隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展,社會(huì)建設(shè)對(duì)木材的需求與日俱增。木材缺陷會(huì)對(duì)木材質(zhì)量產(chǎn)生重大影響,降低木材的使用價(jià)值。因此,對(duì)木材缺陷進(jìn)行檢測(cè)是木材加工中重要的環(huán)節(jié)。目前我國(guó)木材加工自動(dòng)化水平較低,缺陷識(shí)別精準(zhǔn)度不高、定位不準(zhǔn)確是其主要的原因,為了提升木材的使用效率,各國(guó)研究學(xué)者提出了多種針對(duì)木材缺陷的檢測(cè)方法。但是木材缺陷的紋理結(jié)構(gòu)、顏色與尺寸等特征差異明顯,給缺陷的分割與識(shí)別帶來(lái)了比較大的困難。目前的木材缺陷檢測(cè)方法仍舊存在著一定的不足,不能較好地做到對(duì)缺陷區(qū)域進(jìn)行統(tǒng)一的分割與識(shí)別。針對(duì)活節(jié)、死節(jié)、蟲(chóng)眼和孔洞等木材表面缺陷圖像的檢測(cè)問(wèn)題,提出了一種基于機(jī)器學(xué)習(xí)的檢測(cè)方法。首先,訓(xùn)練Faster RCNN網(wǎng)絡(luò),獲得了能夠?qū)δ静娜毕荻ㄎ慌c識(shí)別的檢測(cè)模型;其次,應(yīng)用NL-Means去噪方法去除原始圖像中的噪聲,通過(guò)線性濾波技術(shù)和調(diào)整對(duì)比度、亮度的手段實(shí)現(xiàn)圖像增強(qiáng);再通過(guò)設(shè)定的閾值對(duì)圖像進(jìn)行二值化處理,根據(jù)像素點(diǎn)之間的差異提取缺陷邊緣。為了在較短時(shí)間內(nèi)根據(jù)像素差異提取到一條平滑的缺陷邊緣曲線,本文提出了一種結(jié)合線性濾波與閾值分類的孤立點(diǎn)迭代去除算法,用來(lái)消除孤立點(diǎn)對(duì)缺陷邊緣的影響,并減少算法運(yùn)行的時(shí)... 

【文章來(lái)源】：東北林業(yè)大學(xué)黑龍江省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２超平面示意圖??

?東北林業(yè)大學(xué)碩士學(xué)位論文???２．２．１卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一種含有多層結(jié)構(gòu)的前饋神??經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有強(qiáng)大的表征學(xué)習(xí)能力，其中的卷積結(jié)??構(gòu)使得整個(gè)網(wǎng)絡(luò)具有平移不變性。具有代表性的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２－３所示：??Ｋ?＾?八?Ａ?二??剛?cè)??卷積?池化卷積池化?全連接?分類器??圖２－３卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：輸入層一卷積層一池化層一（重復(fù)卷積層一池化層）．．．一全??連接層一輸出層｜６５］。??１）卷積計(jì)算層（ＣＯＮＶ?ｌａｙｅｒ）??卷積運(yùn)算是卷積神經(jīng)網(wǎng)絡(luò)的核心，它的具體形式為采用一個(gè)含有卷積核的窗口在圖??像上滑動(dòng)，卷積核與對(duì)應(yīng)的像素先進(jìn)行乘積操作再進(jìn)行求和運(yùn)算，得到的結(jié)果為卷積后??的值。一個(gè)卷積核會(huì)生成一張對(duì)應(yīng)的特征圖。卷積的計(jì)算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??當(dāng)滑動(dòng)窗口滑動(dòng)到特征圖邊緣位置時(shí)，卷積核的一部分對(duì)應(yīng)的位置為空，此時(shí)在空??缺位置補(bǔ)充０。卷積計(jì)算示例如圖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??圖

?東北林業(yè)大學(xué)碩士學(xué)位論文???２．２．１卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（Ｃ．ｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，?ＣＮＮ）是一種含有多層結(jié)構(gòu)的前饋神??經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ）?１６４］。它具有強(qiáng)大的表征學(xué)習(xí)能力，其中的卷積結(jié)??構(gòu)使得整個(gè)網(wǎng)絡(luò)具有平移不變性。具有代表性的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２－３所示：??Ｋ?＾?八?Ａ?二??剛?cè)??卷積?池化卷積池化?全連接?分類器??圖２－３卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：輸入層一卷積層一池化層一（重復(fù)卷積層一池化層）．．．一全??連接層一輸出層｜６５］。??１）卷積計(jì)算層（ＣＯＮＶ?ｌａｙｅｒ）??卷積運(yùn)算是卷積神經(jīng)網(wǎng)絡(luò)的核心，它的具體形式為采用一個(gè)含有卷積核的窗口在圖??像上滑動(dòng)，卷積核與對(duì)應(yīng)的像素先進(jìn)行乘積操作再進(jìn)行求和運(yùn)算，得到的結(jié)果為卷積后??的值。一個(gè)卷積核會(huì)生成一張對(duì)應(yīng)的特征圖。卷積的計(jì)算方法如式（２－８）所示：??＝?ｓｉｇｍｏｉｄ?（「‘?（２－８）??當(dāng)滑動(dòng)窗口滑動(dòng)到特征圖邊緣位置時(shí)，卷積核的一部分對(duì)應(yīng)的位置為空，此時(shí)在空??缺位置補(bǔ)充０。卷積計(jì)算示例如圖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??圖

【參考文獻(xiàn)】：
期刊論文
[1]基于雙邊濾波器的霧霾天氣交通標(biāo)志圖像去霧算法[J]. 王園園,黃麗瓊.  艦船電子工程. 2019(12)
[2]基于紋理特征提取的圖像識(shí)別方法研究[J]. 嚴(yán)宇宸.  電子元器件與信息技術(shù). 2019(11)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法進(jìn)展[J]. 張索非,馮燁,吳曉富.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)標(biāo)注技術(shù)的研究[J]. 程冰.  電子世界. 2019(16)
[5]二維圖像拼接技術(shù)研究綜述[J]. 盛明偉,唐松奇,萬(wàn)磊,秦洪德.  導(dǎo)航與控制. 2019(01)
[6]木材缺陷檢測(cè)技術(shù)研究概況與發(fā)展趨勢(shì)[J]. 丁偉彪,王寶金.  林業(yè)機(jī)械與木工設(shè)備. 2019(01)
[7]基于隨機(jī)森林算法的纖維板表面缺陷識(shí)別[J]. 劉傳澤,王霄,陳龍現(xiàn),郭慧,羅瑞,周玉成.  林業(yè)科學(xué). 2018(11)
[8]基于深度學(xué)習(xí)的木材缺陷圖像檢測(cè)方法[J]. 程玉柱,顧權(quán),王眾輝,李趙春.  林業(yè)機(jī)械與木工設(shè)備. 2018(08)
[9]應(yīng)用改進(jìn)分水嶺算法對(duì)木材表面缺陷圖像分割試驗(yàn)[J]. 王金聰,宋文龍,張彭濤.  東北林業(yè)大學(xué)學(xué)報(bào). 2018(10)
[10]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周國(guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別方法研究[D]. 崔明光.長(zhǎng)春工業(yè)大學(xué) 2019
[2]基于圖像的巨峰葡萄果粒尺寸檢測(cè)方法研究[D]. 劉智杭.東北林業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的焊縫缺陷自動(dòng)檢測(cè)研究與實(shí)現(xiàn)[D]. 渠慧帆.北京郵電大學(xué) 2019
[4]基于機(jī)器學(xué)習(xí)的鐵路貨車車號(hào)識(shí)別[D]. 鄒瀟.電子科技大學(xué) 2019
[5]基于顏色與紋理特征的木材表面缺陷識(shí)別方法[D]. 王澤潤(rùn).浙江農(nóng)林大學(xué) 2018
[6]基于計(jì)算機(jī)視覺(jué)木材表面缺陷檢測(cè)方法研究[D]. 尹建新.浙江工業(yè)大學(xué) 2007



本文編號(hào)：3290557