基于颜色和纹理特征的竹条分级方法研究

摘要

竹材质感爽滑、纹理清晰,被广泛用于制造竹挂毯、竹地毯、竹地板等建筑、装饰产品。受产地、含水率、密度等因素的影响,经同一炭化工艺处理后的竹材原料颜色深浅不同,而颜色的一致性是衡量竹制品质量的重要指标,因此,为了保证竹制品质量,必须对炭化后的竹材原料进行颜色分级。目前主要依靠人工肉眼识别的方法进行颜色分级,劳动强度大,分级效率低,分级质量得不到保障,极大地制约了竹制品产业的快速发展。本文以炭化竹条为研究对象,采用机器视觉技术、数字图像处理技术和模式识别理论,对竹条表面颜色、纹理特征与分级识别方法进行了研究,为实现竹条的自动分级提供理论依据和技术基础。
　　 本文主要研究内容与结论如下:
　　 (1)搭建了适用于竹条分级的机器视觉系统。利用该系统采集了8个级别竹条图像并建立了包含800个图像样本的标准样本库。
　　 (2)利用数字图像处理技术对竹条原始图像进行了图像灰度化、中值滤波、Otsu阈值分割和图像合成等预处理,得到了去除背景的竹条彩色图像。
　　 (3)在HIS颜色模型下,分别用颜色直方图、颜色矩和灰度共生矩阵描述了竹条表面颜色、纹理特征。利用类别可分性判据法研究分析了各个构造因子对灰度共生矩阵及其参数的影响,确立了适合描述竹条表面纹理的灰度共生矩阵构造方法:确定步矩d=1、图像灰度级g=16级、生成方向取θ=0°、45°、90°、135°,纹理参数取四个方向的平均值,以消除生成方向的影响。以上述研究为基础,获取了颜色矩的9个颜色特征参数和灰度共生矩阵的6个纹理特征参数,共同组成了表征竹条表面特性的特征参数体系,并将其命名为特征参数体系Ⅰ。利用统计软件SPSS16.0对特征参数体系Ⅰ中的15个特征变量进行了主成分分析,建立了特征参数体系Ⅱ。
　　 (4)分别在两套特征参数体系下,采用基于LM算法的BP神经网络对竹条样本进行分级识别仿真实验,通过对网络测试结果的分析比较,最终选定了对竹条样本识别能力更强的特征参数体系Ⅰ竹条分级识别最优特征参数体系。针对BP神经网络的不稳定性、易陷入局部极小点的问题提出了GA-LMBP算法:利用遗传算法优化BP神经网络的初始权值和阈值,再利用LM算法在遗传算法所确定的小范围空间内对BP神经网络进行精确训练。仿真实验结果表明,利用遗传算法优化BP神经网络初始权值和阈值不仅能克服BP神经网络容易陷入局部极小点的缺点,而且还在能一定程度上提高网络的训练精度和泛化能力,8个级别竹条样本的正确识别率达到了96.88％。
　　 (5)在特征参数体系Ⅰ下,利用最小二乘支持向量机对竹条样本进行了分级识别仿真实验,并将其识别结果与BP神经网络和GA-LABP神经网络的结果进行了比较,结果表明支持向量机的运算速度最快、识别效果最好,8个级别竹条样本的正确识别率达到了97.5％。
　　 (6)基于MATLAB7.0开发了竹条分级识别软件系统,该软件系统的功能包括图像预处理、特征参数提取和竹条分级识别等。经测试表明,该软件系统操作简便、运行稳定。

目录

文摘

英文文摘

1 绪论

1.1 研究的目的和意义

1.2 机器视觉技术简介及应用现状

1.2.1 机器视觉技术简介

1.2.2 机器视觉技术在颜色分类、识别中的应用

1.2.3 机器视觉技术在纹理分类、识别中的应用

1.3 研究内容与技术路线

1.3.1 主要研究内容

1.3.2 研究的技术路线

2 图像采集及其预处理

2.1 实验材料

2.2 实验装置及图像采集

2.2.1 实验装置

2.2.2 图像采集

2.3 竹条图像的预处理

2.4 本章小结

3 竹条图像特征分析与参数提取

3.1 竹条图像颜色特征分析与参数提取

3.1.1 颜色直方图

3.1.2 颜色矩

3.1.3 颜色矩颜色特征参数的提取与分析

3.2 竹条图像纹理特征

3.2.1 灰度共生矩阵

3.2.2 灰度共生矩阵纹理特征参数

3.2.3 竹条表面纹理的灰度共生矩构造因子的选取

3.3 灰度共生矩阵纹理特征参数的提取与分析

3.4 特征参数的主成分分析

3.5 本章小结

4 基于遗传算法和BP神经网络的竹条分级识别

4.1 BP神经网络

4.2 BP算法及其优化

4.3 遗传算法简介

4.4 基于遗传算法的神经网络初始权值和阈值的优化方法设计

4.4.1 编码方式的选择

4.4.2 群体规模的设定

4.4.3 适应度函数的选择

4.4.4 遗传算子的选择

4.5 竹条分级识别的BP神经网络设计与仿真实验

4.5.1 在特征参数体系Ⅰ下的BP神经网络设计与仿真实验

4.5.2 在特征参数体系Ⅱ下的BP神经网络设计与仿真实验

4.5.3 不同特征参数体系实验结果比较与分析

4.6 基于GA-LMBP神经网络的仿真实验及结果分析

4.7 本章小结

5 基于最小二乘支持向量机的竹条分级识别

5.1 最优分类平面

5.2 广义最优分类面

5.3 最小二乘支持向量机

5.4 基于最小二乘支持向量机的竹条分级识别仿真及结果分析

5.4.1 多类LSSVM分类器的构建

5.4.2 实验数据及其预处理

5.4.3 核函数的选择和最优参数的确定

5.4.4 结果与分析

5.5 本章小结

6 竹条分级识别软件系统

6.1 软件系统总体框架

6.2 软件系统主要模块功能的概述

6.2.1 图像预处理模块

6.2.2 特征参数提取模块

6.2.3 分类识别模块

6.3 本章小结

7 总结

7.1 主要研究成果

7.2 工作展望

参考文献

致谢

附录 攻 读硕士学位期间发表的论文