随着木材加工行业的发展,对木材加工质量和木材利用率的要求越来越高,传统的木材检测手段已经不能满足需求,提高木材检测技术,按不同需求分类分等,对木材加工起着至关重要的作用。近年来木材无损检测技术兴起,并广泛应用于木材加工行业。本文以实木板材为例,采集实木板材表面的节子、孔洞、裂纹三类缺陷,结合图像处理技术和以极限学习机为基础的分类识别技术,对实木板材进行缺陷识别与分类研究。实木板材表面缺陷的检测与识别包含机器视觉与模式识别的综合应用,本文阐述了检测系统的组成,样本的选取与图像采集,图像分割,特征提取及识别分类等五个方面的内容,主要研究工作如下:首先,搭建了实木板材无损检测系统,主要包括机械结构部分和图像采集系统两部分,机械结构由输送带、安装扫描仪的固定装置、控制与信号感应装置组成,负责木材的输送、采集系统的启停。图像采集系统包括两台Chroma+Scan3350型激光轮廓扫描仪,集成了二维平面扫描和三维轮廓扫描功能,并配有LED照明光源。试验选择了包含缺陷的赤松板材和樟子松板材样本,共采集了400幅图像。其次,图像依次经过灰度化、灰度增强和滤波去噪等预处理,消除了采集过程中的干扰因素并简化了数据。对比了基于Otsu最大类间方差法、最大熵分割法、直方图分割法等阈值分割方法和基于Roberts算子、Sobel算子、LOG算子和Canny算子的边缘检测算法,最终采用直方图阈值分割法分割图像,并结合基于Sobel算子的边缘检测提取缺陷区域轮廓,在经过数学形态学变换后提取出缺陷区域。第三,采用了基于灰度特征和几何特征的特征提取方法提取特征向量,提取了3个灰度特征、6个几何形状特征和7个矩特征,运用主成分分析法将得到的16维向量降维至6维,作为最终分类器的输入进行分类识别。最后,设计了基于极限学习机算法的分类器,并结合AdaBoost算法改进了分类器。通过实验对比,分析了单一分类器的局限性和改进分类器的优势。实验结果表明:对于单一的极限学习机分类器,虽然通过随机初始化输入层权重和隐含层偏置简化了算法,比传统的分类算法在学习速度、预测精度上有一定程度提升,但由于其随机性会影响分类结果的精确度和稳定性,对极限学习机本身的改进程度有限;因此,采用AdaBoost算法改进的分类器,以进一步提高算法的预测精度,稳定性。