木材缺陷会降低木材的外在品质和内部强度,进而影响木材的加工生产过程。传统的方法是通过人工对木材缺陷进行检测和判断。然而,在人工进行长时间检测后,容易产生视觉疲劳,导致错检或漏检,检测效率低且检测质量难以保证。另外木材零件下料过程中,人工检测的方法也难以快速准确地对木材缺陷的分布和种类进行统计和判断,影响下料工艺的快速决策。随着图像技术的发展,通过机器视觉技术对木材缺陷实施自动检测和判断,提高木材生产加工的效率,是当前木材加工行业的重要发展方向。根据数字图像处理技术可以检测到木材表面缺陷的位置和类别信息,再通过智能搜索算法对缺陷的信息进行分析,可以确定合适的下料方案。为此,本文基于数字图像处理技术提出了一种算法对木材表面缺陷进行定位和分类,为后续木材的智能下料提供决策的依据,推动木材智能化加工的发展,具体研究内容如下:(1)设计木材图片采集平台以获取充足的木材表面缺陷样本。通过预处理对木材图片的对比度进行增强。使用Ostu算法对三种常见类别的木材表面缺陷进行处理,进一步对提取出的二值化区域进行数学形态学处理,得到更加平滑完整的缺陷区域。对于背景复杂的样例,基于HSI颜色模型三个通道作为特征,以聚类的方式进行分割,取得了较好的分割效果。但是对于多缺陷样例,仍然存在着分割不完整以及误分割等问题。(2)基于LBP特征训练Adaboost级联分类器对木材表面缺陷进行定位,并与Haar特征和HOG特征进行对比。实验结果表明,基于LBP特征训练出来的级联分类器取得了更好的定位效果。其召回率为96.9%,检测的正确率达到了96.2%。同时,基于LBP特征训练出来的级联分类器对于木材表面缺陷的定位更加精确,测试用时最短,测试占用内存也更少。(3)选取活节、死节、虫眼、背景四类图片建立样本集,提取出灰度共生矩阵特征向量后选取三种机器学习方法进行分类。使用KNN作为分类器时,当最近邻个数为3时误识别率最低。使用SVM作为分类器时,采用多项式作为核函数时误识别率最低。使用BP神经网络作为分类器时,更深的隐藏层数和神经元个数可以提高模型的分类性能,最低误识别率为12.5%。(4)针对传统分类方法中关键特征难以选取的问题,使用卷积神经网络实现木材表面缺陷的分类。增加每层卷积核的个数、选用更小的卷积核、采用更深的网络层数、选用Relu函数作为激活函数时都可以提高模型的分类性能。同时,在模型中加入Batch Normalization层可以使模型的训练更容易达到稳定状态。通过数据扩增技术,可以减少因训练数据不足产生的过拟合问题。经过对模型的不断调整以及采用数据扩增等方式,模型最低的误识别率达到2.3%。(5)通过对Adaboost级联分类器和CNN两种方法进行组合实现了对木材缺陷的定位与分类。通过实验表明,算法的召回率达到了94%,检测的准确率达到了99%,分类的准确率达到了97.9%。同时,算法的平均测试时间为102ms,测试占用内存为120M,满足木板自动化下料系统开发的前期准备要求。