实木地板图像融合分割与BP-SOM网络识别方法研究

摘要

实木地板表面的缺陷严重影响到了地板质量和等级。传统以人工目测为主要手段地板表面缺陷识别和等级分选方法生产成本高、效率低，已经无法满足现代化生产的需求。基于计算机视觉的缺陷检测技术，可以在不损坏木材的前提下实现表面缺陷检测，为实木地板缺陷检测和等级分选提供了新的思路和方法，拥有非常广阔的研究和应用价值。本文以实木地板表面的死节、活节、裂纹和虫眼为主要研究对象进行研究。
　　本文首先研究并搭建实木地板图像采集和等级分选系统，获取一定量地板表面缺陷图像。选择恰当的图像预处理算法对得到的彩色图像进行灰度化、增强、去噪和锐化处理。缺陷分割方面，针对传统Otsu算法分割效果不理想、形态学算法分割时间长以及经典区域生长算法分割效率差的问题，设计基于图像融合的地板表面缺陷分割算法。该算法采用图像缩放实现缺陷快速定位，过滤图像噪声;通过创建禁忌表、设计禁忌搜索规则和双阈值生长准则搜索缺陷边缘，完成缺陷分割。在特征提取与选择方面，依据特征提取中的四项基本原则，获取缺陷的21个特征。确定类内方差最小、类间方差最大的特征选取原则，按照方差比较的方法，对21个特征进行降维，最终选择面积、长宽比等13个特征作为下一步模式识别的输入特征。在缺陷识别方面，采用泛化能力较强的神经网络作为缺陷辨识模型，先后研究和设计BP网络和SOM网络模型，并发挥BP网络的数据压缩能力和SOM网络的模式聚类功能，设计BP-SOM混合神经网络模型。BP网络、SOM网络以及BP-SOM混合网络对缺陷的识别准确率分别为:87.5％、90％和95％，单个样本识别时间分别为:2.365ms、0.172ms和2.497ms。
　　论文中，图像处理平台为MATLAB2011b，计算机主频为2GHz。实验结果表明:本文所设计的基于图像融合的地板表面缺陷分割算法可以实现缺陷快速准确分割;而BP-SOM混合网络缺陷辨识模型有效提高了缺陷辨识准确率，其识别时间满足实木地板在线分选要求。

目录

摘要

1 绪论

1．1 研究背景和研究意义

1．2 木材缺陷的种类

1．3 木材缺陷检测现状

1．4 图像分割技术的研究现状

1．5 模式识别研究现状

1．6 研究主要内容

2 实木地板图像采集分选系统

2．1 系统简介

2．2 系统硬件介绍

2．2．1 图像采集部分

2．2．2 系统动力装置

2．2．3 控制柜

2．3 试验样本

2．4 本章小结

3 实木地板表面图像预处理

3．1 实木地板图像灰度化

3．1．1 实木地板图像灰度化方法

3．1．2 图像灰度化方法选择

3．2 实木地板表面图像增强

3．2．1 直方图均衡化

3．2．2 直接灰度变换

3．3 实木地板表面图像平滑

3．3．1 邻域平均法

3．3．2 中值滤波

3．3．3 图像平滑算法选择

3．4 实木地板表面图像锐化

3．4．1 微分锐化算法

3．4．2 拉氏锐化算法

3．4．3 图像锐化及边缘检测实验

3．5 本章小结

4 实木地板表面图像缺陷分割

4．1 Otsu算法

4．1．1 Otau原理

4．1．2 实木地板图像Otsu算法分割试验

4．2 形态学算法

4．2．1 形态学基本运算

4．2．2 形态学重构

4．2．3 骨架提取

4．2．4 实木地板图像形态学分割试验

4．3 实木地板图像融合分割算法

4．3．1 区域生长算法

4．3．2 禁忌搜索

4．4．3 实木地板表面图像禁忌搜索分割试验

4．4 实木地板图像缺陷分割试验分析

4．5 本章小结

5 实木地板表面图像缺陷特征分析

5．1 地板表面缺陷特征介绍

5．1．1 几何特征

5．1．2 形状特征

5．1．3 纹理特征

5．1．4 不变矩特征

5．2 地板表面缺陷特征提取与选择试验

5．2．1 地板表面缺陷特征提取

5．2．2 地板表面缺陷特征选择

5．3 本章小结

6 实木地板表面缺陷神经网络识别

6．1 神经元模型

6．2 实木地板表面缺陷BP网络辨识模型

6．2．1 BP神经网络结构

6．2．2 BP神经网络学习算法

6．2．3 BP网络设计

6．2．4 BP网络训练与测试

6．3 实木地板表面缺陷SOM网络辨识模型

6．3．1 SOM神经网络基础

6．3．2 SOM神经网络模型

6．3．3 SOM神经网络的学习过程

6．3．4 SOM网络设计与测试

6．4 实木地板表面缺陷BP-SOM混合网络辨识模型

6．4．1 BP-SOM网络结构

6．4．2 BP-SOM网络学习与测试

6．5 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明