CN115239714A - 一种用于地板生产的原木材料分级评价方法 - Google Patents

一种用于地板生产的原木材料分级评价方法 Download PDF

Info

Publication number
CN115239714A
CN115239714A CN202211154320.3A CN202211154320A CN115239714A CN 115239714 A CN115239714 A CN 115239714A CN 202211154320 A CN202211154320 A CN 202211154320A CN 115239714 A CN115239714 A CN 115239714A
Authority
CN
China
Prior art keywords
hole
direction vector
defect
area
hole area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211154320.3A
Other languages
English (en)
Other versions
CN115239714B (zh
Inventor
李含之
李永昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Huizhi Furniture Co ltd
Original Assignee
Shandong Huizhi Furniture Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Huizhi Furniture Co ltd filed Critical Shandong Huizhi Furniture Co ltd
Priority to CN202211154320.3A priority Critical patent/CN115239714B/zh
Publication of CN115239714A publication Critical patent/CN115239714A/zh
Application granted granted Critical
Publication of CN115239714B publication Critical patent/CN115239714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于地板生产的原木材料分级评价方法，包括：采集原木材料图像，获取孔洞区域，提取孔洞区域像素点的方向向量，进一步得到孔洞区域的延伸方向，根据所有孔洞区域的延伸方向获取整体延伸相似性；根据孔洞区域内像素点的灰度值以及位置获取像素点的中心表征，进一步获取孔洞区域的中心；根据所有孔洞区域的中心获取整体密度均匀性；根据整体延伸相似性与整体密度均匀性得到缺陷区分系数。本发明通过分析孔洞区域内像素点的分布以及不同孔洞区域之间的相对位置关系获取整体延伸相似性以及整体密度均匀性，可准确区分虫洞缺陷与白腐缺陷，实现了更精确的缺陷识别，提高了对原木材料进行分级评价的准确性。

Description

一种用于地板生产的原木材料分级评价方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于地板生产的原木材料分级评价方法。
背景技术
地板作为现代家具行业中最为常见的产品之一，其本身根据原材料的不同价格也不同，而对于不同价格的地板，除却制造地板的原木木材本身种类的名贵与否，其还与原木材料本身存在的缺陷有关，对制造木制地板的原木材料进行分级是衡量地板产品价格的重要手段，同时对原木材料进行分级并根据分级结果选择更好加工的方式也是为了更好的利用原木材料进行地板等家具制品的生产。
对原木材料的分级评价与原木木材本身存在的缺陷有关，现有的国家标准根据原木木材单位体积上各种类缺陷的数量等指标对原木木材进行分级，而现有对原木缺陷的检查一般依赖人工检验，这种方式耗费人力成本较高且检查结果不稳定。而随着当前图像处理领域的发展，利用对原木材料表面图像进行图像处理进而识别原木缺陷的方法应用越来越广泛，而现有的图像处理技术识别木材缺陷时容易将木材表面的虫洞缺陷与白腐缺陷（白腐菌腐朽）混淆，这是由于虫洞缺陷的外在表现为大小不一的孔洞，而白腐缺陷外在表现也是木材出现蜂窝状的大小不一的筛孔缺陷，这就导致现有的利用阈值分割等方式将孔洞识别出来并进行虫洞缺陷检测的方法无法很好的将白腐缺陷与虫洞缺陷区分开，而白腐缺陷说明原木木材已经出现腐朽的状况，不能保证整个原木木材的强度，而虫洞缺陷只是洞本身位置为空洞，木材未出现孔洞缺陷的地方是完好的。因此区分白腐缺陷与虫洞缺陷是实现对原木材料进行分级的重要过程。
发明内容
本发明提供一种用于地板生产的原木材料分级评价方法，以解决现有的问题。
本发明的一种用于地板生产的原木材料分级评价方法采用如下技术方案：
本发明一个实施例提供了一种用于地板生产的原木材料分级评价方法，该方法包括以下步骤：
获取原木材料的灰度归一化图像，根据第一预设阈值获取灰度归一化图像上的所有孔洞区域；
根据每个孔洞区域内每个像素点以及邻域内所有孔洞点获取每个孔洞区域内每个像素点的所有方向向量，将每个孔洞区域内所有像素点的所有方向向量合并得到每个孔洞区域的延伸方向；计算任意两个孔洞区域的延伸方向的相似度，将所有孔洞区域两两之间的延伸方向的相似度的均值作为整体延伸相似性；
根据每个孔洞区域内每个像素点的灰度值、所有像素点的个数以及像素点之间的欧式距离计算每个孔洞区域内每个像素点的中心表征，将每个孔洞区域内中心表征最小的像素点作为所述孔洞区域的中心；获取每个孔洞区域的中心的邻居区域中心，计算每个孔洞区域的中心与所述邻居区域中心的欧式距离作为每个孔洞区域的第一距离；根据所有孔洞区域的第一距离获取整体密度均衡性；
根据整体延伸相似性以及整体密度均衡性获取缺陷区分系数；根据缺陷区分系数以及第二预设阈值获取孔洞缺陷类别。
优选的，所述获取原木材料的灰度归一化图像，根据第一预设阈值获取灰度归一化图像上的所有孔洞区域包括：
采集原木材料的表面灰度图像，对表面灰度图像进行最大值最小值归一化得到原木材料的归一化图像，将归一化图像中灰度值小于等于第一预设阈值的像素点作为孔洞点，所有相邻的孔洞点构成一个孔洞区域。
优选的，所述根据每个孔洞区域内每个像素点以及邻域内所有像素点获取每个孔洞区域内每个像素点的所有方向向量包括：
以每个孔洞区域内每个像素点为起点，以所述像素点八邻域内灰度值较所述像素点大的每个孔洞点为终点，构建多个单位向量，作为所述像素点的所有方向向量。
优选的，所述将每个孔洞区域内所有像素点的所有方向向量合并得到每个孔洞区域的延伸方向包括：
获取每个孔洞区域内所有像素点的所有方向向量，构成每个孔洞区域的方向向量集合，获取每个孔洞区域的方向向量集合中任意两个方向向量作为第一方向向量和第二方向向量，将第一方向向量从所述方向向量集合中删除；对第一方向向量和第二方向向量进行合并操作，包括：
计算第一方向向量和第二方向向量的加和，得到第三方向向量，将第三方向向量的模置为1作为新的第一方向向量；将第二方向向量从所述方向向量集合中删除；获取所述方向向量集合中任意一个方向向量作为新的第二方向向量；
重复对新的第一方向向量与新的第二方向向量进行合并操作，直到所述方向向量集合为空时停止迭代，将新的第一方向向量作为所述孔洞区域的延伸方向。
优选的，所述计算任意两个孔洞区域的延伸方向的相似度包括：
计算任意两个孔洞区域的延伸方向的夹角，并除以
Figure 100002_DEST_PATH_IMAGE001
进行归一化，得到所述两个 孔洞区域的延伸方向的相似度。
优选的，所述中心表征的表达式为：
Figure 100002_DEST_PATH_IMAGE003
其中
Figure 696088DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE005
个孔洞区域中第
Figure 341833DEST_PATH_IMAGE006
个像素点的中心表征；
Figure 100002_DEST_PATH_IMAGE007
为第
Figure 932827DEST_PATH_IMAGE005
个孔洞区域内像 素点的个数；
Figure 449259DEST_PATH_IMAGE008
为第
Figure 40908DEST_PATH_IMAGE005
个孔洞区域中第
Figure 100002_DEST_PATH_IMAGE009
个像素点的灰度值；
Figure 173949DEST_PATH_IMAGE010
为第
Figure 758514DEST_PATH_IMAGE005
个孔洞区域内第
Figure 880185DEST_PATH_IMAGE006
个像素点与第
Figure 892003DEST_PATH_IMAGE005
个孔洞区域的欧式距离；
Figure 100002_DEST_PATH_IMAGE011
为第
Figure 512341DEST_PATH_IMAGE005
个孔洞区域内欧式距离最大的两个像素点 之间的欧式距离。
优选的，所述获取每个孔洞区域的中心的邻居区域中心包括：
计算每个孔洞区域的中心到其他孔洞区域的中心的欧式距离，选择最小的欧式距离对应的孔洞区域的中心作为所述每个孔洞区域的中心的邻居区域中心。
优选的，所述整体密度均衡性的表达式为：
Figure 100002_DEST_PATH_IMAGE013
其中
Figure 182487DEST_PATH_IMAGE014
为整体密度均衡性；
Figure 100002_DEST_PATH_IMAGE015
为第
Figure 939091DEST_PATH_IMAGE005
个孔洞区域的第一距离与第
Figure 875473DEST_PATH_IMAGE016
个孔洞区域 的第一距离之间的差值绝对值；
Figure 100002_DEST_PATH_IMAGE017
为所有孔洞区域两两之间第一距离的差值绝对值中 的最大值；
Figure 983106DEST_PATH_IMAGE018
为所有孔洞区域的个数。
优选的，所述缺陷区分系数的表达式为：
Figure 909474DEST_PATH_IMAGE020
其中
Figure 100002_DEST_PATH_IMAGE021
为缺陷区分系数；
Figure 271316DEST_PATH_IMAGE022
为整体延伸相似性；
Figure 890516DEST_PATH_IMAGE014
为整体密度均衡性。
优选的，所述根据缺陷区分系数以及第二预设阈值获取孔洞缺陷类别包括：
当缺陷区分系数大于第二预设阈值时，孔洞缺陷为虫洞缺陷；当缺陷区分系数小于等于第二预设阈值时，孔洞缺陷为白腐缺陷。
本发明的有益效果是：采集原木材料图像，获取孔洞区域，提取孔洞区域像素点的方向向量，进一步得到孔洞区域的延伸方向，根据所有孔洞区域的延伸方向获取整体延伸相似性；根据孔洞区域内像素点的灰度值以及位置获取每个像素点的中心表征，进一步获取每个孔洞区域的中心；根据所有孔洞区域的中心获取整体密度均匀性；根据整体延伸相似性与整体密度均匀性得到缺陷区分系数。相对于现有的利用阈值分割进行虫洞缺陷识别的图像处理方法，本发明通过分析孔洞区域内像素点的分布以及不同孔洞区域之间的相对位置关系获取整体延伸相似性以及整体密度均匀性，可准确区分虫洞缺陷与白腐缺陷，解决了现有利用阈值分割进行缺陷识别的方法不能有效区分虫洞缺陷与白腐缺陷的缺点，实现了更精确的缺陷识别，提高了对原木材料进行分级评价的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种用于地板生产的原木材料分级评价方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于地板生产的原木材料分级评价方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于地板生产的原木材料分级评价方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于地板生产的原木材料分级评价方法的步骤流程图，该方法包括以下步骤：
101．获取原木材料的灰度归一化图像，根据第一预设阈值获取灰度归一化图像上的所有孔洞区域。
利用工业相机拍摄原木传送带上原木材料的表面灰度图像，将灰度图像上各像素点的灰度值按照最小值与最大值进行归一化，得到原木材料的归一化图像。
需要说明的是，孔洞区域在灰度图像上一般表现为灰度值较低的区域。因此在本 实施例中设置第一预设阈值
Figure DEST_PATH_IMAGE023
，将归一化图像中灰度值大于第一预设阈值
Figure 423129DEST_PATH_IMAGE023
的像素点标记 为非孔洞点，将灰度值小于等于第一预设阈值
Figure 638340DEST_PATH_IMAGE023
的像素点标记为孔洞点。本实施例中第一预 设阈值
Figure 838378DEST_PATH_IMAGE024
，在其他实施例中，实施人员可根据需要设置
Figure 628479DEST_PATH_IMAGE023
的值。
如此得到了所有孔洞点，将直接或间接相邻的孔洞点标记为一个孔洞区域。本实施例中，直接相邻是指一个孔洞点位于另外一个孔洞点的八邻域内时，则此两个孔洞点直接相邻。间接相邻是指一个孔洞点与另外一个孔洞点不直接相邻，但此两个孔洞点之间存在直接相邻的一个或多个孔洞点使得此两个孔洞点可达。
至此，获取了归一化图像上的所有孔洞区域。
102．获取每个孔洞区域的延伸方向，计算整体延伸相似性。
需要说明的是，对于一个孔洞区域，其包含的孔洞点的灰度值虽然均为灰度值较低的像素点，但互相之间还是存在一些较小的差别，这些差别可以表示孔洞的深浅（灰度值小则说明该像素点位置的孔洞较深，反之较浅。），也即孔洞在被观察面的延伸方向，对于一个孔洞区域若以较深的地方至较浅的地方的延伸趋势作为该孔洞区域的延伸方向，则就需要根据孔洞区域内像素点的灰度值以及位置信息进行孔洞区域延伸方向的计算，具体方式如下：
将图像上第
Figure 648388DEST_PATH_IMAGE005
个孔洞区域中的第
Figure 932870DEST_PATH_IMAGE006
个像素点将其记为
Figure DEST_PATH_IMAGE025
，对于像素点
Figure 518572DEST_PATH_IMAGE025
，考虑该 像素点与其八邻域内的其他的孔洞点（非孔洞点不考虑）之间的灰度值大小关系，将像素点
Figure 213995DEST_PATH_IMAGE025
作为起点，将像素点
Figure 734582DEST_PATH_IMAGE025
八邻域内灰度值大于像素点
Figure 72022DEST_PATH_IMAGE025
的灰度值的一个孔洞点作为终 点，构建一个方向向量，则对于像素点
Figure 981073DEST_PATH_IMAGE025
，其可以与八邻域内各灰度值大于像素点
Figure 112977DEST_PATH_IMAGE025
灰度 值的所有孔洞点构建多个方向向量，作为像素点
Figure 858210DEST_PATH_IMAGE025
的方向向量。需要说明的是，每个方向 向量的模均为1，即每个方向向量均为一个单位向量。每个像素点的方向向量的个数在
Figure 733762DEST_PATH_IMAGE026
的范围内。
同理，获取第
Figure 762898DEST_PATH_IMAGE005
个孔洞区域内的所有像素点的方向向量，构成第
Figure 800124DEST_PATH_IMAGE005
个孔洞区域的方 向向量集合。获取第
Figure 298233DEST_PATH_IMAGE005
个孔洞区域的方向向量集合中任意两个方向向量作为第一方向向量 和第二方向向量，将第一方向向量从第
Figure 915159DEST_PATH_IMAGE005
个孔洞区域的方向向量集合中删除；对第一方向向 量和第二方向向量进行合并操作，合并操作具体为：
1．计算第一方向向量和第二方向向量的加和，得到第三方向向量，将第三方向向量的模置为1作为新的第一方向向量；
2．将第二方向向量从第
Figure 798801DEST_PATH_IMAGE005
个孔洞区域的方向向量集合中删除；
3．获取第
Figure 6929DEST_PATH_IMAGE005
个孔洞区域的方向向量集合中任意一个方向向量作为新的第二方向向 量。
重复对新的第一方向向量与新的第二方向向量进行合并操作，直到第
Figure 976022DEST_PATH_IMAGE005
个孔洞区 域的方向向量集合为空时停止迭代，此时，实现了第
Figure 944109DEST_PATH_IMAGE005
个孔洞区域内的所有像素点的方向向 量的合并，最终得到的新的第一方向向量为第
Figure 682258DEST_PATH_IMAGE005
个孔洞区域内的所有像素点的方向向量的 合并向量，将其作为第
Figure 326866DEST_PATH_IMAGE005
个孔洞区域的延伸方向，记为
Figure DEST_PATH_IMAGE027
。需要说明的是，延伸方向的模为1， 即延伸方向为一个单位向量。
同理，可获得每个孔洞区域的延伸方向。
需要说明的是，一个孔洞区域的延伸方向可以表示该孔洞区域的深浅延伸方向性，而对于虫洞来说，由于其为虫蛀引起，虫蛀具有随机性，所以各不同孔洞区域的深浅程度是不尽相同的。而对于由白腐菌引起的白腐缺陷，由于白腐菌分解纤维素以及木质素引起的孔洞是顺着木质纤维的生长方向而延伸的，这就导致白腐缺陷中孔洞区域的深浅延伸方向均趋于一致，也即各个延伸方向均趋于相似。因此，以上述逻辑，计算孔洞区域整体的延伸相似性，具体方式如下：
第
Figure 321936DEST_PATH_IMAGE005
个孔洞区域的延伸方向为
Figure 77402DEST_PATH_IMAGE027
，第
Figure 935637DEST_PATH_IMAGE016
个孔洞区域的延伸方向为
Figure 751146DEST_PATH_IMAGE028
，首先计算
Figure 179984DEST_PATH_IMAGE027
与
Figure 739142DEST_PATH_IMAGE028
的夹角角度，由于向量的夹角角度范围为
Figure DEST_PATH_IMAGE029
，因此将
Figure 186304DEST_PATH_IMAGE027
与
Figure 172714DEST_PATH_IMAGE028
的夹角角度除以
Figure 354428DEST_PATH_IMAGE001
进行归 一化，将归一化结果作为第
Figure 451697DEST_PATH_IMAGE005
个孔洞区域与第
Figure 18944DEST_PATH_IMAGE016
个孔洞区域的延伸方向相似度，记为
Figure 176256DEST_PATH_IMAGE030
。
同理，计算任意两个孔洞区域的延伸方向的相似度，将所有孔洞区域两两之间延 伸方向的相似度的均值记为
Figure 579687DEST_PATH_IMAGE022
，以该均值作为所有孔洞区域的整体延伸相似性。在获取
Figure 480647DEST_PATH_IMAGE022
的 过程中经过了归一化操作，因此
Figure 167980DEST_PATH_IMAGE022
也为归一化的值，
Figure 496193DEST_PATH_IMAGE022
越趋近于1，说明所有孔洞区域两两之 间越不相似。
103．获取每个孔洞区域的中心，计算整体密度均衡性。
需要说明的是，对于一个孔洞区域，若其中心定义为孔洞区域的形心，则孔洞区域的中心完全由孔洞区域边缘来确定，这样会导致不准确，因为白腐缺陷生成的孔洞是由木材腐朽而成的，其在观察面上的形态可能存在稍微的不同，为了准确定义一个孔洞区域的中心，可将各孔洞区域在当前观察视角下深度最深的点所处位置进行进一步的筛选确定，选取一个中心点。计算方式如下：
对于图像上第
Figure 649570DEST_PATH_IMAGE005
个孔洞区域，计算其内第
Figure 88641DEST_PATH_IMAGE006
个像素点
Figure DEST_PATH_IMAGE031
的中心表征
Figure 161639DEST_PATH_IMAGE004
，当像素点
Figure 411486DEST_PATH_IMAGE025
为中心点时，其周围与其距离较近的第
Figure 38777DEST_PATH_IMAGE005
个孔洞区域内其他像素点越应为灰度值较小的 像素点，与其距离越远的第
Figure 484802DEST_PATH_IMAGE005
个孔洞区域内其他像素点越应为灰度值较大的像素点。以此逻 辑进行中心表征的计算：
Figure 146727DEST_PATH_IMAGE032
其中
Figure 816743DEST_PATH_IMAGE004
为第
Figure 416483DEST_PATH_IMAGE005
个孔洞区域中第
Figure 462936DEST_PATH_IMAGE006
个像素点的中心表征；
Figure 244947DEST_PATH_IMAGE007
为第
Figure 85864DEST_PATH_IMAGE005
个孔洞区域内像 素点的个数；
Figure 172900DEST_PATH_IMAGE008
为第
Figure 757465DEST_PATH_IMAGE005
个孔洞区域中第
Figure 128404DEST_PATH_IMAGE009
个像素点的灰度值；
Figure 140222DEST_PATH_IMAGE010
为第
Figure 983063DEST_PATH_IMAGE005
个孔洞区域内第
Figure 105740DEST_PATH_IMAGE006
个像素点与第
Figure 596764DEST_PATH_IMAGE005
个孔洞区域的欧式距离；
Figure 779483DEST_PATH_IMAGE011
为第
Figure 841111DEST_PATH_IMAGE005
个孔洞区域内欧式距离最大的两个像素点 之间的欧式距离。
在中心表征的计算中，距离像素点
Figure 767479DEST_PATH_IMAGE025
欧式距离越远的像素点的灰度值越不受关 注，反之距离像素点
Figure 113010DEST_PATH_IMAGE025
欧式距离越近的像素点的灰度值越受关注，而若距离像素点
Figure 466631DEST_PATH_IMAGE025
的 欧式距离较近的像素点的灰度值越小，越说明像素点
Figure 749976DEST_PATH_IMAGE025
处在孔洞区域内较深的位置，此时
Figure 480034DEST_PATH_IMAGE025
对应的中心表征
Figure 680072DEST_PATH_IMAGE004
越小。
同理，计算第
Figure 752064DEST_PATH_IMAGE005
个孔洞区域内所有像素点的中心表征，并选择中心表征最小的像素 点作为第
Figure 37552DEST_PATH_IMAGE005
个孔洞区域的中心。
同理，获取每个孔洞区域的中心。
需要说明的是，对于虫洞缺陷，由于其为虫蛀所致，因此，相互之间的距离具有很大的随机性，而对于白腐缺陷，由于其为白腐菌腐朽木材所致，白腐缺陷是根据木材本身的致密结构进行蔓延的，因此，白腐缺陷形成的孔洞具有一定的密度均衡性，也即各相邻孔洞之间的距离较为一致，也即孔洞区域均衡分布在图像中。根据上述逻辑计算孔洞区域的整体密度均衡性。方式如下：
对于第
Figure 571301DEST_PATH_IMAGE005
个孔洞区域的中心，计算第
Figure 311331DEST_PATH_IMAGE005
个孔洞区域的中心到其他孔洞区域的中心的 欧式距离，选择最小的欧式距离对应的孔洞区域的中心作为第
Figure 6754DEST_PATH_IMAGE005
个孔洞区域的中心的邻居 区域中心。将第
Figure 779538DEST_PATH_IMAGE005
个孔洞区域的中心与其邻居区域中心之间的欧式距离作为第
Figure 398870DEST_PATH_IMAGE005
个孔洞区域 的第一距离。
同理，获取所有孔洞区域的第一距离，若所有孔洞区域的第一距离两两之间均相似，则说明所有孔洞区域整体的密度分布较为均衡。则所有孔洞区域的整体密度均衡性为：
Figure DEST_PATH_IMAGE033
其中
Figure 589811DEST_PATH_IMAGE014
为整体密度均衡性；
Figure 518452DEST_PATH_IMAGE015
为第
Figure 512953DEST_PATH_IMAGE005
个孔洞区域的第一距离与第
Figure 966386DEST_PATH_IMAGE016
个孔洞区域 的第一距离之间的差值绝对值，其中
Figure 729943DEST_PATH_IMAGE034
；
Figure 32748DEST_PATH_IMAGE017
为所有孔洞区域两两之 间第一距离的差值绝对值中的最大值；
Figure 514545DEST_PATH_IMAGE018
为所有孔洞区域的个数。整体密度均衡性越趋近 于1，越说明所有孔洞区域整体的密度分布不均衡，越趋近于0说明所有孔洞区域整体的密 度分布越均衡。
104．获取缺陷区分系数，进行孔洞缺陷类别识别以及原木材料分级。
若所有孔洞区域的整体延伸相似性趋近于0、整体密度均衡性趋近于0，则说明所 有孔洞区域两两之间的延伸方向越相似且孔洞分布均衡，越说明所有孔洞区域整体越可能 是白腐缺陷，反之，整体延伸相似性趋近于1、整体密度均衡性趋近于1越说明孔洞区域整体 越可能是虫洞缺陷。根据以上述逻辑计算缺陷区分系数
Figure 678941DEST_PATH_IMAGE021
如下：
Figure DEST_PATH_IMAGE035
其中
Figure 828163DEST_PATH_IMAGE021
为缺陷区分系数；
Figure 567449DEST_PATH_IMAGE022
为整体延伸相似性；
Figure 287274DEST_PATH_IMAGE014
为整体密度均衡性，由于
Figure 504629DEST_PATH_IMAGE036
的 取值范围均为
Figure DEST_PATH_IMAGE037
，则
Figure 773936DEST_PATH_IMAGE021
的取值范围也为
Figure 169277DEST_PATH_IMAGE037
。
根据缺陷区分系数
Figure 625666DEST_PATH_IMAGE021
判断孔洞缺陷的类别，方式如下：
若
Figure 381132DEST_PATH_IMAGE038
，则判定缺陷为虫洞缺陷；
若
Figure DEST_PATH_IMAGE039
，则判定缺陷为白腐缺陷。
其中
Figure 518328DEST_PATH_IMAGE040
为第二预设阈值，本实施例中
Figure DEST_PATH_IMAGE041
，在其他实施例中，实施人员可根据需 要设置
Figure 599416DEST_PATH_IMAGE040
的值。
至此，可获取原木木材上孔洞缺陷的类别识别结果，根据类别识别结果以及孔洞 区域数量
Figure 543102DEST_PATH_IMAGE018
结合国家标准进行原木木材的分级评价。
通过以上步骤，完成了原木木材上孔洞缺陷的类别识别以及原木木材的分级评价。
本发明实施例通过采集原木材料图像，获取孔洞区域，提取孔洞区域像素点的方向向量，进一步得到孔洞区域的延伸方向，根据所有孔洞区域的延伸方向获取整体延伸相似性；根据孔洞区域内像素点的灰度值以及位置获取每个像素点的中心表征，进一步获取每个孔洞区域的中心；根据所有孔洞区域的中心获取整体密度均匀性；根据整体延伸相似性与整体密度均匀性得到缺陷区分系数。相对于现有的利用阈值分割进行虫洞缺陷识别的图像处理方法，本发明通过分析孔洞区域内像素点的分布以及不同孔洞区域之间的相对位置关系获取整体延伸相似性以及整体密度均匀性，可准确区分虫洞缺陷与白腐缺陷，解决了现有利用阈值分割进行缺陷识别的方法不能有效区分虫洞缺陷与白腐缺陷的缺点，实现了更精确的缺陷识别，提高了对原木材料进行分级评价的准确性。
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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于地板生产的原木材料分级评价方法，其特征在于，该方法包括以下步骤：
获取原木材料的灰度归一化图像，根据第一预设阈值获取灰度归一化图像上的所有孔洞区域；
根据每个孔洞区域内每个像素点以及邻域内所有孔洞点获取每个孔洞区域内每个像素点的所有方向向量，将每个孔洞区域内所有像素点的所有方向向量合并得到每个孔洞区域的延伸方向；计算任意两个孔洞区域的延伸方向的相似度，将所有孔洞区域两两之间的延伸方向的相似度的均值作为整体延伸相似性；
根据每个孔洞区域内每个像素点的灰度值、所有像素点的个数以及像素点之间的欧式距离计算每个孔洞区域内每个像素点的中心表征，将每个孔洞区域内中心表征最小的像素点作为所述孔洞区域的中心；获取每个孔洞区域的中心的邻居区域中心，计算每个孔洞区域的中心与所述邻居区域中心的欧式距离作为每个孔洞区域的第一距离；根据所有孔洞区域的第一距离获取整体密度均衡性；
根据整体延伸相似性以及整体密度均衡性获取缺陷区分系数；根据缺陷区分系数以及第二预设阈值获取孔洞缺陷类别。
2.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述获取原木材料的灰度归一化图像，根据第一预设阈值获取灰度归一化图像上的所有孔洞区域包括：
采集原木材料的表面灰度图像，对表面灰度图像进行最大值最小值归一化得到原木材料的归一化图像，将归一化图像中灰度值小于等于第一预设阈值的像素点作为孔洞点，所有相邻的孔洞点构成一个孔洞区域。
3.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述根据每个孔洞区域内每个像素点以及邻域内所有像素点获取每个孔洞区域内每个像素点的所有方向向量包括：
以每个孔洞区域内每个像素点为起点，以所述像素点八邻域内灰度值较所述像素点大的每个孔洞点为终点，构建多个单位向量，作为所述像素点的所有方向向量。
4.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述将每个孔洞区域内所有像素点的所有方向向量合并得到每个孔洞区域的延伸方向包括：
获取每个孔洞区域内所有像素点的所有方向向量，构成每个孔洞区域的方向向量集合，获取每个孔洞区域的方向向量集合中任意两个方向向量作为第一方向向量和第二方向向量，将第一方向向量从所述方向向量集合中删除；对第一方向向量和第二方向向量进行合并操作，包括：
计算第一方向向量和第二方向向量的加和，得到第三方向向量，将第三方向向量的模置为1作为新的第一方向向量；将第二方向向量从所述方向向量集合中删除；获取所述方向向量集合中任意一个方向向量作为新的第二方向向量；
重复对新的第一方向向量与新的第二方向向量进行合并操作，直到所述方向向量集合为空时停止迭代，将新的第一方向向量作为所述孔洞区域的延伸方向。
5.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述计算任意两个孔洞区域的延伸方向的相似度包括：
计算任意两个孔洞区域的延伸方向的夹角，并除以
Figure DEST_PATH_IMAGE001
进行归一化，得到所述两个孔洞区 域的延伸方向的相似度。
6.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述中心表征的表达式为：
Figure DEST_PATH_IMAGE003
其中
Figure 64062DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE005
个孔洞区域中第
Figure 581631DEST_PATH_IMAGE006
个像素点的中心表征；
Figure DEST_PATH_IMAGE007
为第
Figure 294503DEST_PATH_IMAGE005
个孔洞区域内像素点的 个数；
Figure 657351DEST_PATH_IMAGE008
为第
Figure 959019DEST_PATH_IMAGE005
个孔洞区域中第
Figure DEST_PATH_IMAGE009
个像素点的灰度值；
Figure 663801DEST_PATH_IMAGE010
为第
Figure 582079DEST_PATH_IMAGE005
个孔洞区域内第
Figure 217459DEST_PATH_IMAGE006
个像素 点与第
Figure 904793DEST_PATH_IMAGE005
个孔洞区域的欧式距离；
Figure DEST_PATH_IMAGE011
为第
Figure 514897DEST_PATH_IMAGE005
个孔洞区域内欧式距离最大的两个像素点之间的 欧式距离。
7.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述获取每个孔洞区域的中心的邻居区域中心包括：
计算每个孔洞区域的中心到其他孔洞区域的中心的欧式距离，选择最小的欧式距离对应的孔洞区域的中心作为所述每个孔洞区域的中心的邻居区域中心。
8.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述整体密度均衡性的表达式为：
Figure DEST_PATH_IMAGE013
其中
Figure 186050DEST_PATH_IMAGE014
为整体密度均衡性；
Figure DEST_PATH_IMAGE015
为第
Figure 904082DEST_PATH_IMAGE005
个孔洞区域的第一距离与第
Figure 445922DEST_PATH_IMAGE016
个孔洞区域的第 一距离之间的差值绝对值；
Figure DEST_PATH_IMAGE017
为所有孔洞区域两两之间第一距离的差值绝对值中的最 大值；
Figure 226927DEST_PATH_IMAGE018
为所有孔洞区域的个数。
9.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述缺陷区分系数的表达式为：
Figure 854218DEST_PATH_IMAGE020
其中
Figure DEST_PATH_IMAGE021
为缺陷区分系数；
Figure 362560DEST_PATH_IMAGE022
为整体延伸相似性；
Figure 775217DEST_PATH_IMAGE014
为整体密度均衡性。
10.根据权利要求1所述的一种用于地板生产的原木材料分级评价方法，其特征在于，所述根据缺陷区分系数以及第二预设阈值获取孔洞缺陷类别包括：
当缺陷区分系数大于第二预设阈值时，孔洞缺陷为虫洞缺陷；当缺陷区分系数小于等于第二预设阈值时，孔洞缺陷为白腐缺陷。
CN202211154320.3A 2022-09-22 2022-09-22 一种用于地板生产的原木材料分级评价方法 Active CN115239714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154320.3A CN115239714B (zh) 2022-09-22 2022-09-22 一种用于地板生产的原木材料分级评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154320.3A CN115239714B (zh) 2022-09-22 2022-09-22 一种用于地板生产的原木材料分级评价方法

Publications (2)

Publication Number Publication Date
CN115239714A true CN115239714A (zh) 2022-10-25
CN115239714B CN115239714B (zh) 2022-12-06

Family

ID=83667161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154320.3A Active CN115239714B (zh) 2022-09-22 2022-09-22 一种用于地板生产的原木材料分级评价方法

Country Status (1)

Country Link
CN (1) CN115239714B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6031567A (en) * 1996-05-01 2000-02-29 Cae Electronics Ltd. Cae Electronique Ltee Method and apparatus for video lumber grading
CA2355557A1 (en) * 2000-08-23 2002-02-23 Lmi Technologies, Inc. High speed and reliable determination of lumber quality using grain influenced distortion effects
EP1491879A2 (de) * 2003-06-10 2004-12-29 hema electronic GmbH Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法
CN106373127A (zh) * 2016-09-14 2017-02-01 东北林业大学 用于木材树种及表面缺陷的激光扫描并行检测方法
CN108537153A (zh) * 2018-03-27 2018-09-14 华南农业大学 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法
CN113012124A (zh) * 2021-03-15 2021-06-22 大连海事大学 一种鞋印孔洞和嵌入物特征检测及描述方法
CN113066079A (zh) * 2021-04-19 2021-07-02 北京滴普科技有限公司 木材缺陷自动检测方法、系统及其存储介质
CN114842010A (zh) * 2022-07-04 2022-08-02 南通东方雨虹建筑材料有限公司 一种基于高斯滤波的建筑防火木材缺陷检测方法
CN114897896A (zh) * 2022-07-11 2022-08-12 南通东方雨虹建筑材料有限公司 基于灰度变换的建筑木材缺陷检测方法
CN114897898A (zh) * 2022-07-13 2022-08-12 江苏绿泉装饰工程有限公司 一种基于图像处理的木板质量分类方法
CN115082719A (zh) * 2022-07-22 2022-09-20 南通东方雨虹建筑材料有限公司 一种木材质量分级方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6031567A (en) * 1996-05-01 2000-02-29 Cae Electronics Ltd. Cae Electronique Ltee Method and apparatus for video lumber grading
CA2355557A1 (en) * 2000-08-23 2002-02-23 Lmi Technologies, Inc. High speed and reliable determination of lumber quality using grain influenced distortion effects
EP1491879A2 (de) * 2003-06-10 2004-12-29 hema electronic GmbH Verfahren zur adaptiven Fehlererkennung auf einer strukturierten Oberfläche
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法
CN106373127A (zh) * 2016-09-14 2017-02-01 东北林业大学 用于木材树种及表面缺陷的激光扫描并行检测方法
CN108537153A (zh) * 2018-03-27 2018-09-14 华南农业大学 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法
CN113012124A (zh) * 2021-03-15 2021-06-22 大连海事大学 一种鞋印孔洞和嵌入物特征检测及描述方法
CN113066079A (zh) * 2021-04-19 2021-07-02 北京滴普科技有限公司 木材缺陷自动检测方法、系统及其存储介质
CN114842010A (zh) * 2022-07-04 2022-08-02 南通东方雨虹建筑材料有限公司 一种基于高斯滤波的建筑防火木材缺陷检测方法
CN114897896A (zh) * 2022-07-11 2022-08-12 南通东方雨虹建筑材料有限公司 基于灰度变换的建筑木材缺陷检测方法
CN114897898A (zh) * 2022-07-13 2022-08-12 江苏绿泉装饰工程有限公司 一种基于图像处理的木板质量分类方法
CN115082719A (zh) * 2022-07-22 2022-09-20 南通东方雨虹建筑材料有限公司 一种木材质量分级方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOHSEN M.等: "Feature extraction of wood-hole defects using empirical mode decomposition of ultrasonic signals", 《NDT & E INTERNATIONAL》 *
程玉柱 等: "基于深度学习的木材缺陷图像检测方法", 《林业机械与木工设备》 *

Also Published As

Publication number Publication date
CN115239714B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN114723701B (zh) 基于计算机视觉的齿轮缺陷检测方法和系统
CN114549522B (zh) 基于目标检测的纺织品质量检测方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN114913365A (zh) 基于机器视觉的人造板质量分类方法及系统
CN114445387A (zh) 一种基于机器视觉的纤维板质量分类方法
CN115294158A (zh) 一种基于机器视觉的热连轧带钢图像分割方法
CN102324032B (zh) 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN115294159B (zh) 金属紧固件腐蚀区域分割方法
CN101510262A (zh) 一种钢中析出粒子的自动测量及其形态分类方法
CN114723704A (zh) 一种基于图像处理的纺织品质量评估方法
CN115082719B (zh) 一种木材质量分级方法
CN115272305B (zh) 一种纽扣孔洞缺陷检测方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN114862855B (zh) 基于模板匹配的纺织品缺陷检测方法及系统
CN111160451A (zh) 一种柔性材料检测方法及其储存介质
CN117689655B (zh) 基于计算机视觉的金属钮扣表面缺陷检测方法
CN102663422A (zh) 基于颜色特征的地板层次分类方法
CN115131356A (zh) 一种基于丰富度的钢板缺陷分类方法
CN116309577A (zh) 一种高强传送带物料智能检测方法及系统
CN115205319A (zh) 用于选种过程中的种子特征提取及分类方法
CN115239714B (zh) 一种用于地板生产的原木材料分级评价方法
CN115797361B (zh) 一种铝模板表面缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant