推荐星级：

基于深度学习的木材表面缺陷图像检测

更新时间：2020-01-01 10:47:05 大小：2M 上传用户：songhuahua 查看TA发布的资源 标签：深度学习 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

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

立即下载

【关注B站账户领20积分】

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．３４Ｎｏ．９

ꢀ

ꢀꢀ

ꢀꢀꢀ

ꢀ

ꢀꢀꢀꢀ

ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＬｉｕｉｄＣｒｓｔａｌｓａｎｄＤｉｓｌａｓ

ꢀꢀꢀ ꢀ ꢀ ꢀ ｑ ꢀ ｙ ꢀ ꢀ

ｐｙ

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

ＮＬＭｅａｎｓ

－

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

ꢀꢀ

ｄｏｉ１０．３７８８ＹＪＹＸＳ２０１９３４０９．０８７９

ꢀꢀ

Ｉｍａｅｄｅｔｅｃｔｉｏｎｏｆｗｏｏｄｓｕｒｆａｃｅｄｅｆｅｃｔｓｂａｓｅｄｏｎｄｅｅｌｅａｒｎｉｎ

ꢀ ꢀ ꢀ ꢀ ꢀ

ｐ

ꢀ

ｇ

ꢀ ꢀ

ｇ

ꢀ

１

＊

２

，

ＷＡＮＧＣｈｕｎａｎ

ꢀ

ＣＨＥＮＸｉａｎｍｉｎ

ꢀ －

ＷＡＮＧＡｃｈｕａｎ

ꢀ －

ｇ

－

ｙ

（

，

ｇ

，

１．ＣｏｌｌｅｅｏＩｎｏｒｍａｔｉｏｎａｎｄＣｏｍｕｔｅｒＥｎｉｎｅｅｒｉｎＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒＵｎｉｖｅｒｓｉｔ

ꢀ

ｙ

ꢀ

ｇ

ｆ

ｐ

ｇ

ｙ

ꢀ

，；，，

Ｈａｒｂｉｎ１５００４０Ｃｈｉｎａ２．ＺｈａｌａｎｔｕｎＶｏｃａｔｉｏｎａｌＣｏｌｌｅｅＺｈａｌａｎｔｕｎ１６２６５０Ｃｈｉｎａ

ꢀ

）

ꢀ

ｇ

：

，

ＡｂｓｔｒａｃｔＡｉｍｉｎａｔｔｈｅｄｅｆｅｃｔｉｍａｅｄｅｔｅｃｔｉｏｎｏｆｌｉｖｅｋｎｏｔｓｄｅａｄｋｎｏｔｓｗｏｒｍｈｏｌｅａｎｄｓｏｏｎａｗｏｏｄ

ｇ ꢀ ｇꢀ

ꢀꢀ ꢀ ꢀ

，

ꢀ

，

ｄｅｆｅｃｔｉｍａｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｄｅｔｈｌｅａｒｎｉｎｗａｓｒｏｏｓｅｄ．ＦｉｒｓｔｌｂｔｒａｉｎｉｎＦａｓｔｅｒＲＣ

－

ꢀ

ｇꢀ

ꢀ

ꢀ ꢀ ｐ ꢀ

ｇ

ꢀ

ꢀｐｐ

ｙ

ꢀ

ｇ

ꢀ

－

，

ＮＮｎｅｔｗｏｒｋａｄｅｔｅｃｔｉｏｎｍｏｄｅｌｆｏｒｌｏｃａｔｉｎａｎｄｒｅｃｏｎｉｚｉｎｗｏｏｄｄｅｆｅｃｔｓｉｓｏｂｔａｉｎｅｄ．Ｓｅｃｏｎｄｌｔｈｅ

ｙ

ꢀ

ꢀ ꢀ

ｇ

ꢀ

ｇ

ꢀ

ꢀ ꢀ

，

ｉｍａｅｉｓｄｅｎｏｉｓｅｄｂＮＬＭｅａｎｓｍｅｔｈｏｄａｎｄｉｍａｅｅｎｈａｎｃｅｍｅｎｔｉｓａｃｈｉｅｖｅｄｂｌｉｎｅａｒｆｉｌｔｅｒｉｎａｄｕｓ

ꢀｙ ꢀ ꢀ ꢀｙ－

ｇꢀ ꢀ ｇꢀ

，

ｇｊ

－

ꢀ

，

ｙ

，

ｔｉｎｃｏｎｔｒａｓｔａｎｄｂｒｉｈｔｎｅｓｓ．Ｔｈｉｒｄｌｔｈｅｉｍａｅｉｓｒｏｃｅｓｓｅｄｂｂｉｎａｒｉｚａｔｉｏｎａｎｄｔｈｅｅｄｅｆｅａｔｕｒｅ

ｇꢀ ꢀｐ

ꢀ ｇ ꢀｙ ꢀ ｇꢀ

ｇ

ꢀ

ｏｉｎｔｓｏｆｄｅｆｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄａｃｃｏｒｄｉｎｔｏｔｈｅｄｉｆｆｅｒｅｎｃｅｏｆｉｘｅｌｖａｌｕｅｓｔｏｒｅａｌｉｚｅｗｏｏｄｄｅｆｅｃｔｓｆｉｎｅ

ｇ ꢀ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ ꢀ ꢀ ꢀ

ｐ

ꢀ

，

ｓｅｍｅｎｔａｔｉｏｎ．Ｆｉｎａｌｌｔｈｅｅｌｌｉｓｅｆｉｔｔｉｎｍｅｔｈｏｄｉｓｉｍｒｏｖｅｄｔｏｒｅａｌｉｚｅｔｈｅｅｌｌｉｓｅｆｉｔｔｉｎｏｆｗｏｏｄｄｅ

ꢀ ｐ ꢀ ꢀꢀ ｐ ꢀ ꢀ ꢀ ｐ ꢀ ꢀ －

ｇ

ｙ

ｇ

ꢀ

ｇ

ꢀ

，

ｆｅｃｔｅｄｅｏｉｎｔｓｅｔａｎｄａｎｅｗｗｏｏｄｄｅｆｅｃｔｒｏｃｅｓｓｉｎｓｃｈｅｍｅｉｓｒｏｖｉｄｅｄ．Ｔｈｅｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓ

ꢀ ｇꢀｐ ꢀꢀ ꢀｐ ꢀ ꢀｐ ꢀ ｐ

ꢀ

ｇ

ꢀ

，

ｓｈｏｗｔｈａｔｔｈｅａｌｏｒｉｔｈｍｈａｓｂｅｔｔｅｒｗｏｏｄｄｅｆｅｃｔｌｏｃａｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｂｉｌｉｔａｎｄｅｔｓｂｅｔｔｅｒｓｅ

ꢀ ｇ ꢀｇ ꢀ ｇ－

ꢀ

ｙ

ꢀ

ｍｅｎｔａｔｉｏｎａｎｄｆｉｔｔｉｎｅｆｆｅｃｔ．Ｔｈｅｆｉｌｌｉｎｖｏｌｕｍｅｏｆｗｏｏｄｃａｎｂｅｒｅｄｕｃｅｄｂａｂｏｕｔ１０％ｉｎｔｈｅｒｏｃｅｓｓｏｆ

ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀｐ ꢀ

ꢀ

ｇ

ꢀ

ｇ

ꢀ

ｄｅｆｅｃｔｒｅａｉｒ．

ꢀ ｐ

：

；

ｇ

；

Ｋｅｗｏｒｄｓｉｍａｅｄｅｔｅｃｔｉｏｎｄｅｅｌｅａｒｎｉｎｗｏｏｄｄｅｆｅｃｔｓｅｄｅｄｅｔｅｃｔｉｏｎｅｌｌｉｔｉｃｆｉｔｔｉｎ

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

（）；

ＳｕｏｒｔｅｄｂＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＨｅｉｌｏｎｉａｎｒｏｖｉｎｃｅＮｏ．Ｃ２０１４１４ＨａｒｂｉｎＦｏｕｎｄａｔｉｏｎｆｏｒ

ꢀ

ｐｐｇｊｇｐ

ꢀｙ ꢀ ꢀ ꢀ

ꢀ

（

ＧｏｏｄＬｅａｄｅｒｓｏｆＤｉｓｃｉｌｉｎｅｓＮｏ．２０１４ＲＦＸＸＪ０４０

ꢀ ꢀ

）

ꢀ

ｐ

，

：

Ｅｍａｉｌｗａｎｃａｌ１９６４１２６．ｃｏｍ

＠

通信联系人

ꢀꢀ＊

－

ｇ

液晶与显示

第

卷

ꢀ

３４

８８０

ꢀꢀꢀꢀ

ꢀꢀꢀꢀꢀꢀ

（

，

）

的新

ＲｅｉｏｎＰｒｏｏｓａｌＮｅｔｗｏｒｋＲＰＮ

ꢀ 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

ｌ１ＬＢＰ

算法的缺陷检测技术

Ｆｉ．１ＳｔｒｕｃｔｕｒｅｏｆＦａｓｔｅｒＲＣＮＮｎｅｔｗｏｒｋ

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

ＮＬＭｅａｎｓ

－

，

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

１２

：

，

取缺陷的边缘特征获得了较好的分割效果

。

为

＊

（

ｘ

（

ｘ

）／

，

ｗ_ａｔ

ｘ

）／

ｘｗ_ａ

－

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

）／

ｈｔ

＝

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

＝

－

ｙｙａ

ｙ

ａ

（）

１

出了一种改进的椭圆拟合算法拟合木材缺陷轮

＊

（／），（

ｌｏｗｗｔ

＝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

ｌｏｗｗ_ａ

＝ｇ

ａ

，（）

２

烅

＊

（／）

ｌｏｈｈ

（／），

ｌｏｈｈ

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

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

，

ｗ_ａ

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

２．２ＮＬＭｅａｎｓ

，

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

－

ꢀ

－

（

ＮＬＭｅａｎｓＮｏｎＬｏｃａｌＭｅａｎｓ

ꢀ

）

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

ＮＬＭｅａｎｓ

－

，，

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

３４

：

。

的处理过程如式

题

得到了比较好的结果

Ｍｅａｎｓ

～

目标检测原理

２．１ＦａｓｔｅｒＲＣＮＮ

ꢀ －

（）

ｕｘ

＝

（，）（），

ｗｘｖ

ｙ

（）

３

ｙ

∑

ｙ∈Ωｘ

［］

１２

是一种结合

与区

ＦａｓｔｅｒＲＣＮＮ

－

ＦａｓｔＲＣＮＮ

－

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于深度学习的木材表面缺陷图像检测

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页