基于机器学习的木材表面缺陷图像检测及应用
发布时间：2021-07-19 10:46
随着社会经济的不断发展,社会建设对木材的需求与日俱增。木材缺陷会对木材质量产生重大影响,降低木材的使用价值。因此,对木材缺陷进行检测是木材加工中重要的环节。目前我国木材加工自动化水平较低,缺陷识别精准度不高、定位不准确是其主要的原因,为了提升木材的使用效率,各国研究学者提出了多种针对木材缺陷的检测方法。但是木材缺陷的纹理结构、颜色与尺寸等特征差异明显,给缺陷的分割与识别带来了比较大的困难。目前的木材缺陷检测方法仍旧存在着一定的不足,不能较好地做到对缺陷区域进行统一的分割与识别。针对活节、死节、虫眼和孔洞等木材表面缺陷图像的检测问题,提出了一种基于机器学习的检测方法。首先,训练Faster RCNN网络,获得了能够对木材缺陷定位与识别的检测模型;其次,应用NL-Means去噪方法去除原始图像中的噪声,通过线性滤波技术和调整对比度、亮度的手段实现图像增强;再通过设定的阈值对图像进行二值化处理,根据像素点之间的差异提取缺陷边缘。为了在较短时间内根据像素差异提取到一条平滑的缺陷边缘曲线,本文提出了一种结合线性滤波与阈值分类的孤立点迭代去除算法,用来消除孤立点对缺陷边缘的影响,并减少算法运行的时...
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－２超平面示意图??
?东北林业大学硕士学位论文???２．２．１卷积神经网络??卷积神经网络（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一种含有多层结构的前馈神??经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有强大的表征学习能力，其中的卷积结??构使得整个网络具有平移不变性。具有代表性的卷积神经网络结构如图２－３所示：??Ｋ?＾?八?Ａ?二??剛三［??卷积?池化卷积池化?全连接?分类器??图２－３卷积神经网络结构??卷积神经网络的结构为：输入层一卷积层一池化层一（重复卷积层一池化层）．．．一全??连接层一输出层｜６５］。??１）卷积计算层（ＣＯＮＶ?ｌａｙｅｒ）??卷积运算是卷积神经网络的核心，它的具体形式为采用一个含有卷积核的窗口在图??像上滑动，卷积核与对应的像素先进行乘积操作再进行求和运算，得到的结果为卷积后??的值。一个卷积核会生成一张对应的特征图。卷积的计算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??当滑动窗口滑动到特征图边缘位置时，卷积核的一部分对应的位置为空，此时在空??缺位置补充０。卷积计算示例如图２－４所示：??１?〇?２！?３＾＼??２?－?２?０??９?５?６?〇?Ｔ??ｑ?４?＾?Ａ?０??２?３?Ｖ?１?０?〇?１??１?２?３?８?＊１?１??４?４?２?－１??〇?４?ｃ?０?１?？??ｉｎｐｕｔ?—?Ｔ?：ｒｒ?－５??（－１）”?＋?０＊０＋”２?：?｜：“丄：１?３：??＋（－ｌ）＊５＋?０Ｍ＋?１＊２?Ｈ??＋（－ｌ）＊３＋?０＊４＋１＊５??＝０?ｏｕｔｐｕｔ??图
?东北林业大学硕士学位论文???２．２．１卷积神经网络??卷积神经网络（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一种含有多层结构的前馈神??经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有强大的表征学习能力，其中的卷积结??构使得整个网络具有平移不变性。具有代表性的卷积神经网络结构如图２－３所示：??Ｋ?＾?八?Ａ?二??剛三［??卷积?池化卷积池化?全连接?分类器??图２－３卷积神经网络结构??卷积神经网络的结构为：输入层一卷积层一池化层一（重复卷积层一池化层）．．．一全??连接层一输出层｜６５］。??１）卷积计算层（ＣＯＮＶ?ｌａｙｅｒ）??卷积运算是卷积神经网络的核心，它的具体形式为采用一个含有卷积核的窗口在图??像上滑动，卷积核与对应的像素先进行乘积操作再进行求和运算，得到的结果为卷积后??的值。一个卷积核会生成一张对应的特征图。卷积的计算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??当滑动窗口滑动到特征图边缘位置时，卷积核的一部分对应的位置为空，此时在空??缺位置补充０。卷积计算示例如图２－４所示：??１?〇?２！?３＾＼??２?－?２?０??９?５?６?〇?Ｔ??ｑ?４?＾?Ａ?０??２?３?Ｖ?１?０?〇?１??１?２?３?８?＊１?１??４?４?２?－１??〇?４?ｃ?０?１?？??ｉｎｐｕｔ?—?Ｔ?：ｒｒ?－５??（－１）”?＋?０＊０＋”２?：?｜：“丄：１?３：??＋（－ｌ）＊５＋?０Ｍ＋?１＊２?Ｈ??＋（－ｌ）＊３＋?０＊４＋１＊５??＝０?ｏｕｔｐｕｔ??图
【参考文献】：
期刊论文
[1]基于双边滤波器的雾霾天气交通标志图像去雾算法[J]. 王园园,黄丽琼. 舰船电子工程. 2019(12)
[2]基于纹理特征提取的图像识别方法研究[J]. 严宇宸. 电子元器件与信息技术. 2019(11)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]基于卷积神经网络的自动标注技术的研究[J]. 程冰. 电子世界. 2019(16)
[5]二维图像拼接技术研究综述[J]. 盛明伟,唐松奇,万磊,秦洪德. 导航与控制. 2019(01)
[6]木材缺陷检测技术研究概况与发展趋势[J]. 丁伟彪,王宝金. 林业机械与木工设备. 2019(01)
[7]基于随机森林算法的纤维板表面缺陷识别[J]. 刘传泽,王霄,陈龙现,郭慧,罗瑞,周玉成. 林业科学. 2018(11)
[8]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春. 林业机械与木工设备. 2018(08)
[9]应用改进分水岭算法对木材表面缺陷图像分割试验[J]. 王金聪,宋文龙,张彭涛. 东北林业大学学报. 2018(10)
[10]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
硕士论文
[1]基于卷积神经网络的木材缺陷识别方法研究[D]. 崔明光.长春工业大学 2019
[2]基于图像的巨峰葡萄果粒尺寸检测方法研究[D]. 刘智杭.东北林业大学 2019
[3]基于深度学习的焊缝缺陷自动检测研究与实现[D]. 渠慧帆.北京邮电大学 2019
[4]基于机器学习的铁路货车车号识别[D]. 邹潇.电子科技大学 2019
[5]基于颜色与纹理特征的木材表面缺陷识别方法[D]. 王泽润.浙江农林大学 2018
[6]基于计算机视觉木材表面缺陷检测方法研究[D]. 尹建新.浙江工业大学 2007
本文编号：3290557
【文章来源】：东北林业大学黑龙江省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－２超平面示意图??
?东北林业大学硕士学位论文???２．２．１卷积神经网络??卷积神经网络（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一种含有多层结构的前馈神??经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有强大的表征学习能力，其中的卷积结??构使得整个网络具有平移不变性。具有代表性的卷积神经网络结构如图２－３所示：??Ｋ?＾?八?Ａ?二??剛三［??卷积?池化卷积池化?全连接?分类器??图２－３卷积神经网络结构??卷积神经网络的结构为：输入层一卷积层一池化层一（重复卷积层一池化层）．．．一全??连接层一输出层｜６５］。??１）卷积计算层（ＣＯＮＶ?ｌａｙｅｒ）??卷积运算是卷积神经网络的核心，它的具体形式为采用一个含有卷积核的窗口在图??像上滑动，卷积核与对应的像素先进行乘积操作再进行求和运算，得到的结果为卷积后??的值。一个卷积核会生成一张对应的特征图。卷积的计算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??当滑动窗口滑动到特征图边缘位置时，卷积核的一部分对应的位置为空，此时在空??缺位置补充０。卷积计算示例如图２－４所示：??１?〇?２！?３＾＼??２?－?２?０??９?５?６?〇?Ｔ??ｑ?４?＾?Ａ?０??２?３?Ｖ?１?０?〇?１??１?２?３?８?＊１?１??４?４?２?－１??〇?４?ｃ?０?１?？??ｉｎｐｕｔ?—?Ｔ?：ｒｒ?－５??（－１）”?＋?０＊０＋”２?：?｜：“丄：１?３：??＋（－ｌ）＊５＋?０Ｍ＋?１＊２?Ｈ??＋（－ｌ）＊３＋?０＊４＋１＊５??＝０?ｏｕｔｐｕｔ??图
?东北林业大学硕士学位论文???２．２．１卷积神经网络??卷积神经网络（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一种含有多层结构的前馈神??经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有强大的表征学习能力，其中的卷积结??构使得整个网络具有平移不变性。具有代表性的卷积神经网络结构如图２－３所示：??Ｋ?＾?八?Ａ?二??剛三［??卷积?池化卷积池化?全连接?分类器??图２－３卷积神经网络结构??卷积神经网络的结构为：输入层一卷积层一池化层一（重复卷积层一池化层）．．．一全??连接层一输出层｜６５］。??１）卷积计算层（ＣＯＮＶ?ｌａｙｅｒ）??卷积运算是卷积神经网络的核心，它的具体形式为采用一个含有卷积核的窗口在图??像上滑动，卷积核与对应的像素先进行乘积操作再进行求和运算，得到的结果为卷积后??的值。一个卷积核会生成一张对应的特征图。卷积的计算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??当滑动窗口滑动到特征图边缘位置时，卷积核的一部分对应的位置为空，此时在空??缺位置补充０。卷积计算示例如图２－４所示：??１?〇?２！?３＾＼??２?－?２?０??９?５?６?〇?Ｔ??ｑ?４?＾?Ａ?０??２?３?Ｖ?１?０?〇?１??１?２?３?８?＊１?１??４?４?２?－１??〇?４?ｃ?０?１?？??ｉｎｐｕｔ?—?Ｔ?：ｒｒ?－５??（－１）”?＋?０＊０＋”２?：?｜：“丄：１?３：??＋（－ｌ）＊５＋?０Ｍ＋?１＊２?Ｈ??＋（－ｌ）＊３＋?０＊４＋１＊５??＝０?ｏｕｔｐｕｔ??图
【参考文献】：
期刊论文
[1]基于双边滤波器的雾霾天气交通标志图像去雾算法[J]. 王园园,黄丽琼. 舰船电子工程. 2019(12)
[2]基于纹理特征提取的图像识别方法研究[J]. 严宇宸. 电子元器件与信息技术. 2019(11)
[3]基于深度卷积神经网络的目标检测算法进展[J]. 张索非,冯烨,吴晓富. 南京邮电大学学报(自然科学版). 2019(05)
[4]基于卷积神经网络的自动标注技术的研究[J]. 程冰. 电子世界. 2019(16)
[5]二维图像拼接技术研究综述[J]. 盛明伟,唐松奇,万磊,秦洪德. 导航与控制. 2019(01)
[6]木材缺陷检测技术研究概况与发展趋势[J]. 丁伟彪,王宝金. 林业机械与木工设备. 2019(01)
[7]基于随机森林算法的纤维板表面缺陷识别[J]. 刘传泽,王霄,陈龙现,郭慧,罗瑞,周玉成. 林业科学. 2018(11)
[8]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春. 林业机械与木工设备. 2018(08)
[9]应用改进分水岭算法对木材表面缺陷图像分割试验[J]. 王金聪,宋文龙,张彭涛. 东北林业大学学报. 2018(10)
[10]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
硕士论文
[1]基于卷积神经网络的木材缺陷识别方法研究[D]. 崔明光.长春工业大学 2019
[2]基于图像的巨峰葡萄果粒尺寸检测方法研究[D]. 刘智杭.东北林业大学 2019
[3]基于深度学习的焊缝缺陷自动检测研究与实现[D]. 渠慧帆.北京邮电大学 2019
[4]基于机器学习的铁路货车车号识别[D]. 邹潇.电子科技大学 2019
[5]基于颜色与纹理特征的木材表面缺陷识别方法[D]. 王泽润.浙江农林大学 2018
[6]基于计算机视觉木材表面缺陷检测方法研究[D]. 尹建新.浙江工业大学 2007
本文编号：3290557
本文链接：https://www.wllwen.com/jingjilunwen/jianzhujingjilunwen/3290557.html
