论文部分内容阅读
原材料和劳动力成本的持续上涨迫使木制品企业需要通过提高产品的质量和提高生产力来控制成本。机器视觉表面检测技术可以对实木地板的表面缺陷和纹理进行识别,该方法能够在提高生产效率的同时降低长期成本。现有的算法很难满足在线检测的要求,本文主要运用计算机视觉技术,以实木地板表面的纹理、颜色和几何特征作为分选依据,研究实木地板在线检测的关键技术。图像分割是实木地板表面缺陷识别的首要问题,本文基于双层聚类的超像素图像分割方法,使用HSLIC超像素图像分割方法将图像分割成超像素,从提高算法速度和效果两方面对超像素合并算法进行改进,提出了自适应阈值的快速DBSCAN超像素合并算法,取得缺陷分割图像。比较分析了SLIC、HSLIC和MeanShift三种分割算法,结果表明HSLIC超像素分割算法结合自适应阈值的快速DBSCAN超像素合并算法在分割时间和分割效果等方面都明显优于其它同类算法,特别适合于时间严格要求的实木地板在线缺陷检测系统中。对超像素提取出来的实木地板缺陷图像,从颜色、形状和纹理三类特征中提取缺陷图像特征,利用OOB误差来计算特征重要性,同时融合提取时间进行综合分析,得出Tamura纹理和颜色直方图是最优的两组缺陷分类参数。从速度和泛化误差角度对随机森林算法进行了改进,对颜色直方图和Tamura纹理两类特征,采取特征组合输入的方式,合并相似度高的决策树,在降低了决策树之间相关度的同时提高了决策树的强度,减小了集成的泛化误差。通过实验可见,改进的随机森林有更高的分类精度和更快的预测速度,为在线分选系统提供了有效的木材缺陷图像识别方法。为了实现实木地板表面纹理分类,提出了双重LBP算法来提取实木地板纹理的边缘信息。该方法首先利用CLBP算法提取纹理信息,利用自适应阈值消除细微纹理,保留粗纹理,再利用LBP算法提取粗纹理的边缘信息,该边缘信息包含纹理的方向和分布。对于提取的大尺度纹理特征,利用HOG算子描述纹理方向特征,进行分类。针对决策树存在样本不均衡的问题,本文对小样本利用三次多项式插值将A、B、C类样本分别构成新样本数,与原样本组合形成200个样本。插值后的三类样本OOB误差大幅度降低,总OOB误差随之减小。实验结果表明,改进后的随机森林较原来的算法分类精度得到提高,达到96.77%的分类精度,用时0.40s左右,满足在线分类的要求。综上所述,HSLIC超像素分割算法结合自适应阈值的快速DBSCAN超像素合并算法在对实木地板表面缺陷图像进行分割,分割时间和有效识别率都明显优于其他同类算法。运用计算机视觉技术,以实木地板表面的纹理、颜色和几何特征作为输入,可以使改进的随机森林分类器具有更高的分类精度和更快的预测速度,满足在线分选系统的要求。本文的研究成果为实木地板生产的在线缺陷检测提供了理论依据。