CN116612097A - 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 - Google Patents
一种基于表面缺陷图像的木材内部节子形态预测方法及系统 Download PDFInfo
- Publication number
- CN116612097A CN116612097A CN202310611280.9A CN202310611280A CN116612097A CN 116612097 A CN116612097 A CN 116612097A CN 202310611280 A CN202310611280 A CN 202310611280A CN 116612097 A CN116612097 A CN 116612097A
- Authority
- CN
- China
- Prior art keywords
- defect
- ellipse
- predicting
- points
- model
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000002023 wood Substances 0.000 title claims abstract description 50
- 239000007787 solid Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000218652 Larix Species 0.000 description 2
- 235000005590 Larix decidua Nutrition 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000012620 biological material Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于表面缺陷图像的木材内部节子形态预测方法与系统,涉及原木节子缺陷检测领域,为解决木材上、下表面的椭圆形节子会发生扭曲、畸变,导致以节子边缘为顶点,拟合的直线无法相交、顶点难以确定,给图像反演带来困难,现有木板材节子缺陷反演方法复杂、成本高问题。利用WGAN扩充数据集,提高数据集有效性,增强模型识别能力;利用YOLO网络对板材缺陷检测,仅需对图片简单处理就可完成对图像的识别;获取顶点坐标集,针对椭圆长短轴比例偏差造成边缘直线不相交、顶点难以确定的问题,提出排除干扰点的密度聚类方法定位顶点;最后,根据底面椭圆与顶点位置信息反演节子在实木板材中的形态,具有成本低、利于实现的特点。
Description
技术领域
本发明涉及原木节子缺陷检测技术领域,具体而言,涉及一种基于表面缺陷图像的木材内部节子形态预测方法与系统。
背景技术
木材综合利用率是原木优化下料的主要目标。由于原木节子缺陷的存在,不仅增加了加工难度,还影响着下料后板材的视觉效果和力学性能。目前,研究学者开展了基于超声波、X射线、应力波等方法的检测,力求在电信号与内部缺陷之间建立关联,反演原木内部缺陷。而原木内节子缺陷相关空间数据的获取,仍然是建模分析的首要任务和难点问题。
目前,节子检测主要有激光成像、X射线扫描以及近红外光谱分析等方法,文献[1]中应用激光成像技术计算表面纤维角,进而描述板材内部缺陷;文献[2]中应用X射线技术描述实木板材的节子缺陷形态,并通过计算节子缺陷的截面面积与空间深度,预测板材力学参数;文献[3]中利用激光扫描仪,在4个面上找到缺陷内部投影,估算出缺陷体积,进而预测实木板材力学性能;文献[4]中利用近红外光谱技术来构建边缘角度与光谱特征关系,利用倾角数值描绘出节子的位置。这些方法虽然检测出了结子形态,但设备成本高、技术难度大。
为此,将图像处理应用于节子检测中,图像处理具有系统组成简单,获取信息能力强,检测灵活的优点。图像处理过程可以通过算法间的有机融合实现缺陷区域有效分割,文献[5]中针对木材缺陷图像背景不均匀问题,提出一种基于局部阈值的图像二值化优化算法;文献[6]中提出一种基于图像融合的区域生长分割方法,实现了缺陷区域的快速、精准分割;文献[7]中使用中值滤波和边缘检测器来检测图像中木材缺陷的准确位置、尺寸和形状;文献[8]中针对板材缺陷检测,提出基于纹理填充的缺陷分割方法,通过获取纹理掩膜图像,然后利用板材背景颜色淡化纹理,最后应用加权阈值法完成缺陷分割。
近年来,水平集方法克服了多种方法融合过程中步骤复杂、计算繁琐的缺点,用连续的演化曲线自然地改变拓扑结构,获取更多细节特征,可分割形状复杂的目标对象[9]。例如文献[10]中先后使用基于区域的Chan-Vese(C-V)水平集模型与形态学方法对彩色树木图像进行分割,获取全局优化的分割效果,但模型迭代用时长。文献[11]中提出的基于边界的距离正则化水平集模型(Distance Regularized Level Set Evolution,DRLSE),在水平集的基础上,利用距离正则项的内部能量来减小水平集函数与距离符号函数之间偏差,实现图像准确分割,相比基于区域分割的C-V模型计算效率高。
实木板材缺陷分割算法虽然可以在平面上捕捉缺陷轮廓,但如何利用图像处理技术反演出缺陷内部形态还没有深入研究。现有观点中普遍认为节子在木材中以三维锥体存在[12],在实木单板加工过程中,节子通常会在板材上、下表面呈现椭圆形状。但木材作为非匀质、向异性的一种生物材料,在上、下表面的椭圆会发生扭曲、畸变,给锥体的图像反演带来一定困难。
发明内容
本发明要解决的技术问题是:
为了解决木材作为非匀质、向异性的一种生物材料,在上、下表面的椭圆形节子会发生扭曲、畸变,导致以节子边缘为顶点,拟合的直线无法相交、顶点难以确定,给锥体的图像反演带来一定困难,且现有木板材节子缺陷反演方法复杂、成本高的问题。
本发明为解决上述技术问题所采用的技术方案:
本发明提供了一种基于表面缺陷图像的木材内部节子形态预测方法,包括以下步骤:
S1、选取上下表面均带有节子的板材,采集板材的上、下面缺陷图像,通过对采集的图像进行翻转、仿射变换、亮度和保护度的调整以及噪声增加的方式进行传统数据扩充,再采用WGAN网络进行训练,利用WGAN生成的数据进一步扩充数据集,再用YOLO算法提取实木板材节子缺陷边缘轮廓及位置坐标;
S2、获取拟合椭圆参数,计算出上下面拟合椭圆间的角度偏差;
S3、利用S2步骤获取的椭圆参数,构建椭圆参数整定神经元网络模型,网络输出为上、下椭圆长轴共面信息坐标;
S4、对比上、下面椭圆长轴信息,选择大椭圆为节子锥体形态底座;
S5、使用上、下椭圆的对应点直线与长轴面相交的方法获取模型顶点坐标数据集;
S6、使用密度聚类算法对S5形成的多个交点进行聚类处理,对聚类数量少的类别视为噪声点并进行去除;
S7、处理顶点数据集,使用加权平均获取较为精确的锥体顶点坐标;
S8、利用底面椭圆与锥点数据预测节子在实木板材内部缺陷位置及形态。
进一步地,S2的步骤包括:
以椭圆长轴点为起始点,每隔10°-15°,将两椭圆对应角度的边缘点连接形成边缘线,共形成22条边缘线,但不包含两长轴点;椭圆角度校正后,边缘线与长轴面的交点为椎体顶点,得到顶点坐标数据集。
进一步地,在S5获取模型顶点坐标数据集过程中,以椭圆长轴中的一个端点为起始点,每隔15°将两椭圆对应角度的边缘点连接形成边缘线。
进一步地,在S6中,所使用的密度聚类算法具体步骤为,在S5中的顶点坐标数据集中选定一个点,然后以这个点为圆心,画一个圆,求出圆心到所有点的向量的平均值,而圆心与向量均值的和为新的圆心,然后迭代此过程,直到满足一点的条件结束。
进一步地,S6中的聚类算法中的损失函数为,
其中,K为聚类数;N为每类所包含的元素数;rkn表示数据点,n被归类到类别k时为1,否则为0;|xn-μk|表示元素距离聚类中心的曼哈顿距离。
进一步地,S8中进行缺陷形态预测时,通过模型底面积偏差率、截面面积偏差率和截面中心点距离偏差3个指标衡量模型的正确性和聚类方法的优越性。
进一步地,在S8中利用模型底面积偏差率、截面面积偏差率和截面中心点距离偏差3个指标衡量模型的正确性和聚类方法的优越性,三个指标的权重系数相同,计算公式如下所示,
其中,S1'为模型底面面积,S2'为模型截面面积,O2'为模型截面中点,S1为原始图像底面面积,S2为原始图像截面面积,O2为原始图像截面中点,fS1为模型底面积偏差率,fS2为截面面积偏差率,l2为截面中心点距离偏差。
进一步地,在S1中缺陷图像使用JHUM130m-E型相机和HM5014MP5型镜头对板材进行图像采集。
进一步地,在S1中板材图像中的缺陷尺寸通过像素多少进行度量。
一种基于表面缺陷图像的木材内部节子形态预测系统,包括:
图像采集与节子缺陷边缘轮廓提取模块,用于对板材上的节子进行图像采集后扩充,再提取板材节子缺陷边缘轮廓及位置坐标;
节子椎体形态构建模块,用于获取多个顶点不同的多个节子椎体模型;
节子唯一顶点获取模块,用于通过聚类处理获取较为精准的节子椎体顶点坐标;
板材内节子缺陷位置及形态预测模块,用于根据节子椎体的椎低和节子顶点坐标预测节子在板材内部的缺陷位置及形态。
相较于现有技术,本发明的有益效果是:
本发明一种基于表面缺陷图像的木材内部节子形态预测方法与系统,本发明首先利用WGAN扩充数据集,解决了学习不稳定的问题,进一步提高数据集的有效性,增强模型的识别能力;利用YOLOv3网络对实木板材进行缺陷检测,仅需要对图片进行简单的处理,就可以完成对图像的识别,并达到理想的效果;针对椭圆长短轴比例偏差造成边缘直线不相交、顶点难以确定的问题,提出排除干扰点的密度聚类方法定位顶点;最后,根据底面椭圆与顶点位置信息反演节子在实木板材中的形态,进而为原木内缺陷形态反演提供数据支持;
本发明采用10块落叶松缺陷板材进行实验,获取板材图像分辨率为762x176,以像素为单位衡量拟合精度,实验结果表明:缺陷锥体模型底面积平均偏差率为2.43%,截面面积平均偏差率/>截面中心点平均距离偏差/>像素长度,基于上述数据得出本方法可以准确反演出缺陷在实木板材内部的形态,具有成本低、利于实现的特点;
通过上述实验表明,通过对模型顶点数据集聚类排除干扰点影响,可以精确定位缺陷顶点反演缺陷形态,进而可以给出缺陷在原木内的空间数据;本发明所采用的全部计算方法整体而言,相对现有算法来说,缺陷反演方法更加简单,且在提高计算速率的同时保证反演精度。
附图说明
图1为本发明实施例中一种基于表面缺陷图像的木材内部节子形态预测方法的流程图;
图2为本发明实施例中部分板材上下面的缺陷图;
图3为本发明实施例中椎体的立体图;
图4为本发明实施例中空间顶点数据集形成过程的示意图;
图5为本发明实施例中顶点数据集密度聚类算法的示意图;
图6为本发明实施例中模型验证的示意图。
具体实施方式
在本发明的描述中,应当说明的是,各实施例中的术语名词例如“上”、“下”、“前”、“后”、“左”、“右”等指示方位的词语,只是为了简化描述基于说明书附图的位置关系,并不代表所指的元件和装置等必须按照说明书中特定的方位和限定的操作及方法、构造进行操作,该类方位名词不构成对本发明的限制。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
具体实施方案一:结合图1至图6所示,本发明提供一种基于表面缺陷图像的木材内部节子形态预测方法,包括以下步骤:
S1、选取上下表面均带有节子的板材,在光线充足的环境下,采集板材的上、下面缺陷图像,若板材尺寸不一致可以像素尺度衡量拟合精度,通过对采集的图像进行翻转、仿射变换、亮度和保护度的调整以及噪声增加的方式进行传统数据扩充,在采用WGAN网络进行训练,利用WGAN生成的数据进一步扩充数据集,再用YOLO算法提取实木板材节子缺陷边缘轮廓及位置坐标,
利用WGAN进一步扩充数据集的步骤包括,将原始数据集分为带缺陷和不带缺陷的板材图像;然后将两部分图像分别作为训练集送入WGAN网络进行训练,得到生成的图像;
利用YOLO算法提取实木板材节子缺陷边缘轮廓及位置坐标的过程中,可将利用WGAN扩充后的数据集使用YOLOv3网络对实木板材进行缺陷检测,进而得到节子缺陷边缘轮廓及位置坐标;上述方法均为现有技术;
S2、获取拟合椭圆参数,计算出上下面拟合椭圆间的角度偏差,利用椭圆参数构建椭圆参数整定神经元网络模型,网络输出为上、下椭圆长轴共面信息坐标,选择大椭圆为锥体底面;
S3、使用上、下椭圆的对应点直线与长轴面相交的方法获取模型顶点坐标数据集,具体为,
以椭圆长轴点为起始点,每隔10°-15°,将两椭圆对应角度的边缘点连接形成边缘线,共形成22条边缘线,但不包含两长轴点;椭圆角度校正后,边缘线与长轴面的交点为椎体顶点,得到顶点坐标数据集;
S4、使用密度聚类算法对S5形成的多个交点进行聚类处理,对聚类数量少的类别视为噪声点并进行去除;
所使用的密度聚类算法具体步骤为,在S5中的顶点坐标数据集中选定一个点,然后以这个点为圆心,画一个圆,求出圆心到所有点的向量的平均值,而圆心与向量均值的和为新的圆心,然后迭代此过程,直到满足一点的条件结束;
其中的聚类算法中的损失函数为,
其中,K为聚类数;N为每类所包含的元素数;rkn表示数据点,n被归类到类别k时为1,否则为0;|xn-μk|表示元素距离聚类中心的曼哈顿距离
S5、处理顶点数据集,使用加权平均获取较为精确的锥体顶点坐标;
S5、利用底面椭圆与锥点数据反演缺陷形态,具体为:
由于锥体形态与三个参数有关,分别为模型底面面积S1',模型截面面积S2'和模型截面中点O2'(默认模型底面中点与实际缺陷图像中点重合),将锥体模型的三个参数S1'、S2'、O2'与原始图像三个参数S1、S2、O2进行比较,以模型底面积偏差率(fS1)、截面面积偏差率(fS2)和截面中心点距离偏差(l2)3个指标衡量模型的正确性和聚类方法的优越性,三个指标的权重系数相同,计算公式如(2)、(3)和(4)所示,
本发明首先利用WGAN扩充数据集,解决了学习不稳定的问题,进一步提高数据集的有效性,增强模型的识别能力;利用YOLOv3网络对实木板材进行缺陷检测,仅需要对图片进行简单的处理,就可以完成对图像的识别,并达到理想的效果;并利用椭圆方程拟合缺陷边界;针对椭圆长短轴比例偏差造成边缘直线不相交、顶点难以确定的问题,提出排除干扰点的密度聚类方法定位顶点;最后,根据底面椭圆与顶点位置信息反演节子在实木板材中的形态,进而为原木内缺陷形态反演提供数据支持;
本发明采用10块落叶松缺陷板材进行实验,获取板材图像分辨率为762x176,以像素为单位衡量拟合精度,实验结果表明:缺陷锥体模型底面积平均偏差率为2.43%,截面面积平均偏差率/>截面中心点平均距离偏差/>像素长度,基于上述数据得出本方法可以准确反演出缺陷在实木板材内部的形态,具有成本低、利于实现的特点;
通过上述实验表明,通过对模型顶点数据集聚类排除干扰点影响,可以精确定位缺陷顶点反演缺陷形态,进而可以给出缺陷在原木内的空间数据;本发明所采用的计算方法相对现有算法来说,缺陷反演方法更加简单,且在提高计算速率的同时保证反演精度。
优选地,在S1中使用JHUM130m-E型全局曝光相机和50mm的HM5014MP5型镜头对板材进行图像采集,JHUM130m-E型全局曝光相机的最高帧率60fps,像素130万彩色,M5014MP5型镜头的镜头光圈为F1.4,适配2/3英寸的成像感光元件,其最低成像距离处应使用单独的1/2.5英寸、640*480像素的感光芯片,最低像距为60mm。在进行图像采集时,相机静止并位于板材的正上方,板材进行两轴运动。
优选地,在S3获取模型顶点坐标数据集过程中,以椭圆长轴点为起始点,每隔15°,将两椭圆对应角度的边缘点连接形成边缘线,共形成22条边缘线。
具体实施方案二:结合图1至图6所示,本发明提供一种基于表面缺陷图像的木材内部节子形态预测系统,包括:
图像采集与节子缺陷边缘轮廓提取模块,用于对板材上的节子进行图像采集后扩充,再提取板材节子缺陷边缘轮廓及位置坐标;
节子椎体形态构建模块,用于获取多个顶点不同的多个节子椎体模型;
节子唯一顶点获取模块,用于通过聚类处理获取较为精准的节子椎体顶点坐标;
板材内节子缺陷位置及形态预测模块,用于根据节子椎体的椎低和节子顶点坐标预测节子在板材内部的缺陷位置及形态。本实施方案的其他组合和连接关系与具体实施方案一相同。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
参考文献:
[1]Olsson,A.,Oscarsson,J.,Serrano,E.et al.Prediction oftimberbendingstrength and in-member cross-sectional stiffness variation on the basisoflocal wood fibreorientation[J].European Journal ofWood andWoodProducts.2013,71:319–333.
[2]Hittawe M M,Sidibe D,Meriaudeau F.A machine vision based approachfor timber knots detection.[C].Proc.SPIE 9534,Twelfth InternationalConference on Quality Control by Artificial Vision 2015,95340L(30April 2015);doi:10.1117/12.2182770.
[3]Roblot G,Bleron L,Meriaudeau F,Marchal R.Automatic computationofthe knot area ratio for machine strength grading ofdouglas-fir and sprucetimber[J].European Journal of Environmental and Civil Engineering,2010,14(10):1317–1332.
[4]于慧伶,张淼,侯弘毅,等.近红外光谱分析的实木板材节子形态反演[J].光谱学与光谱分析,2019,39(08):2618-2623.
[5]Luo W,Sun LP.An improvedbinarization algorithm ofwood image defectsegmentation based on non-uniform background[J].Journal ofForestry Research,2019,30(4):1527-1533.
[6]张怡卓,许雷,丁亮,等.基于图像融合分割的实木地板表面缺陷检测方法[J].电机与控制学报,2014,18(7):113-118.
[7]Mu H.Study ofwood defects detection based on image processing.IEEEConference on Fuzzy Systems and Knowledge Discovery(FSKD),2010.
[8]李超,吕宪伟,涂文俊,等.基于计算机视觉的实木表面智能化分选系统设计[J].北京林业大学学报,2016,38(03):102-109.
[9]Li C M,Xu C Y,Gui C F,et al.Level set evolution with outreinitialization:anew variational formulation[C].Proceedings ofIEEE ComputerSociety Conference on Computer Vision and Pattern Recognition.NewYork:IEEEComputer Society Press,2005:430-436.
[10]白雪冰,郭景秋,陈凯,等.结合C-V模型水平集与形态学的彩色树木图像分割[J].西北林学院学报,2015,30(02):196-200.
[11]Li C M,Xu C,Gui C,M D Fox.Distance Regularized Level SetEvolution and Its Application to Image Segmentation[J].IEEE Trans.ImageProcessing,2010,19(12):3243-3254.
[12]Pablo G,Manuel G.Athree-dimensional wood material model tosimulate the behavior of wood with any type ofknot at the macro-scale[J].WoodScience and Technology,2013.47:585-599.
Claims (10)
1.一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:包括以下步骤:
S1、选取上下表面均带有节子的板材,采集板材的上、下面缺陷图像,通过对采集的图像进行翻转、仿射变换、亮度和保护度的调整以及噪声增加的方式进行传统数据扩充,再采用WGAN网络进行训练,利用WGAN生成的数据进一步扩充数据集,再用YOLO算法提取实木板材节子缺陷边缘轮廓及位置坐标;
S2、获取拟合椭圆参数,计算出上下面拟合椭圆间的角度偏差;
S3、利用S2步骤获取的椭圆参数,构建椭圆参数整定神经元网络模型,网络输出为上、下椭圆长轴共面信息坐标;
S4、对比上、下面椭圆长轴信息,选择大椭圆为节子锥体形态底座;
S5、使用上、下椭圆的对应点直线与长轴面相交的方法获取模型顶点坐标数据集;
S6、使用密度聚类算法对S5形成的多个交点进行聚类处理,对聚类数量少的类别视为噪声点并进行去除;
S7、处理顶点数据集,使用加权平均获取较为精确的锥体顶点坐标;
S8、利用底面椭圆与锥点数据预测节子在实木板材内部缺陷位置及形态。
2.根据权利要求1所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于,S2的步骤包括:
以椭圆长轴点为起始点,每隔10°-15°,将两椭圆对应角度的边缘点连接形成边缘线,共形成22条边缘线,但不包含两长轴点;椭圆角度校正后,边缘线与长轴面的交点为椎体顶点,得到顶点坐标数据集。
3.根据权利要求2所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:在S5获取模型顶点坐标数据集过程中,以椭圆长轴中的一个端点为起始点,每隔15°将两椭圆对应角度的边缘点连接形成边缘线。
4.根据权利要求3所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:在S6中,所使用的密度聚类算法具体步骤为,在S5中的顶点坐标数据集中选定一个点,然后以这个点为圆心,画一个圆,求出圆心到所有点的向量的平均值,而圆心与向量均值的和为新的圆心,然后迭代此过程,直到满足一点的条件结束。
5.根据权利要求4所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:S6中的聚类算法中的损失函数为,
其中,K为聚类数;N为每类所包含的元素数;rkn表示数据点,n被归类到类别k时为1,否则为0;|xn-μk|表示元素距离聚类中心的曼哈顿距离。
6.根据权利要求5所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:S8中进行缺陷形态预测时,通过模型底面积偏差率、截面面积偏差率和截面中心点距离偏差3个指标衡量模型的正确性和聚类方法的优越性。
7.根据权利要求6所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:在S8中利用模型底面积偏差率、截面面积偏差率和截面中心点距离偏差3个指标衡量模型的正确性和聚类方法的优越性,三个指标的权重系数相同,计算公式如下所示,
其中,S1'为模型底面面积,S2'为模型截面面积,O2'为模型截面中点,S1为原始图像底面面积,S2为原始图像截面面积,O2为原始图像截面中点,fS1为模型底面积偏差率,fS2为截面面积偏差率,l2为截面中心点距离偏差。
8.根据权利要求7所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:在S1中缺陷图像使用JHUM130m-E型相机和HM5014MP5型镜头对板材进行图像采集。
9.根据权利要求8所述的一种基于表面缺陷图像的木材内部节子形态预测方法,其特征在于:在S1中板材图像中的缺陷尺寸通过像素多少进行度量。
10.一种基于表面缺陷图像的木材内部节子形态预测系统,其特征在于,包括:
图像采集与节子缺陷边缘轮廓提取模块,用于对板材上的节子进行图像采集后扩充,再提取板材节子缺陷边缘轮廓及位置坐标;
节子椎体形态构建模块,用于获取多个顶点不同的多个节子椎体模型;
节子唯一顶点获取模块,用于通过聚类处理获取较为精准的节子椎体顶点坐标;
板材内节子缺陷位置及形态预测模块,用于根据节子椎体的椎低和节子顶点坐标预测节子在板材内部的缺陷位置及形态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611280.9A CN116612097A (zh) | 2023-05-29 | 2023-05-29 | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611280.9A CN116612097A (zh) | 2023-05-29 | 2023-05-29 | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116612097A true CN116612097A (zh) | 2023-08-18 |
Family
ID=87681498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310611280.9A Pending CN116612097A (zh) | 2023-05-29 | 2023-05-29 | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116612097A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635619A (zh) * | 2024-01-26 | 2024-03-01 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
-
2023
- 2023-05-29 CN CN202310611280.9A patent/CN116612097A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635619A (zh) * | 2024-01-26 | 2024-03-01 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
CN117635619B (zh) * | 2024-01-26 | 2024-04-05 | 南京海关工业产品检测中心 | 一种基于机器视觉的原木材积检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
CN108805906A (zh) | 一种基于深度图的运动障碍物检测及定位方法 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN108090960A (zh) | 一种基于几何约束的目标重建方法 | |
CN111882593A (zh) | 结合注意力机制及三维图卷积网络的点云配准模型及方法 | |
CN106384383A (zh) | 一种基于fast和freak特征匹配算法的rgb‑d和slam场景重建方法 | |
CN104091324A (zh) | 一种基于连通域分割的棋盘格图像快速特征匹配算法 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN109118528A (zh) | 基于区域分块的奇异值分解图像匹配算法 | |
CN110796694A (zh) | 一种基于KinectV2的果实三维点云实时获取方法 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN111340882B (zh) | 基于图像的室内定位方法及装置 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN104182968A (zh) | 宽基线多阵列光学探测系统模糊动目标分割方法 | |
CN111192194A (zh) | 一种针对幕墙建筑立面的全景图像拼接方法 | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN110909623A (zh) | 三维目标检测方法及三维目标检测器 | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 |
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 |