圖像處理技術在木材表面缺陷檢測中的應用

賴 菲， 羅廷芳， 丁 銳， 羅蕊寒， 鄧婷婷， 王明華， 李 明

(西南林業(yè)大學機械與交通學院，云南 昆明 650224)

木材不僅是可再生的生物材料，還是對環(huán)境污染小、可自然降解和循環(huán)利用的環(huán)保材料。我國是一個森林資源匱乏的國家，為解決我國木材供需緊張難題，需提高木材的利用率，而木材表面缺陷直接影響木材的利用率。因此，檢測并剔除木材表面缺陷是提高木材利用率的有效方法。

木材表面缺陷種類眾多，形狀復雜，在木制品生產(chǎn)加工過程中，人工檢測木材的表面缺陷，存在著人為差異，而且人工檢測的效率低，不符合現(xiàn)代化生產(chǎn)的需求。因此，研究木材表面缺陷的自動識別對于木質產(chǎn)品的生產(chǎn)具有積極的作用。圖像處理技術的出現(xiàn)為木材表面缺陷的自動檢測提供了一種行之有效的方法，現(xiàn)有研究表明[1-2]，根據(jù)木材圖像的灰度特征來對木材缺陷圖像進行分割的方法，能夠在一定程度上識別節(jié)子、蟲眼等常見的木材表面缺陷，但是存在精度不高、識別局限性大的不足。木材屬于紋理型物體，基于木材紋理特征進行木材缺陷圖像分割更為合理，相關文獻[3-5]提出了基于灰度共生矩陣的紋理分割方法，可有效分割木材表面缺陷圖像。文章總結了基于圖像處理技術對木材表面缺陷圖像進行處理的方法與算法，對比傳統(tǒng)與改進的圖像分割方法，結合實際提出今后研究發(fā)展的方向，希望能夠提高圖像處理方法在木材表面缺陷檢測中的應用率。

1 木材表面缺陷的類型及檢測方法

木材缺陷是指木材外觀或者木材內(nèi)部出現(xiàn)不完備、有欠缺的現(xiàn)象。木材表面缺陷不僅影響木材表面的美觀和加工性質，而且降低木材的強度，不利于木材的有效利用。

1.1 木材表面缺陷的類型

木材缺陷通常由生理原因、病理原因和人為因素造成，國家標準將木材缺陷分為10大類：節(jié)子、變色、腐朽、蟲害、裂紋、樹干形狀缺陷、木材構造缺陷、傷疤損傷、木材加工缺陷和變形。木材缺陷分為原木缺陷(GB/T 155-2006)和鋸材缺陷(GB/T 4822-1995)?？紤]到實際生產(chǎn)中鋸材表面缺陷極大影響其成材率和自動化生產(chǎn)程度，因此本文考慮的缺陷均為鋸材缺陷。其中，出現(xiàn)在木材表面的缺陷被稱為木材表面缺陷，其是一種存在于物體表面的宏觀缺陷。

1.2 木材表面缺陷的檢測方法

目前對于木材表面缺陷的檢測可分為接觸檢測和非接觸檢測[6]。接觸檢測主要有應力波檢測和超聲波檢測，其機理是通過分析波在木材中傳播時的傳播狀態(tài)及特性參數(shù)變化進而對木材的整體性能進行評價[7-9]。非接觸檢測主要分為射線法和計算機視覺檢測法(圖形圖像檢測法)，它是通過分析成像圖像來檢測木材缺陷。

(1)應力波檢測。應力波檢測是一種主動式無損檢測技術，但該方法易受外界環(huán)境、木材含水率的影響，且檢測精度受傳感器敏感度和數(shù)量的約束[10]。

(2)超聲波檢測。研究發(fā)現(xiàn)超聲波特征參數(shù)可以有效辨識木材表面缺陷的存在[11]。實際應用中超聲波檢測需要利用介質，對操作者的技術要求高，條件限制明顯。

(3)射線檢測。目前，可用X射線計算機斷層掃描圖像和工業(yè)CT檢測木材缺陷[12]。但該方法對木材表面缺陷不敏感且購置X射線的設施裝備成本高，還需必要的保護設施與保養(yǎng)措施。

(4)計算機視覺檢測法。CCD工業(yè)相機采集圖像具有低能耗、低成本的優(yōu)點，因而在木材表面缺陷檢測領域得到迅速發(fā)展。德國Wood Eyes掃描儀、芬蘭VDA系統(tǒng)及加拿大Chroma+Scan3350型激光輪廓掃描儀用于木材表面缺陷檢測的自動化程度高，檢測精度已能滿足生產(chǎn)需求。目前國內(nèi)開發(fā)的基于機器視覺技術的刨花板表面缺陷自動檢測系統(tǒng)[13]可滿足連續(xù)壓機生產(chǎn)線在線檢測要求。利用Visual C++與OpenCV編寫的缺陷圖像檢測程序可實現(xiàn)單板表面死節(jié)和裂縫缺陷的提取和檢測[14]。

計算機視覺技術利用計算機模擬人的視覺功能，對圖像進行處理提取有效特征信息。圖像處理方法對木材缺陷圖像進行檢測包括樣本特征的提取與分析及搭建識別模式，具體過程為圖像預處理、圖像分割、形態(tài)學后處理、缺陷識別。

2 圖像處理方法檢測木材表面缺陷

2.1 圖像預處理

為方便后續(xù)圖像的處理，將圖像按照特定的目的去改變和操作的過程稱為圖像預處理。常見的預處理方法可分為圖像濾波和圖像增強，其中圖像濾波可以去除圖像中的噪聲影響，使圖像更清晰；圖像增強指有針對性地突出有利于圖像分割的特征。

常見的濾波處理算法[15-19]包括中值濾波、均值濾波、半高斯梯度濾波、小波變換、維納濾波、NL-Means方法等，其中維納濾波能平滑木材圖像中的紋理，同時保留缺陷邊緣。均值濾波和小波變換結合的濾波算法具有顯著的去噪效果，半高斯梯度濾波能夠保持缺陷結構和抑制紋理影響。

圖像增強有基于權重系數(shù)[20]或利用小波和傅里葉相融合[21]的木材圖像增強方法。小波變換和傅里葉變換結合的圖像增強方式在增強圖像特征的同時，能有效保持其邊緣特征。

2.2 傳統(tǒng)木材缺陷圖像分割方法

圖像分割就是根據(jù)不同的特征對圖像進行分區(qū)處理與特征提取，實質就是將目標從背景中分離出來。目前常見的圖像分割方法有邊緣檢測分割和閾值分割。

2.2.1 基于邊緣檢測的分割方法

邊緣檢測分割是基于圖像區(qū)域邊緣上像素灰度(顏色)級的突變，通過檢測不同區(qū)域的邊緣來解決圖像分割問題。傳統(tǒng)的邊緣提取辦法是根據(jù)圖像邊緣灰度不連續(xù)，利用一階或二階導數(shù)來檢測邊緣，被稱為邊緣檢測局部算子法。常用的檢測算子[22-24]有Roberts算子、Prewitt算子、Sobel算子、Canny算子、Laplace_Gauss算子等。

2.2.2 閾值分割方法

圖像閾值化分割是一種傳統(tǒng)的圖像分割方法，它基于圖像灰度特征，以灰度直方圖為處理對象，按照灰度級，選取一個適當閾值對像素集合進行劃分，每個子集形成的區(qū)域內(nèi)部具有一致的屬性，這樣的劃分可根據(jù)實際情況通過從灰度級出發(fā)選取一個或多個閾值來實現(xiàn)。常用的閾值分割算法有以下三種。

(1)全局單閾值分割技術[25]。利用圖像閉運算估計圖像背景變化，利用估計均值確定全局分割的閾值。

(2)多閾值分割技術[26]。多閾值分割是依據(jù)圖像不同區(qū)域劃分，采用不同的閾值提取相應目標區(qū)域的分割技術。多閾值分割依據(jù)圖像區(qū)域特征設定多個區(qū)域閾值，有效克服了單閾值分割圖像的不足。

(3)動態(tài)閾值分割技術[27-28]。一個固定的閾值面對圖像有局部噪聲、陰影、亮度不均等情況在進行處理時其分割效果不佳，動態(tài)閾值技術則是一組隨像素位置變化的函數(shù)，可以根據(jù)局部不同的像素灰度級動態(tài)地調整閾值以達到較好的分割效果。

2.3 改進的木材表面缺陷圖像分割方法

2.3.1 基于灰度-梯度共生矩陣的二維閾值分割

其原理是根據(jù)2×2鄰域中灰度級對的共生矩陣概率來計算局部熵和條件熵，按最大熵原理計算閾值。利用灰度和梯度信息確定二維閾值的方法較傳統(tǒng)的閾值分割而言，分割速度快且分辨率高，能有效分割正常圖像與缺陷圖像[29-30]。但針對不同的木材缺陷使用相同的分割算法也會出現(xiàn)部分缺陷分割效果不好的現(xiàn)象，所以需因地制宜地選擇合適的方法。

2.3.2 基于灰度共生矩陣的紋理分割

木材缺陷與正常木材組織間的紋理特征存在明顯差別，基于灰度共生矩陣的紋理分割是通過分析灰度共生矩陣的15個紋理特征參數(shù)及其分布結果建立矩陣以進行圖像分割[31-32]。像素距離d、生成方向θ和圖像灰度級g的取值直接影響紋理特征參數(shù)，對灰度共生矩陣的建立至關重要，研究發(fā)現(xiàn)d=3，θ=0°、45°、135°時紋理特征參數(shù)具有較好的代表性，缺陷圖像灰度級從256級量化至32級時極大減小計算量。

2.4 形態(tài)學后處理

由于受木材的固有紋理影響，分割后的缺陷圖像存在噪聲和形狀各異的偽目標，需進行一定的形態(tài)學后處理。形態(tài)學后處理是以形態(tài)學工具為基礎，對圖像進行處理以得到理想圖像的方法。

(1)獲取目標[33]。所提取的分割圖像沒有完全獲得主要的缺陷目標對象，首先需要獲取表面缺陷目標，使用形態(tài)學填充來獲得目標對象。數(shù)學形態(tài)學的運算對象是集合，本質上是用結構元素映射輸入圖像。形態(tài)學的基本運算有膨脹、腐蝕、開啟和閉合四種運算。

(2)形態(tài)學邊緣提取[34]。提取圖像邊緣可利用多種不同的邊緣檢測算子，針對濾波過后的木材缺陷的目標圖像，采用數(shù)學形態(tài)學梯度提取邊緣。數(shù)學形態(tài)學梯度是一種基于集合運算的非線性邊緣檢測器，運算簡單、便于硬件實現(xiàn)。選取適當?shù)慕Y構元素對木材缺陷的目標圖像進行腐蝕運算消除邊緣后，與腐蝕前圖像相減即得到連續(xù)單值的邊緣圖像。

(3)掩膜處理[35]。利用選好的圖形遮擋目標圖像，用于覆蓋的特定圖形稱為掩膜。掩膜處理的目的是屏蔽木材非缺陷部分的圖像，只提取圖像中的缺陷部分。將形態(tài)學濾波后目標對象的掩膜與原圖像相乘，即可得到原缺陷部分的灰度圖像。

(4)目標的形態(tài)學特征[36]。提取目標缺陷圖像的形態(tài)學幾何特征包括最大長度、最大寬度、圓形度、矩形度、邊緣直線度、伸長量和面積等。

2.5 缺陷識別

對已經(jīng)獲取的缺陷圖像，選取合適的特征，設計分類器識別不同木材表面缺陷的圖像。

2.5.1 神經(jīng)網(wǎng)絡分類器

BP神經(jīng)網(wǎng)絡分類器[37-38]實際就是將輸入的n個木材表面缺陷圖像分類為m個木材表面缺陷類型中的一種，先利用BP神經(jīng)網(wǎng)絡訓練樣本，根據(jù)誤差大小反向傳播調節(jié)網(wǎng)絡的權值直到網(wǎng)絡可識別輸入樣本。BP神經(jīng)網(wǎng)絡識別缺陷的方法已經(jīng)較為成熟，其識別準確率受所選擇的特征影響，關鍵是如何提取木材表面缺陷圖像中優(yōu)秀的圖像特征以訓練神經(jīng)網(wǎng)絡達到較高的識別準確率。目前針對木材表面缺陷，利用高斯融合特征及圓度和邊緣直線度等特征建立BP神經(jīng)網(wǎng)絡識別木材表面缺陷的方法較其他紋理檢測手段而言，識別準確率更高。

2.5.2 支持向量機分類器

利用高階統(tǒng)計量濾波器提取木材表面缺陷圖像的特征，并用大量試驗圖像訓練支持向量機分類器，其分類效果顯著[39]。用局部二值模式和方向梯度直方圖融合特征對木材表面缺陷進行分類的支持向量機分類器[40]，分類準確率可達97%以上。

表1列出了圖像處理技術檢測木材表面缺陷的步驟和方法，及其相關算法的參考文獻。

表1 圖像處理技術各環(huán)節(jié)算法

3 展望

圖像處理和分類算法是木材缺陷檢測的核心，目前基于圖像處理的木材表面缺陷識別已達到一定的精度，相關的研究也越來越多，但仍存在一些不足。未來圖像處理技術在木材加工領域的發(fā)展重點在以下幾個方面：

(1)從大量研究進展來看，基于木材圖像的紋理特征對木材表面缺陷進行檢測的方法具有一定的精度，目前仍沒有一種辦法可以全面、準確地檢測各種木材表面缺陷。基于灰度共生矩陣的紋理分割算法中紋理參數(shù)的選擇直接影響分割效果，至今還沒有一個定性的指標。研究[41-43]發(fā)現(xiàn)，算法的融合、算法之間互補能達到更好的分割效果。

(2)基于DSP和圖像識別的表面缺陷檢測技術[44-49]在木質材料上的應用較少，以嵌入式DSP為核心處理器，結合CCD的缺陷檢測系統(tǒng)結構簡單、成本低且易操作。開發(fā)類似系統(tǒng)應用于實際生產(chǎn)中，實現(xiàn)木材表面缺陷非接觸智能化檢測有利于提高木材加工生產(chǎn)的效率和質量。

(3)考慮實際的木材加工生產(chǎn)具有一定的連續(xù)性及其流水線作業(yè)方式，智能化是當前木材生產(chǎn)加工的發(fā)展方向，需要將機械化和自動化水平更高的裝置用于生產(chǎn)。目前已有X射線圖像動態(tài)檢測物體缺陷的方法[50-52]，研發(fā)動態(tài)的木材表面缺陷檢測及剔除系統(tǒng)，實時在線檢測并剔除木材缺陷部分，對于實現(xiàn)木材加工的柔性化與智能化具有積極的作用。