數(shù)字圖像處理技術(shù)在木材表面缺陷檢測中的應(yīng)用研究.pdf

1、木材表面缺陷檢測技術(shù)是計算機視覺與模式識別相交又的多學(xué)科技術(shù)，該技術(shù)具有較高的應(yīng)用價值，被廣泛應(yīng)用在木材生產(chǎn)及其深加工等領(lǐng)域.。本文主要以木材的死節(jié)、活節(jié)和蟲眼三種常見缺陷為研究對象，對木材的缺陷圖像分割和模式識別方法進行了深入的研究。主要內(nèi)容包括:木材表面缺陷圖像分割、特征提取、缺陷類型識別等問題。
　　圖像分割是木材缺陷識別的首要問題。本文對傳統(tǒng)邊緣檢測算法進行了介紹，針對分水嶺過度分割不足，結(jié)合數(shù)學(xué)形態(tài)學(xué)提出了基于形態(tài)學(xué)梯度

2、的分水嶺分割方法，并將其應(yīng)用在木材缺陷的檢測中;針對在計算分形參數(shù)而產(chǎn)生的邊緣效應(yīng)的問題，提出了增維矩陣的計算方法;針對木材缺陷的顏色特征，結(jié)合模糊聚類算法，提出基于顏色矩的圖像分割方法。同時采用具有強大運算功能的數(shù)學(xué)形態(tài)學(xué)工具，對分割后圖像進行了后處理工作，加強了分割圖像的可視性，確保了缺陷圖像的分割精度，為缺陷的識別工作奠定了基礎(chǔ)。
　　為保證木材缺陷識別結(jié)果的可靠性，特征量的選取是模式識別中至關(guān)重要的環(huán)節(jié)。本文對木材缺陷分割

3、圖像進行Tamura紋理、灰度共生矩陣、小波多分辨率分形維的特征提取，分別選用了BP神經(jīng)網(wǎng)絡(luò)和支持向量機分類器進行分類識別。其中，以多分辨率分形維作為BP神經(jīng)網(wǎng)絡(luò)分類器的輸入，無論采用何種訓(xùn)練函數(shù)，分類的準確率均達到92.67％;在支持向量機分類器中，Tamura紋理與灰度共生矩陣聯(lián)合的10個參數(shù)的識別準確率高達96.67％，多分辨率分形維的識別準確率也高達94.00％，準確率均高于BP神經(jīng)網(wǎng)絡(luò)分類器。
　　試驗結(jié)果表明: