基于目标定位与光谱技术的实木板材表面缺陷识别研究

发布时间：2024-03-02 03:36

　　木材表面缺陷将会影响实木板材的质量与等级。近红外光谱能够利用其谱区包含的物质信息,对检测对象进行定性和定量分析。由于实木板材表面缺陷区域的物理形态和有机物质含量与组成不同,导致缺陷区域所对应的吸收光谱存在差异性。因此,可以利用近红外光谱分析对缺陷区域进行识别。本文从提高实木表面缺陷识别速度与精度出发,提出基于机器视觉的缺陷目标定位与近红外光谱分析相融合的实木缺陷无损检测方法。研究以450mm x 150mm x 25mm的落叶松实木板材作为实验样本,设计缺陷区域的快速定位方法,选择出适合实木缺陷的光谱预处理方法,通过提取光谱中的有效信息,完成缺陷识别模型的构建。具体研究成果如下:针对常规图像分割方法对实木板材表面缺陷分割不完整、速度慢的问题,提出使用FDBC-Grabcut算法对缺陷进行快速定位。算法从快速收敛和分形理论两个方面对传统Grabcut的算法进行改进。首先,该方法将原始图像的分辨率降低,在缩小图像上迭代Grabcut算法,使得收敛速度得到极大地加快;此外,应用微分计盒快速算法检测出缺陷目标的轮廓,解决传统Grabcut需要人工交互的问题。实验结果表明,FDBC-Grabcu...

【文章页数】：116 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景
    1.2 国内外研究现状
        1.2.1 木材无损检测技术的研究现状
        1.2.2 近红外光谱技术在木材检测领域的研究现状
    1.3 研究内容
    1.4 技术路线
    1.5 本文组织结构
2 近红外分析的基本理论与数据采集
    2.1 近红外检测基础理论
        2.1.1 漫反射原理
        2.1.2 光谱分析过程
        2.1.3 近红外光谱数据处理方法
        2.1.4 近红外光谱技术的常用建模方法
    2.2 实验样本的选择与制备
    2.3 数据采集系统与过程
        2.3.1 图像采集系统
        2.3.2 近红外光谱采集系统
        2.3.3 缺陷图像的采集
        2.3.4 光谱数据采集
    2.4 本章小结
3 基于视觉的缺陷目标快速定位方法研究
    3.1 引言
    3.2 缺陷图像预处理
        3.2.1 图像缩放
        3.2.2 HSV颜色空间变换
        3.2.3 图像滤波
    3.3 图像分割算法研究
        3.3.1 数学形态学分割技术
        3.3.2 分水岭变换
        3.3.3 Grabcut分割技术
        3.3.4 基于快速收敛和分形理论的Grabcut目标自动检测
    3.4 结果与分析
    3.5 本章小结
4 光谱数据的样本集划分及预处理
    4.1 引言
    4.2 样本集划分
        4.2.1 改进的K-S算法
        4.2.2 样本集划分结果
    4.3 常用光谱预处理方法研究
        4.3.1 数据平滑
        4.3.2 标准正态变量变换
        4.3.3 多元散射校正
        4.3.4 导数
        4.3.5 小波变换
    4.4 预处理方法的比较与选择
    4.5 本章小结
5 光谱数据的特征提取方法研究
    5.1 引言
    5.2 光谱特征提取方法研究
        5.2.1 主成分分析
        5.2.2 无信息变量消除法
        5.2.3 连续投影算法
        5.2.4 遗传算法
    5.3 稀疏降维方法的特征提取
    5.4 结果与分析
        5.4.1 全光谱DPLS
        5.4.2 PCA-DPLS
        5.4.3 UVE-DPLS
        5.4.4 SPA-DPLS
        5.4.5 GA-DPLS
        5.4.6 SRE-DPLS
    5.5 本章小结
6 近红外光谱的实木表面缺陷识别模型研究
    6.1 引言
    6.2 BP神经网络
    6.3 支持向量机
    6.4 压缩感知模型
        6.4.1 数学表达
        6.4.2 稀疏表示
        6.4.3 测量矩阵
        6.4.4 信号重构
        6.4.5 传统压缩感知模型设计
    6.5 CPSO-OMP改进的压缩感知分类器模型设计
    6.6 结果与分析
        6.6.1 BPNN实验结果与分析
        6.6.2 LS-SVM实验结果与分析
        6.6.3 传统CS及CPSO-OMP-CS实验结果与分析
    6.7 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢
附件



本文编号：3916269