基于计算机视觉的木材检尺系统

摘要

木材检尺是木材生产加工中的重要一环，木材检尺过程的成本以及准确度在很大程度上影响着整个木材产业以及森林资源的保护。而针对木材检尺这一问题，世界上多个国家已经设计出了多种自动化的木材检尺系统，有的已经相对成熟。而由于便捷性以及成本等问题，我国大部分生产环境仍然使用手工检尺的方法，所以设计一款使用简单成本较低的木材检尺系统，就显得至关重要。
　　本文从计算机视觉的角度出发，设计了一种通过单摄像机进行多次拍摄从而实现对木材横截面进行测量的木材检尺系统。该方法首先使用深度学习背景下的目标检测算法对图像中的主体区域进行识别，并使用图像处理手段对有效区域进行分割。然后使用双目视觉的相关知识对横截面的空间信息进行恢复。最后利用空间几何的相关知识完成了木材横截面的测量。本文的主要工作内容及贡献如下:
　　(1)本文针对成堆板材的特性，设计了基于计算机视觉的，非接触性的检尺系统，克服了传统检尺系统只能测量原木的缺陷，成功解决了成堆板材的测量问题，同时使得测量过程更为简单，成本更低。
　　(2)本文将目前较为先进的深度学习相关方法引入了木材检尺领域，并深入分析探讨了各种基于深度学习的目标检测模型。最后发现SSD模型(Single Shot MultiBox Detector)既可以达到较快的速度，同时也有较高的准确度，能够更加完美的胜任木材横截面的检测。深度学习方法的介入使测量工作更加智能，面对复杂环境仍然能够识别待测主体。极大的提高了检尺系统的健壮性。

目录

声明

致谢

摘要

1 绪论

1．1研究背景及意义

1．2国内外研究现状

1．2．1机械检测

1．2．2光电检测

1．2．3光学检测

1．2．4激光检测

1．2．5基于机器视觉的检尺系统

1．2．6木材自动化检尺系统的难度

1．3论文的主要内容和组织结构

2深度学习与目标检测

2．1 目标检测算法

2．2深度学习简介

2．3基于深度学习的目标检测算法

2．4 YOLO算法与SSD算法

2．4．1 YOLO算法简介

2．4．2 SSD算法简介

2．5有效区域的进一步处理

2．5．1 GrabCut图像分割算法

2．5．2滤波操作

2．5．3将图像二值化

2．6本章实验

2．6．1实验设计

2．6．2木材照片的拍摄

2．6．3选择深度学习平台与软硬件环境

2．6．4制作训练集

2．6．5对SSD和YOLO模型进行训练

2．6．6模型测试与对比

2．6．7有效区域的进一步处理

2．6本章小结

3特征点匹配与三维重建

3．1计算机视觉简介

3．2特征点识别与匹配

3．2．1 SURF与SIFT算法识别特征点

3．2．2 FLANN特征匹配算法

3．2．3 RANSAC算法剔除误匹配结果

3．3三维重建基础

3．3．1 图像坐标系与世界坐标系

3．3．2坐标系之间的转换

3．4三维重建

3．4．1标定相机的内参

3．4．2基础矩阵与本征矩阵

3．4．3求解三维点坐标

3．5本章实验

3．5．1特征点检测

3．5．2特征点匹配与剔除

3．5．3求解相机内参

3．5．4求解基础矩阵

3．5．5求解本征矩阵以及三维坐标点

3．6本章小结

4三维空间的测量

4．1特征点凸包求解

4．2求解拟合平面

4．3凸包的空间投影面积

4．4三维平面的矫正

4．4．1 Hough算法检测直线

4．4．2特征点到直线距离

4．4．3将直线恢复到空间位置

4．4．4空间点到直线距离

4．4．5求解木材截面真实面积

4．5本章实验

4．5．1木材的手工测量

4．5．4 Hough直线检测以及特征点高度

4．5．2求解凸包

4．5．3求解拟合平面以及凸包投影

4．5．5三维平面的矫正

4．6本章小结

5总结与展望

5．1 总结

5．2工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集