大小关系来判定该点是否为缺陷点；对得到的所有缺陷点进行区域分割，得到多个缺陷处；计算多个缺陷处中的每一个所占的表面积和体积；根据3D点云数据中各点的RGB信息，采用颜色矩特征进行木材树种分类识别。

图1A示出了本发明的用于木材树种及表面缺陷的激光扫描并行检测方法的一个示例的流程图。如图1A所示，激光扫描并行检测方法开始后，执行步骤S110。

在步骤S110中，通过对木材表面进行3D激光扫描(例如可以采用Artec 3D扫描仪)，获取木材表面对应的3D点云数据。其中，木材表面对应的3D点云数据包括木材表面上每点的3D坐标信息和RGB信息，每点的3D坐标信息包括该点的x坐标、y坐标和z坐标。然后，执行步骤S120。其中，x和y坐标表示平面位置信息，z坐标即深度坐标。

3D扫描技术以非接触式激光等方式为主，同时具有较高的测量精度，而且扫描速度比较快能获取物体大量的点云数据，对物体的3D重建有很大的作用。本发明中，木材质量检测的3D点云数据采集使用先进的Artec 3D Scanner手持光栅扫描仪(如图1B所示)，它是一种利用光栅发出的激光来扫描并获取物体表面3D点云数据的仪器，它的原理和拍摄三维物体的设备相似，只需要对目标物体扫描一圈就能得到目标物体的三维信息，同时对物体的外形和表面纹理信息进行捕获。而且在扫描前不需要对物体表面轮廓进行标记和电磁跟踪定位，3D扫描分辨率达到0.5mm，同时带有可调节闪光灯，重量轻且便于携带，数据存储格式多。它扫描的数据点格式为(X,Y,Z,F,R,G,B)，XYZ表示该点的3D坐标；F是该点表面反射率；RGB是该点表面的颜色分量特征。

在Artec 3D Scanner完成木材表面扫描后，使用仪器配备的软件系统ArtecStudio 9读取扫描仪的数据，并展示还原后的木材表面，然后把木材表面与坐标轴XOY平面校准，将木材表面存储成obj格式的文件，方便后续处理。图1C为木板经过手持光栅扫描仪进行扫描后，使用Artec Studio 9读取扫描数据后的预览展示。

在步骤S120中，针对3D点云数据中的每个点，通过比较该点的坐标z值与预设阈值之间的大小关系来判定该点是否为缺陷点。然后，执行步骤S130。

其中，这里的缺陷点是指包含木材表面的凹陷类缺陷(如虫眼、孔洞和裂缝等)的点。

例如，预设阈值可以为0。使用Artec Studio 9软件将木板模型表面旋转至和坐标轴XOY平面重合，在读入txt文件中的点云数据后，判断其中每个点的坐标z值与预设阈值0之间的关系：当该点的坐标z值与0近似，也就是说，该点的坐标z值在(-δ,+δ)范围内时(其中δ为正实数，例如δ＝0.1或0.2)，判定该点是非缺陷点；而当该点的坐标z值小于-δ时，判定该点为缺陷点。该例子主要针对凹陷类缺陷。

在步骤S130中，对得到的所有缺陷点进行区域分割，得到多个缺陷处。然后，执行步骤S140。

根据一种实现方式，步骤S130中的区域分割例如可以采用深度优先搜索算法来实现，对已经通过点坐标z值与预设阈值进行判定后筛选保留的点按照每个缺陷处进行划分标号，使构成同一个形如虫眼、孔洞、裂缝等缺陷处的点被标记成相同序号，其算法流程图如图2所示。

如图2所示，在步骤S201中，筛选出点云数据中的缺陷点。

接着，在步骤S202中，设置缺陷部分阈值(即上文所述的预设阈值)。

然后，在步骤S203中，遍历缺陷点。

然后，在步骤S204中，判断遍历是否结束？若是，结束处理；否则，执行步骤S205中的处理。

在步骤S205中，判断当前点是否有缺陷标号：若是，返回执行步骤S203；否则，执行步骤S206。

在步骤S206中，为该点新建缺陷标号current_id。然后执行步骤S207。

在步骤S207中，遍历剩余缺陷点。

接着，在步骤S208中，判断遍历是否结束？若是，返回执行步骤S203；否则，执行步骤S209中的处理。

在步骤S209中，判断当前遍历点与新建标号点的三维坐标差是否小于阈值？若是，执行步骤S210中的处理；否则，返回执行步骤S207。

在步骤S210中，将当前遍历点缺陷标号设置为current_id，然后执行步骤S207。

如图1A所示，在步骤S140中，计算多个缺陷处中的每一个所占的表面积和体积。然后，执行步骤S150。

根据一种实现方式，可以采用积分法计算缺陷处的体积和表面积，需要将构成缺陷处的缺陷点扩张至一个表面，每个缺陷点都是组成一个缺陷处的小三角面的顶点，如图3所示。近距离观察构成缺陷处的缺陷点，可以得出每三个相邻缺陷点组成一个三角面，其中每个缺陷点又是六个三角面的顶点，所以表面模型选用正六边形如图4所示。对于任意一缺陷点O，四周有A、B、C、D、E、F六个缺陷点与缺陷点O相邻。

关于表面模型的选择方式，这里分别对线段OA、线段OB、线段OC、线段OD、线段OE、线段OF做垂直平分线，两两交于点P、点Q、点R、点S、点N、点T，连结PQ、QR、RS、SN、NT、TP形成小六边形，形成如图5所示的小六边形。假设点O为构成木板表面缺陷处的一个缺陷点，那么将该点扩大成图5中的小六边形PQRSNT最为准确。同样的，与缺陷点O构成缺陷三角面的点A、点B、点C、点D、点E、点F都可遵循缺陷点O的方式将一个点扩至一个小六边形。

公式一为缺陷点扩张至正六边形表面的面积(图5中的小正六边形PQRSNT的面积，公式一中的S_底)，其中L为小正六边形PQRSNT平行对边距离的平均值，它实际是当前缺陷点O与其周围的点A～F距离的平均值。这样，各缺陷处的表面积S即可通过累加的方式求出，如公式二，L_i表示第i个缺陷点扩展成小正六边形后的对边距离平均值，例如i＝1,2,…,n，其中n表示某一个缺陷处包含的缺陷点总数。

公式一：

公式二：

如果以积分的方式来求体积，需要将点O扩张成一个底面来进行体积的计算，扩张方法与上面的表面积计算方法类似，只是图5中的点O及周围点A～F都要求是各缺陷点在XOY平面上的投影点。当前点O形成的正六棱柱与相邻点A～F形成的正六棱柱不会存在重合部分，在两个正六棱柱之间也不会出现间隙，用于体积计算具有较高精度(图6)。正六棱柱的体积公式为公式三所示，其中正六棱柱的高h就是该缺陷点三维坐标中的z值的绝对值，S_PQRSNT表示小六边形PQRSNT的面积，V_正六棱柱表示正六棱柱的体积。各缺陷处的体积V_总也是通过累加的方式求出，如公式四，其中，z_i表示第i个缺陷点扩展成正六棱柱后的高。

公式三：V_正六棱柱＝S_PQRSNT·h

公式四：

在步骤S150中，根据3D点云数据中各点的RGB信息，采用颜色矩特征进行木材树种分类识别。需要说明的是，木材表面的凹陷类缺陷处(例如虫眼、孔洞和裂缝)的颜色和木材表面正常颜色相差甚远，在利用木材表面颜色矩特征进行分类识别前删除掉这些缺陷点(可以利用步骤S130中的区域分割结果来实现)，以此消除缺陷点对计算颜色矩特征所产生的干扰，从而能够进一步提高树种分类识别精度和抗干扰性。这样，执行完步骤S150后结束处理。

根据一种实现方式，对于每个颜色分量，可以按照公式五计算出3个颜色矩，即一阶矩α、二阶矩β和三阶矩γ，其中，n表示扫描点的数量，P_i表示第i个扫描点的当前颜色分量的灰度值。对于每个扫描点(即3D点云数据中的每个点)，其具有RGB三个颜色分量。这样，对于全部扫描点，我们将得到9个颜色矩，它们组成特征向量用于后续的分类识别，分类器例如可以使用BP神经网络进行训练和分类。

公式五：

这样，本发明的用于木材树种及表面缺陷的激光扫描并行检测方法能够使用3D扫描技术来扫描木材表面后得到3D点云数据，一方面利用扫描点的3D坐标信息来进行木材缺陷检测，而另一方面利用扫描点的RGB信息来进行木材树种识别，由此能够对木材树种和表面缺陷进行同时并行检测处理，解决现有技术的不足。

本发明能够针对常见的凹陷类缺陷(例如孔洞、虫眼和裂缝)进行表面积体积定量测量，同时还可以进行木材树种分类处理，并且具有较高的分类识别精度；进一步提高了木材质量检测的效率和精度。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (5)

1.用于木材树种及表面缺陷的激光扫描并行检测方法，其特征在于，所述激光扫描并行检测方法；

通过对木材表面进行3D激光扫描，获取所述木材表面对应的3D点云数据；

针对所述3D点云数据中的每个点，通过比较该点的坐标z值与预设阈值之间的大小关系来判定该点是否为缺陷点；

对得到的所有缺陷点进行区域分割，得到多个缺陷处；

计算所述多个缺陷处中的每一个所占的表面积和体积；

根据所述3D点云数据中各点的RGB信息，采用颜色矩特征进行木材树种分类识别。

2.根据权利要求1所述的用于木材树种及表面缺陷的激光扫描并行检测方法，其特征在于，所述采用颜色矩特征进行木材树种分类识别的步骤包括：

在进行木材树种分类识别前，删除所有缺陷点；

针对每个扫描点以及每个颜色分量，计算该扫描点的一阶矩、二阶矩和三阶矩：

$\left\{\begin{array}{c}\mathrm{\α}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{P}_i\·\\ \mathrm{\β}={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(P_i-\mathrm{\α}\right)}^2\right)}^{1/2}\\ \mathrm{\γ}={\left(\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(P_i-\mathrm{\α}\right)}^3\right)}^{1/3}\end{array}\right\};$

利用每个扫描点的每个颜色分量，计算出统计量的一阶矩α、二阶矩β和三阶矩γ，组成用于分类识别的特征向量，以完成木材树种分类识别；其中，n表示扫描点的数量，P_i表示第i个扫描点的当前颜色分量的灰度值。

3.根据权利要求2所述的用于木材树种及表面缺陷的激光扫描并行检测方法，其特征在于，所述木材树种分类识别采用BP神经网络实现。

4.根据权利要求1-3中任一项所述的用于木材树种及表面缺陷的激光扫描并行检测方法，其特征在于，所述对得到的所有缺陷点进行区域分割的步骤采用深度优先搜索算法实现。

5.根据权利要求1-3中任一项所述的用于木材树种及表面缺陷的激光扫描并行检测方法，其特征在于，所述计算所述多个缺陷处中的每一个所占的表面积和体积的步骤采用积分的方法实现。