CN111899296A - 一种基于计算机视觉的原木材积检测方法与装置 - Google Patents

Abstract

本发明公开了一种基于计算机视觉的原木材积检测方法：利用图像处理技术和计算机视觉技术，实现了对原木堆进行拍照识别材积的功能，通过一系列的图像处理与检测操作，可快速有效的得出材积检测结果，为解决原木材积检测的低效、高成本问题提出了新的解决方案。本发明中材积检测方法划分为图像处理、圆检测以及材积计算三大模块，图像处理模块能够突出原始图片中的原木部分，去除噪声，圆检测模块能够提取原木边缘，材积计算模块能够匹配原木正反端，精确计算材积。检测所得检尺径数据与人工检尺所得检尺径数据的差异在最终的材积计算结果中体现并不明显，对于测试图像的材积检测精确度可以达到97％以上。本发明还公开了相应的检测装置。

Description

一种基于计算机视觉的原木材积检测方法与装置

技术领域

本发明属于机器视觉技术领域，更具体地，涉及一种基于计算机视觉的原木材积检测方法与装置。

背景技术

木材材积的测量是通过测量其小头端面检尺径和木材的检尺长计算得来，目前我国的木材交易中所采取的测量方式仍为传统落后的人工检尺。人工测量主要是通过人工使用卡尺或者直尺对木材进行逐根测量并记录，该方式效率极低，受环境限制和人为因素较高，且该方式直接导致木材交易过程中的人工成本大大增加，拖慢木材市场的交易效率。人工检尺方法备受诟病，却一直没有好的解决方案，在木材市场交易火爆时，甚至出现直接人为估计材积的交易方式。

最近几年，也有一些新的检尺方式与设备应运而出，包括原木光电检尺设备和便携式木材自动检尺仪，两类设备虽然在一定程度上提高了原木材积检测的效率，但是依然存在很多难以接受的缺点，例如光电检尺设备的可移动性差、造价高、检测速度仍然很慢，便携式原木自动检尺仪虽然在便携性方面有了很大的进步，但依旧存在检测速度慢、造价高以及仍旧需要人工逐根检测等问题。以上新兴的两种原木材积检测设备很难解决原木交易中材积检测这个瓶颈问题。

因此，高速运转原木交易市场始终迫切的需要一场新的原木材积检测技术革命来提高其运作效率。在原木材积检测中尝试使用计算机视觉、图像处理等新兴技术，用以解决当前原木材积检测的低效问题和推动传统原木行业转型现代化，是当代技术发展潮流和国家政策推动的必然要求。

发明内容

针对现有技术的以上缺陷或改进需求，本发明以基于原木端面图像的原木材积检测为研究背景，依托于计算机视觉技术和图像处理技术，设计并实现一个基于端面类圆形目标识别的原木材积检测算法。研究目的是为了追求一个高效的原木材积检测方案，致力于解决材积检测这个原木交易中的瓶颈问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于计算机视觉的原木材积检测方法，包括以下步骤：

S1、分别对正面和反面的原始原木端面图像进行预处理：对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓；

S2、分别对正面和反面的原木端面进行类圆形检测：对原木端面图像边缘轮廓进行基于优化霍夫变换的圆检测，得到识别所得的类圆形的圆心与半径数据；

S3、原木材积计算：利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，根据原木检尺长以及各原木的最终检尺径计算原木材积。

本发明的一个实施例中，所述对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，具体为：

首先将已经去除背景的彩色的原木端面图像以RGB三通道的模式读取，对于每一个像素点，按照公式Y＝0.299R+0.587G+0.114B转换为灰度值表示，得到原始灰度图像，其中R、G、B分别为每一个像素的R、G、B值，Y为计算得到的灰度值；

采用分段线性变换的方式对原始灰度图像进行灰度变换得到灰度变换原木端面图像。

本发明的一个实施例中，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，具体为：

通过指定的阈值，将灰度变换原木端面图像中所有像素点的灰度值都变为0或255；其中指定的阈值包括第一阈值T1和第二阈值T2，将小于第一阈值T1和大于第二阈值T2的像素值变为0，介于第一阈值T1和第二阈值T2之间的像素值变为255；

其中第一阈值T1的计算方式为：对10-60范围内的每一个像素值进行一个[x-5,x+5]范围的像素值数量统计，使得每一个像素值都对应一个统计值，取统计值最小的像素值作为阈值T1；第二阈值T2为230。

本发明的一个实施例中，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，具体为：

使用floodFill方法对二值化原木端面图像进行泛洪填充，然后对经过泛洪填充的整幅图片取反，将泛洪填充的反转结果与原二值化图像进行一次或运算，从而实现黑色孔洞的填充；

对黑洞填充后的图像使用OpenCV中提取白色物体轮廓的函数findContours将轮廓提取并绘制出来，遍历提取结果对区域面积小于设定阈值的白色区域进行黑色填充，从而实现白色孔洞的填充。

本发明的一个实施例中，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓，具体为：

使用Canny算子作为边缘检测算子，对孔洞填充原木端面图像进行边缘检测，得到原木端面图像边缘轮廓。

本发明的一个实施例中，基于优化霍夫变换的圆检测，具体为：

采用优化后的2-1霍夫变换进行圆检测，其中2-1霍夫变换将霍夫变换圆检测的过程划分为两个阶段，第一阶段中，首先对图形进行梯度计算，圆周的梯度就是圆的法线，对于一个圆来说多条法线的交界点即为该圆的圆心，从而在第一阶段中检测圆心；第二阶段是根据圆心检测圆的半径，首先计算圆心到所有边缘的距离，这些距离的集合中出现最多的半径值即为该圆的检测半径。

本发明的一个实施例中，利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，具体为：

对正面和反面的原木端面的类圆形，分别按预设规则进行排序并编号，其中预设规则为：横坐标小的类圆形排在前面，横坐标相同纵坐标小的类圆形排在前面；

将经过排序的正面或反面的原木端面的类圆形，按相反顺序进行标号，得到简单排序结果；

对简单排序结果进行二次结合重排序得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，其中二次结合重排序根据如下特性设计：无法对应顺序的原木可大体看作为原木堆中的一列，其顺序的不同仅仅是因为横坐标的细小差距，而横坐标的细小差距则会导致其堆叠成列，因此其纵坐标位置往往会有很大的差距。

本发明的一个实施例中，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，具体为：

输入原木正反端面图像中选定序号原木的实际检尺径，将选定原木实际检尺径用做原木图像识别直径到原木实际检尺径转换中的标尺；

对于原木正端面类圆半径数据和原木反端面类圆半径数据，假其圆数组为circles，选定原木实际检尺径为d，则对于每一个圆，都根据公式D＝r×2÷(2×r_d÷d)进行其检测半径r到实际检尺径D的转换计算，得到各原木的计算检尺径，其中r_d为选定序号原木的的检测半径。

本发明的一个实施例中，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，具体为：

在计算时要对原木正反端面识别的两份结果集同时进行换算，因此对于每一根原木，都会得到两个不同端面的计算检尺径，根据测量规范保留较小计算结果作为其最终检尺径。

按照本发明的另一方面，还提供了一种基于计算机视觉的原木材积检测装置，包括图像预处理模块、类圆形检测模块以及原木材积计算模块其中：

所述图像预处理模块，用于分别对正面和反面的原始原木端面图像进行预处理：对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓；

所述类圆形检测模块，用于分别对正面和反面的原木端面进行类圆形检测：对原木端面图像边缘轮廓进行基于优化霍夫变换的圆检测，得到识别所得的类圆形的圆心与半径数据；

所述原木材积计算模块，用于进行原木材积计算：利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，根据原木检尺长以及各原木的最终检尺径计算原木材积。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：

本发明依托于图像处理技术和计算机视觉技术，设计并实现了基于端面类圆形目标识别的原木材积检测方法，实现了对原木堆进行拍照识别材积的功能，通过一系列的图像处理与检测操作，能够快速有效的得出材积检测结果，为解决原木材积检测的低效、高成本问题提出了新的解决方案。

附图说明

图1是本发明实施例中基于计算机视觉的原木材积检测方法的基本结构图；

图2是本发明实施例中基于计算机视觉的原木材积检测方法的流程示意图；

图3是本发明实施例中原始原木端面图像；

图4是本发明实施例中使用Adobe Photoshop软件进行背景去除操作后的原木端面图像；

图5是本发明实施例中经过灰度转换的原木端面图像；

图6是本发明实施例中分段线性变换示意图；

图7是本发明实施例中分段线性变换前后效果对比图，其中图7(a)是分段线性变换前的端面图像，图7(b)是分段线性变换后的端面图像；

图8是本发明实施例中一份原木端面图像的像素值分布折线图；

图9是本发明实施例中二值化图像；

图10是本发明实施例中需要填充的目标黑色孔洞示意图；

图11是本发明实施例中泛洪填充效果图；

图12是本发明实施例中反转后的泛洪填充效果图；

图13是本发明实施例中黑色孔洞填充效果图；

图14是本发明实施例中白色区域轮廓；

图15是本发明实施例中白色孔洞填充效果图；

图16是本发明实施例中边缘检测结果；

图17是本发明实施例中原木端面类圆形的识别效果图；

图18是本发明实施例中识别所得的圆心与半径数据；

图19是本发明实施例中原木正反端面识别结果对比图，其中图19(a)为原木正端面原始识别结果图，图19(b)为原木反端面原始识别结果图；

图20是本发明实施例中简单排序后的原木正反端面结果对比图，其中图20(a)为简单排序后的原木正端面结果图，图20(b)为简单排序后的原木反端面结果图；

图21是本发明实施例中部分无法对应的原木位置对比图，其中图21(a)为正端面中6、7、8号原木位置，图21(b)为反端面中15、14、13号原木位置；

图22是本发明实施例中结合重排序算法设计流程图；

图23是本发明实施例中结合排序后的原木正反端面结果对比图，其中图23(a)为结合排序后的原木正端面结果图，图23(b)为结合排序后的原木反端面结果图；

图24是本发明实施例中原木材积计算代码；

图25是本发明实施例中用于实验的原木正反端面图像，其中图25(a)为原木堆正端面图像，图25(b)为原木堆反端面图像；

图26是本发明实施例中用于实验的原木正反端面图像，其中图26(a)为用于测试的原木正端面图像，图26(b)为用于测试的原木反端面图像；

图27是本发明实施例中为原木端面图像提交截图；

图28是本发明实施例中处理结果显示界面；

图29是本发明实施例中原木材积计算结果显示图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明依托于数字图像处理技术与计算机视觉技术，将材积检测算法的方案划分为图像处理、圆检测以及材积计算三大模块，在数据获取与输出方面采用人机交互的方式进行，其方案基本结构图如图1所示。

图像处理模块的图像数据由用户在交互时提供，该模块包含灰度变换、二值化处理、孔洞填充以及边缘检测四个步骤，图像处理模块的目标是通过对原木端面图像的一系列处理，获取到原木端面图像中，原木端面连续、清晰的边缘；

圆检测模块包含端面圆检测和检测结果排序两步骤，端面圆检测将基于Hough变换检测方案，对图像中的端面圆进行检测、与定位，由于本次算法将采用原木堆两端图像结合检测的方案，所以在检测出端面圆后，需要对检测结果进行排序，使其两端的检测结果相对应；

在完成圆检测后将会进行一次人机交互，算法需要用户输入原木检尺长与圆检测结果中1号原木的检尺径数据，用于最后的材积计算模块。整个算法流程图如图2所示。

1原木图像预处理方法

(1)图像获取

使用相机或拍摄照片，然后使用图像处理工具人工去除背景。基于成熟的图像处理工具，一张原木端面图像(如图3)背景的人工去除工作，往往在一分钟之内即可以获得很好的效果，人工去除背景后的原木端面图像作为图像预处理算法的输入数据。

使用Adobe Photoshop去除背景后如图4所示，得到只包含原木的图像，处理效果良好，背景基本都已去除。

(2)灰度变换

计算机所能够识别的数字图像为灰度图像，需要将彩色图像转为灰度图像，同时最大程度保持灰度图像的清晰程度，对于RGB图像，每一个像素由R、G、B值组成，转换成灰度图像时每一个像素仅由灰度值表示，因此需要设计转换关系。在实际应用中普遍使用R:G:B＝0.299:0.587:0.114转换为灰度图像，灰度Y的转换关系如式(1)所示。

Y＝0.299R+0.587G+0.114B (1)

首先将已经去除背景的彩色图像(如图4)以RGB三通道的模式读取，对于每一个像素点，按照式(1)转换为灰度值表示，得到图5。

为了获取灰度范围更加适中的灰色图像，还要对图像进行灰度变换处理，灰度变换旨在突出扩展原木真实部分的灰度值范围，同时压缩背景、光照等部分的灰度值范围。在方法中，采用分段线性变换的方式对图像进行灰度变换。

每一个像素点的灰度值都可以用f(x,y)表示，设其灰度范围为[a,b]，变换后的图像用g(x,y)来表示，灰度范围扩展到[c,d]，则其转换可以表示为线性变换函数,如式(2)所示。

对于分段线性变换，通过对不同灰度区间使用不同的线性变换函数，来达到扩展感兴趣区间和压缩不感兴趣区间的目的。分段线性变换示意图如图6所示。

分段线性变换函数如式(3)所示。

图6和式(3)中，将灰度区间[0,a]的压缩为[0,c]，将区间[a,b]扩展为[c,d]，将区间[b,M_f]压缩为[d,M_g]。在对原木端面图像进行多次灰度变换折点位置的调整后，发现两折点位置分别在(70,40)和(200,230)时，灰度变换效果较好。灰度变换前后效果对比如图7(a)和图7(b)所示。

(3)二值化

为了将原木分割出来还需要进行图像二值化，通过指定的阈值，将图像中所有像素点的灰度值都变为0或255，0即为纯黑，255为纯白，木材端面部分的灰度值分布在中间区间，一些低灰度值部分大多是原木之间的空洞部分，高灰度值部分则是由一些阳光照射形成，因此在取阈值时，我们需要取两个阈值T1和T2，将小于T1和大于T2的像素值变为0，介于T1和T2之间的像素值变为255。

为确定阈值，先统计图片所有像素值，如图8所示。

从图8中可以得出，在低像素值部分有一个明显的波峰，该波峰的形成原因是原木端面图像中，其背景部分的像素值主要分布在该波峰所在区间，因此可以在这个波峰与中间像素形成的波峰之间取波谷位置作为二值化阈值。

对于波谷位置的确定，由于相邻像素值数量的波动极其不规律，显然无法采用简单的取最低值方式。在这里，首先对波谷的位置进行大概的估算，以低像素值区域为例，在图像灰度变换时，已将不感兴趣的低像素值区域压缩到了40以下，在经过多次尝试与估算后，最终将低像素值区域的波谷位置确定在10-60范围内。关于波谷具体位置的确定，采用以下方案获取：

(1)对10-60范围内的每一个像素值进行一个“区间数量统计”，即对像素值x进行一个[x-5,x+5]范围的像素值数量统计，使得每一个像素值都对应一个统计值；

(2)取统计值最小的像素值作为阈值T1。

对于高像素值范围，其像素点数量并不多，虽然有一个轻微的波峰存在，但由于其高像素值点的数量在整张图像中占比极小，其对整个算法影响不大，加之在线性变换时，已经将光照、背景等干扰部分的高像素区间压缩到了230以上，因此在这里直接采用取230作为固定阈值T2。

对原木端面图像使用上述方法获取到的阈值进行二值化后获得的二值化图像如图9所示。

(4)孔洞填充

对于二值化图像的结果，其中还存在着一些孔洞噪声，为了使最终的识别更加精确，还需要对原木白色端面内部的黑色孔洞和白色端面外部的白色孔洞进行填充操作。所需填充的孔洞如图10所示。

进行孔洞填充之前首先要获取到所要填充的目标黑洞，而泛洪填充算法恰恰乐意帮助我们获取目标黑洞，图像中，所有的背景区域都是联通的，因此可以在图像的黑色背景中选取种子点，由种子点扩展填充白色，即可将目标黑色孔洞之外的像素点全部变为白色，剩下的黑色区域也自然只剩下目标孔洞。OpenCV中提供了实现泛洪填充的floodFill方法，使用OpenCV对图像进行泛洪填充后的结果图如图11所示。

然后只需要对图中黑色的区域转为白色即可，直接对整幅图片取反得到图12。

将泛洪填充的反转结果与原二值化图像进行一次或运算得到图13，这样反转结果中对孔洞的填充就可以融入原二值化图像，原二值化的其他部分不会被改变。

除了黑色孔洞，还有白色孔洞需要填充，图像经过前期处理后，白色孔洞数量很少并且范围也很小，采用基于面积阈值的填充方法将白色孔洞去除。首先使用OpenCV中提取白色物体轮廓的函数findContours，将轮廓都提取并绘制出来，如图14所示。

遍历提取结果，并根据区域的面积决定是否对其进行填充。综合图片考虑，将面积阈值设置为300个像素点，即将图片中面积小于300个像素点的白色区域填充为黑色，填充后白色噪点已经消失，如图15所示。

(5)原木端面边缘检测

在经过前面的一系列处理后得到了较为清晰、噪声很少的原木端面二值化图像，接下来进行原木端面图像的边缘检测，以获取原木端面的轮廓信息。

使用Canny算子作为边缘检测算子，该算子能够较好的抵抗噪声干扰并进行边缘标记，使用Canny算子对原木端面图像进行边缘检测的结果如图16所示。

2原木端面类圆形检测方法

(1)基于优化霍夫变换的圆检测

在标准霍夫变换中，霍夫变换对圆形的检测是在三个参数组成的三维空间中的检测，理论上只要给定图形的表示方程，霍夫变换就可以对其进行检测，但是参数越多，霍夫空间的维度就越高，这样会导致其运行效率难以应用于实际图形的检测中。为了解决霍夫变换圆检测的效率问题，采用优化后的2-1霍夫变换(21HT)。

2-1霍夫变换将霍夫变换圆检测的过程划分为两个阶段，以达到减少霍夫空间维度的目的。第一阶段中，首先对图形进行梯度计算，圆周的梯度就是圆的法线，对于一个圆来说，多条法线的交界点即为该圆的圆心，从而在第一阶段中达到检测圆心的目的；第二阶段则是根据圆心检测圆的半径，首先计算圆心到所有边缘的距离，这些距离的集合中出现最多的半径值即为该圆的检测半径。

2-1霍夫变换将三维霍夫空间中的检测降为二维空间中的检测，这样的优化无论是在空间上还是时间上的效率都能够得到明显的提升。

opencv中提供了基于2-1霍夫变换圆检测的HoughCircles函数，使用该函数进行原木端面类圆形的检测，在经过多次调参与优化对比后得到效果图17。

识别所得的圆心与检测半径数据以数组的形式返回，在将其整理成[x,y,r]格式后，如图18所示。

3原木材积计算方法

(1)原木双端图像检测数据的排序整合

在完成原木端面类圆形的检测工作后，由于采用原木双端图像结合检测的方式确定材积，因此会分别获得一份原木正端面图像的检测数据和一份原木反端面图像的检测数据。由于在圆识别检测的时候并没有将识别结果的排序加入进去，因此所获取到的两份数据均以无规则的顺序呈现。在最后的计算过程中，要对每一根原木的两端分别进行检尺径计算，最后取小头端数据用于最后的材积计算。因此为了使每一根原木两端的圆形数据一一对应，要在拿到双端检测数据后进行数据的排序和整合。

首先将原木双端图像的检测数据在原图中进行标注并对比，对比图像如图19(a)和图19(b)所示。

对两份识别结果单独按照一定的规则排序，本发明中，采用的规则排序规则如下：1.识别结果中横坐标小的排在前面；2.横坐标相同纵坐标小的排在前面。

在排序算法的选择中，因为每一份数据集的大小通常只有几十份，直接选用了实现简单的插入排序算法。在运用以上规则对两份识别结果进行排序后，排序结果如图20(a)和图20(b)所示。

因为原木正反面图像中所对应的原木实际位置是左右相反的，所以两份原木端面识别数据中原木的编号应该也要相反，即正端面中编号为1的原木对应反端面中编号为20的数据，所以对于一一对应的数据，其正端面中编号1-20的原木应该依次对应于反端面中编号20-1的原木，在图3-26中，虽然大部分原木可以一一对应，但仍有部分无法对应，例如正端面编号为6、7、8的原木依然无法与反端面中编号为15、14、13的原木一一对应。因此在简单排序的基础上，还要再对其进行一次结合重排序。

首先分析简单排序无法获得理想结果的原因，在横坐标相近、高低不同的原木中，由于原木前后端会产生一定的位移偏差，所以会导致其无法获得一一对应的理想结果，如图21(a)和图21(b)所示。

无法对应顺序的原木可大体看作为原木堆中的一列，其顺序的不同仅仅是因为横坐标的细小差距，而横坐标的细小差距则会导致其堆叠成列，因此其纵坐标位置往往会有很大的差距，本发明将根据这一特性来对原木端面圆检测数据进行第二次结合重排序。

图22为结合重排序的算法设计流程图。在最开始经过简单排序后对照正反两端的检测数据对反端的排序情况进行调整，正端检测数据从第一个数据开始，根据对应规则反端从最后一个数据开始，分别获取他们的纵坐标像素值，如果像素值之差小于150，说明位置没有太大差距，视为对应正确，保留这一个反端的排序，将其存入反端重排序数组，正端数据移动到下一个，反端数据移动到前一个，进行下一轮比较。

如果差值大于等于150，说明位置差距过大，没有对应正确，首先判断临时数组是否为空，如果为空直接将这次参与判断的反端数据加入临时数组，并获取其前一个反端数据继续比较像素值。如果临时数组不为空，那么搜寻临时数组中的数据直到找到与正端像素差值小于150的那个数据，将其存入反端重排序数组中，进行下一轮正反端数据的对比重排。

如果临时数组都遍历了仍然没有找到差值足够小的数据，那么将这次参与比较的反端数据加入临时数组，再获取下一个反端数据与当前正端数据进行比较，直到完成当前正端数据的对应反端的重排，如此往复循环直至所有正端数据对应反端数据都符合像素值要求，这时重排就完成了，正反端就可以一一对应。

经过结合重排序后，处理结果如图23(a)和图23(b)所示。如图23(a)和图23(b)所示，原木正反端面中的原木顺序已经按照编号1-20实现一一对应，原木端面检测数据的排序整合工作至此完成。

(2)原木检尺径计算

在原木检尺径计算前，首先需要人为输入原木正反端面图像中1号原木的实际检尺径，用做原木图像识别直径到原木实际检尺径转换中的标尺。对于每一份检测数据，假其圆数组为circles，circles[0][2]是1号原木的计算检尺径，用户输入的实际检尺径为d，则对于识别结果集中的每一个圆，都根据公式4进行其检测半径r到实际检尺径D的转换计算。

D＝r×2÷(2×circles[0][2]÷d) (4)

在计算时要对原木正反端面识别的两份结果集同时进行换算，因此对于每一根原木，都会得到两个不同端面的检尺径数据，根据测量规范，在这里只需保留较小计算结果作为其最终的检尺径数据。经过检尺径计算操作后，所得到最终结果为一组检尺径数据。

(3)原木材积计算

在圆检测结束后的用户交互时，会要求用户输入原木的检尺长数据，因此已经得到了原木的检尺径和检尺长数据，此时我们只需要根据国家规定的原木检尺方法中所给出的公式进行简单计算，就可以轻松获得最终的原木材积计算结果。具体计算代码如图24所示。

4仿真实验

(1)实验过程

所需原始数据为原木正反端面图像，图像可由普通的数码相机、手机等拍摄获取，要求拍摄角度位于原木堆端面正中间，角度端正，尽量避免阴影等问题。

根据经验总结，理论上图像质量越高，检测精度也会相应提高。图25(a)和图25(b)是使用移动手机拍摄得到的原木堆正反端面图像。

基于以上两张图片对其进行人工背景去除，去除背景后的两张原木端面图片如图26(a)和图26(b)所示。将使用图26(a)和图26(b)中的两张图片进行方案的测试工作。

为了满足算法的人机交互过程以及更好的展示算法的检测过程，将算法打包封装，以Web接口的形式接收和返回相应数据，并编写了简单的网页界面，用于算法所需图像等数据的输入以及算法检测结果的显示。

首先向通过网页界面向接口提交原木堆正反端面图像，如图27所示。

提交后，接口收到相应数据并在处理完成后将处理结果返回给前端界面。

前端界面会将处理结果进行显示并提示用户输入下一步材积计算检测所需要的数据。如图28所示。

此时需要输入两张处理结果图像中，1号原木的检尺径数据和原木堆的检尺长数据。这些数据经过测量分别为13cm、12cm和1.3m，输入数据后点击提交，界面上会将最后的材积计算结果显示出来，如图29所示。

检验系统中的自动计算的各根原木的数据，将原木检尺径的检测结果与实际人工测量结果进行对比分析，如表1所示。

表1原木检尺径检测数据与人工测量数据对比表

由表1中的数据可以看出，测试图像中全部20根原木的检尺径检测结果中，有4根原木的检测数据与人工检尺结果不同，虽然有所不同，但其在数值上的差异并不大。最终的材积计算结果约为0.401m³，根据人工检尺所得的检尺径数据对木材材积进行计算，得出的人工检量结果为0.413m³。可以看出，检测所得检尺径数据与人工检尺所得检尺径数据的差异在最终的材积计算结果中体现并不明显，对于测试图像数据的材积检测精确度可以达到97％以上。

(2)误差分析

原木材积检尺中，由于原木端面形状并不规则，因此其测量误差在所难免，无论是人工检尺、机械检尺还是本发明所使用的基于计算机视觉技术的检尺方式，都只能尽量将误差控制在可接受范围内。虽然无法消除误差，但通过误差分析，可以找到产生误差的原因并且尽可能地避免。

基于计算机视觉技术的原木检尺方案排除了人工检尺中影响检尺精度的人为因素，精度在一定程度上得到了提高。

综上所述，基于计算机视觉的原木材积检测方法具有较高的检测准确度，使用起来方便快捷，较好地满足了快速测量的需求。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于计算机视觉的原木材积检测方法，其特征在于，包括以下步骤：

S1、分别对正面和反面的原始原木端面图像进行预处理：对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓；

S2、分别对正面和反面的原木端面进行类圆形检测：对原木端面图像边缘轮廓进行基于优化霍夫变换的圆检测，得到识别所得的类圆形的圆心与半径数据；

S3、原木材积计算：利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，根据原木检尺长以及各原木的最终检尺径计算原木材积。

2.如权利要求1所述的基于计算机视觉的原木材积检测方法，其特征在于，所述对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，具体为：

首先将已经去除背景的彩色的原木端面图像以RGB三通道的模式读取，对于每一个像素点，按照公式Y＝0.299R+0.587G+0.114B转换为灰度值表示，得到原始灰度图像，其中R、G、B分别为每一个像素的R、G、B值，Y为计算得到的灰度值；

采用分段线性变换的方式对原始灰度图像进行灰度变换得到灰度变换原木端面图像。

3.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，具体为：

通过指定的阈值，将灰度变换原木端面图像中所有像素点的灰度值都变为0或255；其中指定的阈值包括第一阈值T1和第二阈值T2，将小于第一阈值T1和大于第二阈值T2的像素值变为0，介于第一阈值T1和第二阈值T2之间的像素值变为255；

其中第一阈值T1的计算方式为：对10-60范围内的每一个像素值进行一个[x-5,x+5]范围的像素值数量统计，使得每一个像素值都对应一个统计值，取统计值最小的像素值作为阈值T1；第二阈值T2为230。

4.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，具体为：

使用floodFill方法对二值化原木端面图像进行泛洪填充，然后对经过泛洪填充的整幅图片取反，将泛洪填充的反转结果与原二值化图像进行一次或运算，从而实现黑色孔洞的填充；

对黑洞填充后的图像使用OpenCV中提取白色物体轮廓的函数findContours将轮廓提取并绘制出来，遍历提取结果对区域面积小于设定阈值的白色区域进行黑色填充，从而实现白色孔洞的填充。

5.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓，具体为：

使用Canny算子作为边缘检测算子，对孔洞填充原木端面图像进行边缘检测，得到原木端面图像边缘轮廓。

6.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，基于优化霍夫变换的圆检测，具体为：

采用优化后的2-1霍夫变换进行圆检测，其中2-1霍夫变换将霍夫变换圆检测的过程划分为两个阶段，第一阶段中，首先对图形进行梯度计算，圆周的梯度就是圆的法线，对于一个圆来说多条法线的交界点即为该圆的圆心，从而在第一阶段中检测圆心；第二阶段是根据圆心检测圆的半径，首先计算圆心到所有边缘的距离，这些距离的集合中出现最多的半径值即为该圆的检测半径。

7.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，具体为：

对正面和反面的原木端面的类圆形，分别按预设规则进行排序并编号，其中预设规则为：横坐标小的类圆形排在前面，横坐标相同纵坐标小的类圆形排在前面；

将经过排序的正面或反面的原木端面的类圆形，按相反顺序进行标号，得到简单排序结果；

对简单排序结果进行二次结合重排序得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，其中二次结合重排序根据如下特性设计：无法对应顺序的原木可大体看作为原木堆中的一列，其顺序的不同仅仅是因为横坐标的细小差距，而横坐标的细小差距则会导致其堆叠成列，因此其纵坐标位置往往会有很大的差距。

8.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，具体为：

输入原木正反端面图像中选定序号原木的实际检尺径，将选定原木实际检尺径用做原木图像识别直径到原木实际检尺径转换中的标尺；

对于原木正端面类圆半径数据和原木反端面类圆半径数据，假其圆数组为circles，选定原木实际检尺径为d，则对于每一个圆，都根据公式D＝r×2÷(2×r_d÷d)进行其检测半径r到实际检尺径D的转换计算，得到各原木的计算检尺径，其中r_d为选定序号原木的的检测半径。

9.如权利要求1或2所述的基于计算机视觉的原木材积检测方法，其特征在于，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，具体为：

在计算时要对原木正反端面识别的两份结果集同时进行换算，因此对于每一根原木，都会得到两个不同端面的计算检尺径，根据测量规范保留较小计算结果作为其最终检尺径。

10.一种基于计算机视觉的原木材积检测装置，其特征在于，包括图像预处理模块、类圆形检测模块以及原木材积计算模块其中：

所述图像预处理模块，用于分别对正面和反面的原始原木端面图像进行预处理：对背景去除原木端面图像进行灰度变换得到灰度变换原木端面图像，对灰度变换原木端面图像进行图像二值化得到二值化原木端面图像，对二值化原木端面图像进行孔洞填充得到孔洞填充原木端面图像，对孔洞填充原木端面图像进行边缘检测得到原木端面图像边缘轮廓；

所述类圆形检测模块，用于分别对正面和反面的原木端面进行类圆形检测：对原木端面图像边缘轮廓进行基于优化霍夫变换的圆检测，得到识别所得的类圆形的圆心与半径数据；

所述原木材积计算模块，用于进行原木材积计算：利用所述类圆形的圆心与半径数据分别对正面和反面的原木端面的类圆形进行排序整合，得到正反面原木一一对应的原木正端面类圆半径数据和原木反端面类圆半径数据，基于选定原木实际检尺径对原木正端面类圆半径数据和原木反端面类圆半径数据进行换算得到原木正端面各原木的计算检尺径和原木反端面类圆半径数据各原木的计算检尺径，取各原木正端面和反端面的计算检尺径的较小值作为该原木的最终检尺径，根据原木检尺长以及各原木的最终检尺径计算原木材积。

Images