推荐星级：
- 1
- 2
- 3
- 4
- 5
基于深度学习的木材表面缺陷图像检测
资料介绍
针对木材活节、死节、虫眼等缺陷图像的检测问题,本文提出了一种基于深度学习的木材缺陷图像检测方法。首先,通过对Faster-RCNN网络进行训练,得到了可以对木材缺陷定位和识别的检测模型;然后,应用NL-Means方法对图像进行去噪,通过线性滤波、调整对比度和亮度实现图像增强;再对图像进行二值化处理,根据像素值差异提取缺陷边缘特征点集,实现了对木材缺陷的精细分割;最后,对椭圆拟合方法进行了改进,实现了对木材缺陷边缘点集的椭圆拟合,提供了新的木材缺陷加工方案。实验结果表明,该算法具有较好的木材缺陷定位和分类能力,得到了较好的分割及拟合效果,可在缺陷修补这一环节减少约10%的木材填充量。
部分文件列表
| 文件名 | 大小 |
| 基于深度学习的木材表面缺陷图像检测.pdf | 2M |
部分页面预览
（完整内容请下载后查看）第
卷
第
期
９
液晶与显示
３４
ꢀ
Ｖｏｌ．３４ Ｎｏ．９
ꢀ
ꢀꢀ
ꢀꢀꢀ
ꢀ
ꢀꢀꢀꢀ
ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＬｉｕｉｄＣｒｓｔａｌｓａｎｄＤｉｓｌａｓ
ꢀꢀꢀ ꢀ ꢀ ꢀ ｑ ꢀ ｙ ꢀ ꢀ
ｐ ｙ
年
月
ꢀ ꢀ
２０１９
９
Ｓｅ ．２０１９
ｐ
ꢀ
：
（ ）
１００７２７８０２０１９０９０８７９０９
－
文章编号
－
－
基于深度学习的木材表面缺陷图像检测
１
，
１
＊
陈献明 王阿川
２
，
王春艳
（ ，
东北林业大学 信息与计算机工程学院 黑龙江 哈尔滨
１．
；
１５００４０
，
扎兰屯职业学院 内蒙古 扎兰屯
２．
）
１６２６５０
： 、 、 ， 。
摘要 针对木材活节 死节 虫眼等缺陷图像的检测问题 本文提出了一种基于深度学习的木材缺陷图像检测方法 首
，
先 通过对
， ； ，
网络进行训练 得到了可以对木材缺陷定位和识别的检测模型 然后 应用
方法对图
ＮＬ Ｍｅａｎｓ
－
ＦａｓｔｅｒＲＣＮＮ
－
， 、 ； ，
像进行去噪 通过线性滤波 调整对比度和亮度实现图像增强 再对图像进行二值化处理 根据像素值差异提取缺陷边缘
， ； ， ，
特征点集 实现了对木材缺陷的精细分割 最后 对椭圆拟合方法进行了改进 实现了对木材缺陷边缘点集的椭圆拟合
，
。 ， ，
提供了新的木材缺陷加工方案 实验结果表明 该算法具有较好的木材缺陷定位和分类能力 得到了较好的分割及拟合
，
效果 可在缺陷修补这一环节减少约
。
的木材填充量
１０％
： ； ； ； ；
词 图像检测 深度学习 木材缺陷 边缘检测 椭圆拟合
ꢀ
关
键
ꢀ
：
：
文献标识码
Ａ
：
／
中图分类号
ＴＰ３９１．４１
ꢀꢀ
ｄｏｉ１０．３７８８ ＹＪＹ ＸＳ２０１９３４０９ ．０８７９
ꢀꢀ
Ｉｍａｅｄｅｔｅｃｔｉｏｎｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｂａｓｅｄｏｎｄｅｅ ｌｅａｒｎｉｎ
ꢀ ꢀ ꢀ ꢀ ꢀ
ｐ
ꢀ
ｇ
ꢀ ꢀ
ｇ
ꢀ
１
１
＊
２
，
，
ＷＡＮＧＣｈｕｎ ａｎ
ꢀ
ＣＨＥＮ Ｘｉａｎｍｉｎ
ꢀ －
ＷＡＮＧ Ａｃｈｕａｎ
ꢀ －
ｇ
－
ｙ
（
，
ｇ
，
１．Ｃｏｌｌｅｅｏ ＩｎｏｒｍａｔｉｏｎａｎｄＣｏｍ ｕｔｅｒＥｎｉｎｅｅｒｉｎ ＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒ Ｕｎｉｖｅｒｓｉｔ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｆ
ｆ
ｐ
ｇ
ｙ
ꢀ
ꢀ
， ； ， ，
Ｈａｒｂｉｎ１５００４０Ｃｈｉｎａ ２．ＺｈａｌａｎｔｕｎＶｏｃａｔｉｏｎａｌＣｏｌｌｅｅ Ｚｈａｌａｎｔｕｎ１６２６５０ Ｃｈｉｎａ
ꢀ
）
ꢀ
ꢀ
ꢀ
ｇ
：
，
，
Ａｂｓｔｒａｃｔ Ａｉｍｉｎ ａｔｔｈｅｄｅｆｅｃｔｉｍａｅｄｅｔｅｃｔｉｏｎｏｆｌｉｖｅｋｎｏｔｓ ｄｅａｄｋｎｏｔｓ ｗｏｒｍｈｏｌｅａｎｄｓｏｏｎ ａｗｏｏｄ
ｇ ꢀ ｇꢀ
ꢀꢀ ꢀ ꢀ
，
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｄｅｆｅｃｔｉｍａｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｔｈｌｅａｒｎｉｎ ｗａｓ ｒｏｏｓｅｄ．Ｆｉｒｓｔｌ ｂ ｔｒａｉｎｉｎ ＦａｓｔｅｒＲＣ
－
ꢀ
ｇꢀ
ꢀ
ꢀ
ꢀ ꢀ ｐ ꢀ
ｇ
ꢀ
ꢀｐ ｐ
ｙ
ｙ
ꢀ
ｇ
ꢀ
－
，
，
ＮＮｎｅｔｗｏｒｋ ａｄｅｔｅｃｔｉｏｎｍｏｄｅｌｆｏｒｌｏｃａｔｉｎ ａｎｄｒｅｃｏｎｉｚｉｎ ｗｏｏｄｄｅｆｅｃｔｓｉｓｏｂｔａｉｎｅｄ．Ｓｅｃｏｎｄｌ ｔｈｅ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ ꢀ
ｇ
ꢀ
ꢀ
ｇ
ｇ
ꢀ
ꢀ
ꢀ ꢀ
，
ｉｍａｅｉｓｄｅｎｏｉｓｅｄｂ ＮＬ Ｍｅａｎｓｍｅｔｈｏｄ ａｎｄｉｍａｅｅｎｈａｎｃｅｍｅｎｔｉｓａｃｈｉｅｖｅｄｂ ｌｉｎｅａｒｆｉｌｔｅｒｉｎ ａｄｕｓ
ꢀｙ ꢀ ꢀ ꢀｙ －
ｇꢀ ꢀ ｇꢀ
，
ｇ ｊ
－
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
ｙ
，
ｔｉｎ ｃｏｎｔｒａｓｔａｎｄｂｒｉｈｔｎｅｓｓ．Ｔｈｉｒｄｌ ｔｈｅｉｍａｅｉｓ ｒｏｃｅｓｓｅｄｂ ｂｉｎａｒｉｚａｔｉｏｎ ａｎｄｔｈｅｅｄｅｆｅａｔｕｒｅ
ｇꢀ ꢀｐ
ꢀ ｇ ꢀｙ ꢀ ｇꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｏｉｎｔｓｏｆｄｅｆｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄａｃｃｏｒｄｉｎ ｔｏｔｈｅｄｉｆｆｅｒｅｎｃｅｏｆ ｉｘｅｌｖａｌｕｅｓｔｏｒｅａｌｉｚｅｗｏｏｄｄｅｆｅｃｔｓｆｉｎｅ
ｇ ꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ
ｐ
ꢀ
ꢀ
，
ｓｅ ｍｅｎｔａｔｉｏｎ．Ｆｉｎａｌｌ ｔｈｅｅｌｌｉｓｅｆｉｔｔｉｎ ｍｅｔｈｏｄｉｓｉｍ ｒｏｖｅｄｔｏｒｅａｌｉｚｅｔｈｅｅｌｌｉｓｅｆｉｔｔｉｎ ｏｆｗｏｏｄｄｅ
ꢀ ｐ ꢀ ꢀꢀ ｐ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ －
ｇ
ｙ
ｇ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
，
ｆｅｃｔｅｄｅ ｏｉｎｔｓｅｔ ａｎｄａｎｅｗ ｗｏｏｄｄｅｆｅｃｔ ｒｏｃｅｓｓｉｎ ｓｃｈｅｍｅｉｓ ｒｏｖｉｄｅｄ．Ｔｈｅｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ
ꢀ ｇꢀｐ ꢀꢀ ꢀｐ ꢀ ꢀｐ ꢀ ｐ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
，
ｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｈａｓｂｅｔｔｅｒｗｏｏｄｄｅｆｅｃｔｌｏｃａｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｂｉｌｉｔ ａｎｄ ｅｔｓｂｅｔｔｅｒｓｅ
ꢀ ｇ ꢀｇ ꢀ ｇ－
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｍｅｎｔａｔｉｏｎａｎｄｆｉｔｔｉｎ ｅｆｆｅｃｔ．Ｔｈｅｆｉｌｌｉｎ ｖｏｌｕｍｅｏｆｗｏｏｄｃａｎｂｅｒｅｄｕｃｅｄｂ ａｂｏｕｔ１０％ｉｎｔｈｅ ｒｏｃｅｓｓｏｆ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀｐ ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
ｄｅｆｅｃｔｒｅａｉｒ．
ꢀ ｐ
：
；
；
ｇ
；
Ｋｅ ｗｏｒｄｓ ｉｍａｅｄｅｔｅｃｔｉｏｎ ｄｅｅ ｌｅａｒｎｉｎ ｗｏｏｄｄｅｆｅｃｔｓｅｄｅｄｅｔｅｃｔｉｏｎ ｅｌｌｉｔｉｃｆｉｔｔｉｎ
ｇꢀ ｇꢀ ｐ ꢀ ｇ
；
ｐ
ꢀ
ꢀ
ｙ
ꢀ
；
修订日期
２０１９０４１２
：
：
２０１９０６１９．
－
收稿日期
ꢀꢀ
ꢀꢀ
－
－
－
：
基金项目 黑龙江省自然科学基金
（
）；
哈尔滨市优秀学科带头人基金项目
（
）
Ｎｏ．Ｃ２０１４１４
Ｎｏ．２０１４ＲＦＸＸＪ０４０
（ ）；
Ｓｕ ｏｒｔｅｄｂ ＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＨｅｉｌｏｎ ｉａｎ ｒｏｖｉｎｃｅ Ｎｏ．Ｃ２０１４１４ ＨａｒｂｉｎＦｏｕｎｄａｔｉｏｎｆｏｒ
ꢀ
ｐｐ ｇｊ ｇｐ
ꢀｙ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
（
ＧｏｏｄＬｅａｄｅｒｓｏｆＤｉｓｃｉｌｉｎｅｓ Ｎｏ．２０１４ＲＦＸＸＪ０４０
ꢀ ꢀ
）
ꢀ
ｐ
，
：
Ｅ ｍａｉｌｗａｎｃａｌ１９６４ １２６．ｃｏｍ
＠
通信联系人
ꢀꢀ＊
－
ｇ
液晶与显示
第
卷
ꢀ
３４
８８０
ꢀꢀꢀꢀ
ꢀꢀꢀꢀꢀꢀ
（
，
）
的新
ＲｅｉｏｎＰｒｏｏｓａｌＮｅｔｗｏｒｋ ＲＰＮ
ꢀ ｐ
域生成网络
ｇ
ꢀ
。
型目标检测模型
模型将目标检测
ＦａｓｔｅｒＲＣＮＮ
－
引
１
ꢀ ꢀꢀ
言
： 、
的四 个 基 本 步 骤 提 取 特 征 获 取 感 兴 趣 区 域
、
由于木材加工自动化程度低 缺陷识别不够
（
，
ＲｅｉｏｎｏｆＩｎｔｅｒｅｓｔＲＯＩ
ꢀꢀ
）、
目标识别和边框回归统
ꢀꢀ
ｇ
、 ，
精确 锯切方案不够合理 我国木材原料的使用效
。
一到一个深度网络框架中 网络结构如图 所示
１
。
［］
１
。
，
为了显著提高木材的使用效率 国内
率较低
：
外学者提出了多 种木材 缺陷 的 检 测 方 法 如
３Ｄ
［］
２
、
扫描技术分析法
基于多模型融合的木材缺陷
［］
３
、
［］
４
、
基于
研究
钻入阻抗法检 测
模型的 缺
ＣＶ
－
［］
５
、
［］
６
、
基于
陷图像特征提取
一阶统计特征检测法
图
网络结构
ＦａｓｔｅｒＲＣＮＮ
－
１
ꢀ
［］
７
、
改进
ＣＶ
快速 和
ｌ１ ＬＢＰ
算法的缺陷检测技术
Ｆｉ ．１ ＳｔｒｕｃｔｕｒｅｏｆＦａｓｔｅｒＲＣＮＮｎｅｔｗｏｒｋ
ｇ ꢀ
ꢀ ꢀ － ꢀ
－
［］
８
。 ， 、
然而 木材缺陷的形状 颜
模型与小波变换
等
是一种用于产生高可靠性候选区域框
ＲＰＮ
、 、 ，
色 尺寸 纹理等特征千差万别 给缺陷识别与分
，
的网络 它与
，
共享卷积特征 通过滑
ＦａｓｔＲＣＮＮ
－
，
割带来了困难 这使得目前的木材缺陷检测方法
，
动窗口对提取到的特征图滑动卷积 得到不同尺
，
存在着一定的局限性 难以做到对木材缺陷进行
（
）。
度的锚框
每个滑动窗口生成 一个 特
Ａｎｃｈｏｒ
。
统一的识别与分割
，
征向量 这个特征向量被输送到边框回归层和分
，
近年来 基于深度学习的图像检测方法发展
。
类层 在边框回归层可以得到对应的 个坐标位
４
， 、
迅猛 在图像的识别 分类和目标检测领域都取得
；
置编码 在分类层中可以得到
中物体目标的
ＲＯＩ
。
了一些成就 针对木材缺陷的识别检测及带有缺
。
概率 随后将得到的坐标编码和判定概率输入到
，
陷的木材加工方案优选问题 本文提出了将深度
［］
９
检测模型 用于木材缺
。
池化层
ＲＯＩ
学习中的
ＦａｓｔｅｒＲＣＮＮ
－
［
］
１０
、
线性滤波
，
在得到预测方框的坐标参数后 为了降低预
，
陷图像识别与定位 结合
ＮＬ Ｍｅａｎｓ
－
，
测方框与真实方框的误差 对坐标参数进行回归
，
等方法用于木材缺陷图像的去噪和增强 之后提
，
调整 调整方式如式
（）、（）
所示
１ ２
：
，
取缺陷的边缘特征 获得了较好的分割效果
。
为
＊
＊
（
ｘ
（
ｘ
）／
，
ｗａ ｔ
ｘ
）／
ｘ ｗａ
－
ａ
ｔ
ｘ
烄
ｘ
＝
－
＝
ａ
，
了解决传统缺陷加工方案木材损耗较多 而按照
，
烅
＊
＊
（
ｙ
）／
ｈ ｔ
＝
ｙ
，
（
）／
ｈ
ｔ
烆
ｙ
， ，
缺陷边缘进行加工 切削路线复杂的问题 本文提
＝
－
－
ｙ ｙａ
ｙ
ａ
ａ
ａ
（）
１
出了一种改进的 椭圆拟 合算 法拟合 木材 缺陷轮
＊
＊
（ ／ ）， （
ｌｏ ｗ ｗ ｔ
＝ ｇ
ｘ
／
）
， ，
廓 兼顾节约木材和简化切削路线 降低了缺陷修
ｔ
ｗ
烄
ｌｏ ｗ ｗａ
＝ ｇ
ａ
，（）
２
烅
＊
＊
（ ／ ）
ｌｏ ｈ ｈ
（／ ），
ｌｏ ｈ ｈ
ａ
， ，
补的木材填充量 提高了木材的使用效率 为自动
ｔ
ｈ
烆
ｔ
＝ ｇ
＝ ｇ
ｈ
ａ
： ， ，
ｘ
ｙ
式中
和
ｈ
分别表示预测方框的中心坐
。
化加工带有缺陷的木材提供了优选方案
ｗ
、
标点 宽度和高度
，
，
ｙａ
，
ｗａ
和
表示生成
ｈ
ａ
ｘ
ａ
＊
，
ｘ
＊
＊
、
的中心坐标 宽度和高度
ａｎｃｈｏｒ
、
、
ｗ
理论概述
ｙ
２
ꢀ
＊
、
表 示 目 标 真 实 方 框 的 中 心 坐 标 宽 度 和
和
ｈ
。
高度
２．２ ＮＬ Ｍｅａｎｓ
，
由于木材表面缺陷复杂多样 因此难以取得
。
比较好的分割和识别效果 本文利用
ＦａｓｔｅｒＲＣ
－
ꢀ
－
－
（
ＮＬ Ｍｅａｎｓ ＮｏｎＬｏｃａｌ Ｍｅａｎｓ
ꢀ
）
是 一 种 将 整
检测模 型 确 定 木 材 缺 陷 定 位 边 框 及 缺 陷 类
ＮＮ
－
－
，
体图像作为作用域的去噪方法 它以像素块为单
，
型 再利用
、
线性滤波等方法对框内区
ＮＬ Ｍｅａｎｓ
－
， ，
位 在图像中寻找相似区域 再对这些相似的区域
，
域进行精细化分割 解决了彩色图像分割时容易
，
求 平 均 以 达 到 去 除 图 像 噪 声 的 目 的
。
ＮＬ
，
受到复杂背景干扰 难以得到闭合轮廓曲线的问
－
［
］
１１
，
（）、（）
所示
３ ４
：
。
的处理过程如式
题
得到了比较好的结果
Ｍｅａｎｓ
～
目标检测原理
２．１ ＦａｓｔｅｒＲＣＮＮ
ꢀ －
（ ）
ｕ ｘ
＝
（ ， ） （ ），
ｗ ｘ ｖ
ｙ
（）
３
ｙ
∑
ｙ∈Ωｘ
［ ］
１２
是一种结合
与区
ＦａｓｔｅｒＲＣＮＮ
－
ＦａｓｔＲＣＮＮ
－
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏10.00元 1天前
-
21ic小能手 打赏20.00元 1天前
-
21ic小能手 打赏20.00元 1天前
-
注册1 打赏0.01元 2天前
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.05元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
用户：xlhtracy
-
注册1 打赏0.01元 2天前
-
注册1 打赏0.01元 2天前
用户：21ic下载
-
注册1 打赏0.01元 2天前
用户：21ic下载
-
21ic小能手 打赏0.03元 2天前
用户：21ic下载
-
21ic小能手 打赏0.01元 2天前
用户：21ic下载
-
21ic小能手 打赏0.01元 2天前
用户：21ic下载
-
21ic小能手 打赏0.02元 2天前
全部评论(0)