基于流形支持向量機(jī)的木材表面缺陷識(shí)別方法的研究.pdf

1、基于機(jī)器視覺的木材表面缺陷檢測技術(shù)，具有無損性、準(zhǔn)確性、快速性等優(yōu)點(diǎn)，在木材生產(chǎn)及其加工等領(lǐng)域具有較高的應(yīng)用價(jià)值。木材表面缺陷檢測的模式識(shí)別問題，是值得長期探索的理論課題，也是木材加工工業(yè)應(yīng)用面臨的一大難題。木材表面缺陷檢測的精確性、實(shí)時(shí)性、魯棒性已成為國內(nèi)外學(xué)者研究的熱點(diǎn)。本文基于機(jī)器視覺和流形理論，以木材表面的活節(jié)、死節(jié)和蟲眼三種常見缺陷為研究對(duì)象，對(duì)木材表面缺陷的圖像分割、特征提取、模式分類方法進(jìn)行了深入的研究。
　　圖像分

2、割是木材缺陷識(shí)別的首要問題。針對(duì)現(xiàn)有基于局部閾值分割方法過度分割的不足，本文提出了基于全局視覺顯著性和局部閾值融合的缺陷分割方法。首先通過缺陷的全局視覺顯著性在圖像中對(duì)缺陷區(qū)域進(jìn)行粗定位;進(jìn)而在粗定位的缺陷區(qū)域周圍通過局部閾值分割的方法完成木材表面缺陷的精確定位和分割;最后對(duì)分割后的二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理，提取準(zhǔn)確的缺陷目標(biāo)，為后續(xù)木材缺陷特征的提取奠定了基礎(chǔ)。
　　為保證木材缺陷識(shí)別結(jié)果的性能和可靠性，缺陷特征的提取是模式識(shí)

3、別中的關(guān)鍵步驟。本文以木材表面缺陷的紋理特征為主，研究了Tamura、灰度共生矩陣、局部二進(jìn)模式等紋理特征，并提取了活節(jié)、死節(jié)和蟲眼缺陷樣本的各種紋理特征。為了降低特征的維數(shù)，并減少各特征之間的信息冗余，將Tamura紋理，灰度共生矩陣、局部二進(jìn)模式紋理特征融合構(gòu)成協(xié)方差矩陣流形特征。紋理特征的提取為后續(xù)識(shí)別工作開展奠定了基礎(chǔ)。
　　在模式分類環(huán)節(jié)，本文以流形距離代替?zhèn)鹘y(tǒng)歐氏距離，提出了新的基于流形上支持向量機(jī)的分類器，將局部二進(jìn)

4、模式和Tamura紋理的前三個(gè)特征粗糙度、對(duì)比度、方向度，連同灰度共生矩陣的熵特征等5種特征輸入到分類器中，取得較好的分類效果。
　　論文研究結(jié)果表明:
　　(1)采用機(jī)器視覺理論和技術(shù)，相對(duì)于傳統(tǒng)的基于邊緣的圖像分割算法、基于區(qū)域的圖像分割算法以及基于特定理論的分割算法，采用木材表面缺陷圖像的全局顯著性特征結(jié)合局部閾值分割，并使用數(shù)學(xué)形態(tài)學(xué)后處理，起到較好的分割效果，能夠?qū)⑾x眼、活節(jié)和死節(jié)缺陷從樣本圖像的背景完好分割出來。

5、
　　(2)通過分析蟲眼、活節(jié)和死節(jié)三種缺陷的特點(diǎn)，采用圖像的紋理特征對(duì)缺陷進(jìn)行描述。將缺陷區(qū)域的不同類型紋理特征作為特征元融合到協(xié)方差矩陣中，構(gòu)成協(xié)方差流形特征，降低了圖像特征的維數(shù)，又減少了特征的冗余，基于區(qū)域協(xié)方差流形的特征具有很好的類間可分性。
　　(3)與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)分類器和向量空間支持向量機(jī)分類器相比較，本文提出的基于流形上的支持向量機(jī)算法取得了較好的識(shí)別效果，識(shí)別準(zhǔn)確率為91.67％，高于BP神經(jīng)網(wǎng)絡(luò)分類器