木材缺陷的FBP神经网络识别与原木年轮统计检测研究
发布时间：2020-09-01 19:14
森林资源作为生长周期相对较长的可再生资源,对于人类来说一直都是一种稀缺的资产。我们在感谢大自然的馈赠的同时,更要关注生态的平衡。近些年来,全球森林覆盖面积锐减,温室效应加重,大自然已经给人类敲响了警钟。科学选择木材,提高木材利用率显得尤为重要。本课题主要对落叶松、水曲柳两种木材典型的三种缺陷(节子、腐朽、裂纹)进行识别,对云杉的原木年轮进行检测,测算树龄。木材缺陷特征的研究有效的利用了X射线无损检测技术。基于缺陷区域和其他区域对X射线的吸收衰减率不同获取缺陷图像,并且利用生成的灰度共生矩阵提取缺陷图像的13个特征值,并把它们作为神经网络的输入向量。通过比较分析本研究采用拟牛顿算法作为网络训练的算法,将模糊理论中的隶属度概念与BP神经网络相结合对木材缺陷的类型进行识别。树木的年轮个数既是该树木的树龄,通过数码相机获取年轮RGB图像,以计算机数字图像处理技术为基础,对年轮图像运用直方图均衡化方法进行图像增强。分别使用Canny边缘检测、LOG边缘检测、DOG边缘检测三种自带去噪功能的检测算法对年轮轮廓进行提取,最终选择适合年轮提取的高斯差分算子(DOG)对图像进行分割。运用面积阈值法和二值化反转相加法分别对年轮中的节子和裂纹缺陷进行剔除,得到清晰的年轮线图像,进而通过二值矩阵扫描法统计出年轮的数目得到树龄。研究结果表明,利用灰度共生矩阵提取的特征值能更全面的反应木材缺陷的特征,同时与模糊BP神经网络相结合来识别缺陷类型能得到预期的识别效果,识别率在90%以上。利用高斯差分算子边缘检测和面积阈值法等方法能够得到清晰的树木年轮轮廓图像,进而测算出树龄。
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP183;S781.5
【部分图文】：
图 2-1 木材缺陷图像采集系统Fig.2-1 The wood defect image acquisition system2.2 木材缺陷图像特征值提取图像的特征又称为描绘子，一般是一幅图像所具有的可以用来对不同的图像进行区别和分类的图像特点。图像特征多种多样，基本特征主要有边界描绘子和区域描绘子。边界描绘子是针对图像中的研究对象的边缘而言的，例如周长、直径、形状数、统计矩等。而区域特征则是针对目标的内部区域而提出的，又分为纹理特征、颜色特征等，例如灰度的均值、标准差、最大概率、能量、同质性等。想要实现对图像的识别和分类，我们往往要把边界特征和区域特征结合使用才能达到理想的效果。理解了图像的各种特征之后，就要想办法设计快速有效的算法对需要识别和分类的图像进行特征值的提取和计算，MATLAB 提供了很多用于特征提取的函数和算法，本研究将采用生成灰度共生矩阵的方法，利用共生矩阵提取不同缺陷图像的 13 个特征值，为下面的缺陷识别做准备。2.2.1 灰度共生矩阵的生成和影响参数选择
图 2-2 生成灰度共生矩阵原理图Fig.2-2 Generated schematic graylevel co-occurrence matrix上图显示了通过灰度图像 f 构建灰度共生矩阵的整个过程，其中 的灰度 8，位置算子 O 定义为右侧相邻的一个像素。左侧的数组是原始灰度图像 ，右组是共生矩阵G 。观察生成过程可知， 中的元素(1,1)是 1，因为在图像 中像 1 且右侧相邻的的像素同样是 1 的像素对仅仅出现一次。类似的， 中的元素(12，因为在图像 中像素值为 1 且右侧相邻的的像素是 2 的像素对出现了两次。依规律，我们可以很轻松的计算出共生矩阵 中其他的元素值。灰度共生矩阵 的维度大小主要取决于原始灰度图像的灰度级数。比如说对于一特图像而言有 256 个灰度级，就会得到一个维度为 256*256 的共生矩阵 。当我一幅图像时，不会出现什么问题。但是，当我们需要处理的数据量较大，达到成幅甚至更多图像数据时，从计算量和实时性来说 的大小就会对整个工作产生重。因此，我们可以通过将原始灰度图像的灰度值量化为几段的方法减小 的大小，一幅 256 级灰度的图像，可以令前 32 个灰度级为 1，令接下来的 32 个灰度级依照这个规律完成量化，最终将得到一个大小为 8*8 的共生矩阵[11]。
图 3-5 网络部分测试样本图像Fig.3-5 Test sample image of network对用于测试的灰度图像利用灰度共生矩阵提取特征值，输入到 FBP 神经网络中计算对应的实际输出并与期望输出进行比较，所得结果见表 3-3.。表 3-3 部分测试样本网络输出与期望输出Tab.3-3 Network output and the expected output of test sample测试样本 网络输出 期望输出1 0.9886 0.0036 0.0029 1 0 02 0.9967 0.0123 0.0008 1 0 03 0.9978 0.0091 0.0010 1 0 04 0.9939 0.0106 0.0004 1 0 05 0.9900 0.0053 0.0067 1 0 06789100.00680.01720.00210.85230.01630.99250.98560.98230.35880.86770.00020.00330.00170.11020.013900010111010000011120.04950.01140.00980.00890.93730.9621000011
【学位单位】：东北林业大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP183;S781.5
【部分图文】：
图 2-1 木材缺陷图像采集系统Fig.2-1 The wood defect image acquisition system2.2 木材缺陷图像特征值提取图像的特征又称为描绘子，一般是一幅图像所具有的可以用来对不同的图像进行区别和分类的图像特点。图像特征多种多样，基本特征主要有边界描绘子和区域描绘子。边界描绘子是针对图像中的研究对象的边缘而言的，例如周长、直径、形状数、统计矩等。而区域特征则是针对目标的内部区域而提出的，又分为纹理特征、颜色特征等，例如灰度的均值、标准差、最大概率、能量、同质性等。想要实现对图像的识别和分类，我们往往要把边界特征和区域特征结合使用才能达到理想的效果。理解了图像的各种特征之后，就要想办法设计快速有效的算法对需要识别和分类的图像进行特征值的提取和计算，MATLAB 提供了很多用于特征提取的函数和算法，本研究将采用生成灰度共生矩阵的方法，利用共生矩阵提取不同缺陷图像的 13 个特征值，为下面的缺陷识别做准备。2.2.1 灰度共生矩阵的生成和影响参数选择
图 2-2 生成灰度共生矩阵原理图Fig.2-2 Generated schematic graylevel co-occurrence matrix上图显示了通过灰度图像 f 构建灰度共生矩阵的整个过程，其中 的灰度 8，位置算子 O 定义为右侧相邻的一个像素。左侧的数组是原始灰度图像 ，右组是共生矩阵G 。观察生成过程可知， 中的元素(1,1)是 1，因为在图像 中像 1 且右侧相邻的的像素同样是 1 的像素对仅仅出现一次。类似的， 中的元素(12，因为在图像 中像素值为 1 且右侧相邻的的像素是 2 的像素对出现了两次。依规律，我们可以很轻松的计算出共生矩阵 中其他的元素值。灰度共生矩阵 的维度大小主要取决于原始灰度图像的灰度级数。比如说对于一特图像而言有 256 个灰度级，就会得到一个维度为 256*256 的共生矩阵 。当我一幅图像时，不会出现什么问题。但是，当我们需要处理的数据量较大，达到成幅甚至更多图像数据时，从计算量和实时性来说 的大小就会对整个工作产生重。因此，我们可以通过将原始灰度图像的灰度值量化为几段的方法减小 的大小，一幅 256 级灰度的图像，可以令前 32 个灰度级为 1，令接下来的 32 个灰度级依照这个规律完成量化，最终将得到一个大小为 8*8 的共生矩阵[11]。
图 3-5 网络部分测试样本图像Fig.3-5 Test sample image of network对用于测试的灰度图像利用灰度共生矩阵提取特征值，输入到 FBP 神经网络中计算对应的实际输出并与期望输出进行比较，所得结果见表 3-3.。表 3-3 部分测试样本网络输出与期望输出Tab.3-3 Network output and the expected output of test sample测试样本 网络输出 期望输出1 0.9886 0.0036 0.0029 1 0 02 0.9967 0.0123 0.0008 1 0 03 0.9978 0.0091 0.0010 1 0 04 0.9939 0.0106 0.0004 1 0 05 0.9900 0.0053 0.0067 1 0 06789100.00680.01720.00210.85230.01630.99250.98560.98230.35880.86770.00020.00330.00170.11020.013900010111010000011120.04950.01140.00980.00890.93730.9621000011
【相似文献】
相关期刊论文 前10条
1 李坚;八十年代的扫描技术——木材缺陷的自动探测[J];木材工业;1989年01期
2 袁忠达;毕泽富;邵新建;;木材缺陷的评定及捡量方法[J];科技创新与应用;2013年12期
3 柯志;;有关工艺技术的[J];家具;1989年01期
4 丁肇新;;木材缺陷的电动修补工具[J];家具;1999年06期
5 丁永兵;;浅谈若干常见木材缺陷的加工利用与检验[J];中国科技投资;2013年11期
6 牛少革;陈莉;;浅析木材缺陷对材质的影响[J];黑龙江科技信息;2014年04期
7 孙道h
本文编号：2810149
本文链接：https://www.wllwen.com/nykjlw/lylw/2810149.html
