基于Gabor变换的木材表面缺陷识别方法的研究

论文摘要

木材是国民经济中不可缺少的重要资源,但在其成材过程中不可避免地会出现各种缺陷,对这些缺陷进行无损检测和自动识别对于木材的合理加工利用和木制品加工行业自动化程度的提高等有着非常重要的意义。因此,本文以虫眼、活节、死节三类常见的木材缺陷为对象,制作了包含三类缺陷样本各50幅图像的实验样本库,采用数字图像处理和模式识别理论对其进行识别研究。Gabor变换方法是近几年图像处理领域的研究热点,它具有良好的生物视觉特性,能同时在空间域和频率域取得最优局部化,为图像处理提供了一种新的工具。因此,本文采用Gabor变换方法提取木材表面缺陷特征,进而对其进行分割和识别。要实现对缺陷的分类识别,首先要进行缺陷图像的分割,以得到图像中的缺陷目标。本文采用环形Gabor滤波器对每幅缺陷图像进行多通道Gabor变换,再在能量意义下定义每个像素点的特征参数,形成一个6维的特征向量,结合模糊C均值聚类算法实现对各点的聚类划分。对于聚类分割形成的5个类别,根据形态学特征确定缺陷目标类别,再用数学形态学算子对分割后的缺陷目标进行后处理,最终得到完整的缺陷目标。根据灰色系统理论,建立了一个基于灰色关联度分析的图像分割质量评判模型,采用该模型对木材表面缺陷图像的分割结果进行评价,得到虫眼、活节、死节三类缺陷图像的平均分割正确率分别为95.81%、96.52%、94.58%,分割效果是令人满意的。在对木材表面缺陷进行识别时,从频率特征和形状特征两方面考虑,提取了分割后缺陷目标的12个Gabor参数和2个形状参数,二者构成木材表面缺陷图像的14维分类特征向量,并采用基于遗传算法与最近邻分类器识别率的特征选择方法对其进行选择优化。为了比较不同参数体系下的分类识别效果,分别以单独的12个Gabor特征、12个Gabor特征和2个形状特征的组合、14个组合特征经过特征选择后的融合特征作为分类器的输入特征向量,并采用BP神经网络分类器对其进行分类识别,得到三种参数体系下的分类识别率分别为76%、81.33%、89.33%。最终确定采用特征选择后的4个融合特征作为分类器的输入特征向量,对应的分类器为隐层节点数5个,训练方法为贝叶斯正则化方法(trainbr)的三层BP神经网络分类器。本研究说明根据木材表面缺陷图像的Gabor频率特征对其进行分割和识别是可行的,同时,也为以后木材表面缺陷无损检测技术的深入研究提供一定的参考。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 木材表面缺陷
• 1.2 木材表面缺陷检测技术的研究现状
• 1.3 本研究的目的和意义
• 1.4 本研究的主要内容与路线
• 2 木材表面缺陷检测系统
• 2.1 木材表面缺陷检测
• 2.2 木材表面缺陷图像样本
• 2.3 本章小结
• 3 基于Gabor变换的木材表面缺陷图像纹理特征获取
• 3.1 图像纹理分析
• 3.1.1 统计分析法
• 3.1.2 结构分析法
• 3.1.3 模型分析法
• 3.1.4 空间/频率联合分析法
• 3.2 Gabor变换
• 3.2.1 Gabor变换和时频分析
• 3.2.2 测不准原理
• 3.2.3 1D Gabor函数
• 3.2.4 2D Gabor函数
• 3.3 木材表面缺陷图像的Gabor变换
• 3.3.1 Gabor滤波器核函数的选择
• 3.3.2 Gabor滤波器参数设置方法
• 3.3.3 Gabor滤波器设计及木材表面缺陷图像的Gabor变换结果
• 3.4 木材表面缺陷图像的Gabor特征获取
• 3.5 本章小结
• 4 基于模糊聚类的木材表面缺陷图像分割
• 4.1 图像分割
• 4.2 聚类分析
• 4.2.1 聚类分析及其数学模型
• 4.2.2 模糊C均值聚类算法
• 4.3 木材表面缺陷图像的模糊C均值聚类分割
• 4.3.1 FCM聚类分割实验结果
• 4.3.2 缺陷目标的确定
• 4.4 基于数学形态学的图像分割后处理
• 4.4.1 数学形态学及其基本运算
• 4.4.2 图像分割后处理
• 4.5 图像分割结果评价
• 4.5.1 图像分割质量评价概述
• 4.5.2 灰色关联度评价方法
• 4.5.3 木材表面缺陷图像分割结果评价
• 4.6 本章小结
• 5 木材表面缺陷的模式识别
• 5.1 模式识别概述
• 5.1.1 模式识别系统
• 5.1.2 模式识别的常用方法
• 5.2 木材表面缺陷分类特征提取
• 5.2.1 Gabor特征提取
• 5.2.2 形状特征提取
• 5.2.3 特征归一化
• 5.3 最近邻分类器
• 5.4 遗传算法
• 5.4.1 遗传算法基本流程
• 5.4.2 遗传操作
• 5.5 基于遗传算法与最近邻分类器识别率的特征选择
• 5.5.1 特征选择
• 5.5.2 评价准则
• 5.5.3 搜索算法
• 5.5.4 木材表面缺陷分类特征选择结果
• 5.6 基于BP神经网络分类器的木材表面缺陷识别
• 5.6.1 BP神经网络
• 5.6.2 BP神经网络分类器的设计及木材表面缺陷的分类结果
• 5.7 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢