基于Gabor變換的木材表面缺陷識(shí)別方法的研究.pdf

1、木材是國(guó)民經(jīng)濟(jì)中不可缺少的重要資源,但在其成材過(guò)程中不可避免地會(huì)出現(xiàn)各種缺陷,對(duì)這些缺陷進(jìn)行無(wú)損檢測(cè)和自動(dòng)識(shí)別對(duì)于木材的合理加工利用和木制品加工行業(yè)自動(dòng)化程度的提高等有著非常重要的意義。因此,本文以蟲(chóng)眼、活節(jié)、死節(jié)三類(lèi)常見(jiàn)的木材缺陷為對(duì)象,制作了包含三類(lèi)缺陷樣本各50幅圖像的實(shí)驗(yàn)樣本庫(kù),采用數(shù)字圖像處理和模式識(shí)別理論對(duì)其進(jìn)行識(shí)別研究。
　　 Gabor變換方法是近幾年圖像處理領(lǐng)域的研究熱點(diǎn),它具有良好的生物視覺(jué)特性,能同時(shí)在空間

2、域和頻率域取得最優(yōu)局部化,為圖像處理提供了一種新的工具。因此,本文采用Gabor變換方法提取木材表面缺陷特征,進(jìn)而對(duì)其進(jìn)行分割和識(shí)別。
　　 要實(shí)現(xiàn)對(duì)缺陷的分類(lèi)識(shí)別,首先要進(jìn)行缺陷圖像的分割,以得到圖像中的缺陷目標(biāo)。本文采用環(huán)形Gabor濾波器對(duì)每幅缺陷圖像進(jìn)行多通道Gabor變換,再在能量意義下定義每個(gè)像素點(diǎn)的特征參數(shù),形成一個(gè)6維的特征向量,結(jié)合模糊C均值聚類(lèi)算法實(shí)現(xiàn)對(duì)各點(diǎn)的聚類(lèi)劃分。對(duì)于聚類(lèi)分割形成的5個(gè)類(lèi)別,根據(jù)形態(tài)學(xué)特

3、征確定缺陷目標(biāo)類(lèi)別,再用數(shù)學(xué)形態(tài)學(xué)算子對(duì)分割后的缺陷目標(biāo)進(jìn)行后處理,最終得到完整的缺陷目標(biāo)。
　　 根據(jù)灰色系統(tǒng)理論,建立了一個(gè)基于灰色關(guān)聯(lián)度分析的圖像分割質(zhì)量評(píng)判模型,采用該模型對(duì)木材表面缺陷圖像的分割結(jié)果進(jìn)行評(píng)價(jià),得到蟲(chóng)眼、活節(jié)、死節(jié)三類(lèi)缺陷圖像的平均分割正確率分別為95.81％、96.52％、94.58％,分割效果是令人滿意的。
　　 在對(duì)木材表面缺陷進(jìn)行識(shí)別時(shí),從頻率特征和形狀特征兩方面考慮,提取了分割后缺陷目標(biāo)

4、的12個(gè)Gabor參數(shù)和2個(gè)形狀參數(shù),二者構(gòu)成木材表面缺陷圖像的14維分類(lèi)特征向量,并采用基于遺傳算法與最近鄰分類(lèi)器識(shí)別率的特征選擇方法對(duì)其進(jìn)行選擇優(yōu)化。為了比較不同參數(shù)體系下的分類(lèi)識(shí)別效果,分別以單獨(dú)的12個(gè)Gabor特征、12個(gè)Gabor特征和2個(gè)形狀特征的組合、14個(gè)組合特征經(jīng)過(guò)特征選擇后的融合特征作為分類(lèi)器的輸入特征向量,并采用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)其進(jìn)行分類(lèi)識(shí)別,得到三種參數(shù)體系下的分類(lèi)識(shí)別率分別為76％、81.33％、89.3