發(fā)布時(shí)間：2020-09-01 19:14

　　 森林資源作為生長(zhǎng)周期相對(duì)較長(zhǎng)的可再生資源,對(duì)于人類來說一直都是一種稀缺的資產(chǎn)。我們?cè)诟兄x大自然的饋贈(zèng)的同時(shí),更要關(guān)注生態(tài)的平衡。近些年來,全球森林覆蓋面積銳減,溫室效應(yīng)加重,大自然已經(jīng)給人類敲響了警鐘�？茖W(xué)選擇木材,提高木材利用率顯得尤為重要。本課題主要對(duì)落葉松、水曲柳兩種木材典型的三種缺陷(節(jié)子、腐朽、裂紋)進(jìn)行識(shí)別,對(duì)云杉的原木年輪進(jìn)行檢測(cè),測(cè)算樹齡。木材缺陷特征的研究有效的利用了X射線無損檢測(cè)技術(shù)�；谌毕輩^(qū)域和其他區(qū)域?qū)射線的吸收衰減率不同獲取缺陷圖像,并且利用生成的灰度共生矩陣提取缺陷圖像的13個(gè)特征值,并把它們作為神經(jīng)網(wǎng)絡(luò)的輸入向量。通過比較分析本研究采用擬牛頓算法作為網(wǎng)絡(luò)訓(xùn)練的算法,將模糊理論中的隸屬度概念與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合對(duì)木材缺陷的類型進(jìn)行識(shí)別。樹木的年輪個(gè)數(shù)既是該樹木的樹齡,通過數(shù)碼相機(jī)獲取年輪RGB圖像,以計(jì)算機(jī)數(shù)字圖像處理技術(shù)為基礎(chǔ),對(duì)年輪圖像運(yùn)用直方圖均衡化方法進(jìn)行圖像增強(qiáng)。分別使用Canny邊緣檢測(cè)、LOG邊緣檢測(cè)、DOG邊緣檢測(cè)三種自帶去噪功能的檢測(cè)算法對(duì)年輪輪廓進(jìn)行提取,最終選擇適合年輪提取的高斯差分算子(DOG)對(duì)圖像進(jìn)行分割。運(yùn)用面積閾值法和二值化反轉(zhuǎn)相加法分別對(duì)年輪中的節(jié)子和裂紋缺陷進(jìn)行剔除,得到清晰的年輪線圖像,進(jìn)而通過二值矩陣掃描法統(tǒng)計(jì)出年輪的數(shù)目得到樹齡。研究結(jié)果表明,利用灰度共生矩陣提取的特征值能更全面的反應(yīng)木材缺陷的特征,同時(shí)與模糊BP神經(jīng)網(wǎng)絡(luò)相結(jié)合來識(shí)別缺陷類型能得到預(yù)期的識(shí)別效果,識(shí)別率在90%以上。利用高斯差分算子邊緣檢測(cè)和面積閾值法等方法能夠得到清晰的樹木年輪輪廓圖像,進(jìn)而測(cè)算出樹齡。
【學(xué)位單位】：東北林業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP183;S781.5
【部分圖文】：

圖 2-1 木材缺陷圖像采集系統(tǒng)Fig.2-1 The wood defect image acquisition system2.2 木材缺陷圖像特征值提取圖像的特征又稱為描繪子，一般是一幅圖像所具有的可以用來對(duì)不同的圖像進(jìn)行區(qū)別和分類的圖像特點(diǎn)。圖像特征多種多樣，基本特征主要有邊界描繪子和區(qū)域描繪子。邊界描繪子是針對(duì)圖像中的研究對(duì)象的邊緣而言的，例如周長(zhǎng)、直徑、形狀數(shù)、統(tǒng)計(jì)矩等。而區(qū)域特征則是針對(duì)目標(biāo)的內(nèi)部區(qū)域而提出的，又分為紋理特征、顏色特征等，例如灰度的均值、標(biāo)準(zhǔn)差、最大概率、能量、同質(zhì)性等。想要實(shí)現(xiàn)對(duì)圖像的識(shí)別和分類，我們往往要把邊界特征和區(qū)域特征結(jié)合使用才能達(dá)到理想的效果。理解了圖像的各種特征之后，就要想辦法設(shè)計(jì)快速有效的算法對(duì)需要識(shí)別和分類的圖像進(jìn)行特征值的提取和計(jì)算，MATLAB 提供了很多用于特征提取的函數(shù)和算法，本研究將采用生成灰度共生矩陣的方法，利用共生矩陣提取不同缺陷圖像的 13 個(gè)特征值，為下面的缺陷識(shí)別做準(zhǔn)備。2.2.1 灰度共生矩陣的生成和影響參數(shù)選擇

圖 2-2 生成灰度共生矩陣原理圖Fig.2-2 Generated schematic graylevel co-occurrence matrix上圖顯示了通過灰度圖像 f 構(gòu)建灰度共生矩陣的整個(gè)過程，其中 的灰度 8，位置算子 O 定義為右側(cè)相鄰的一個(gè)像素。左側(cè)的數(shù)組是原始灰度圖像 ，右組是共生矩陣G 。觀察生成過程可知， 中的元素(1,1)是 1，因?yàn)樵趫D像 中像 1 且右側(cè)相鄰的的像素同樣是 1 的像素對(duì)僅僅出現(xiàn)一次。類似的， 中的元素(12，因?yàn)樵趫D像 中像素值為 1 且右側(cè)相鄰的的像素是 2 的像素對(duì)出現(xiàn)了兩次。依規(guī)律，我們可以很輕松的計(jì)算出共生矩陣 中其他的元素值�；叶裙采仃� 的維度大小主要取決于原始灰度圖像的灰度級(jí)數(shù)。比如說對(duì)于一特圖像而言有 256 個(gè)灰度級(jí)，就會(huì)得到一個(gè)維度為 256*256 的共生矩陣 。當(dāng)我一幅圖像時(shí)，不會(huì)出現(xiàn)什么問題。但是，當(dāng)我們需要處理的數(shù)據(jù)量較大，達(dá)到成幅甚至更多圖像數(shù)據(jù)時(shí)，從計(jì)算量和實(shí)時(shí)性來說 的大小就會(huì)對(duì)整個(gè)工作產(chǎn)生重。因此，我們可以通過將原始灰度圖像的灰度值量化為幾段的方法減小 的大小，一幅 256 級(jí)灰度的圖像，可以令前 32 個(gè)灰度級(jí)為 1，令接下來的 32 個(gè)灰度級(jí)依照這個(gè)規(guī)律完成量化，最終將得到一個(gè)大小為 8*8 的共生矩陣[11]。

圖 3-5 網(wǎng)絡(luò)部分測(cè)試樣本圖像Fig.3-5 Test sample image of network對(duì)用于測(cè)試的灰度圖像利用灰度共生矩陣提取特征值，輸入到 FBP 神經(jīng)網(wǎng)絡(luò)中計(jì)算對(duì)應(yīng)的實(shí)際輸出并與期望輸出進(jìn)行比較，所得結(jié)果見表 3-3.。表 3-3 部分測(cè)試樣本網(wǎng)絡(luò)輸出與期望輸出Tab.3-3 Network output and the expected output of test sample測(cè)試樣本 網(wǎng)絡(luò)輸出 期望輸出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

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李堅(jiān);八十年代的掃描技術(shù)——木材缺陷的自動(dòng)探測(cè)[J];木材工業(yè);1989年01期

2 袁忠達(dá);畢澤富;邵新建;;木材缺陷的評(píng)定及撿量方法[J];科技創(chuàng)新與應(yīng)用;2013年12期

3 柯志;;有關(guān)工藝技術(shù)的[J];家具;1989年01期

4 丁肇新;;木材缺陷的電動(dòng)修補(bǔ)工具[J];家具;1999年06期

5 丁永兵;;淺談若干常見木材缺陷的加工利用與檢驗(yàn)[J];中國(guó)科技投資;2013年11期

6 牛少革;陳莉;;淺析木材缺陷對(duì)材質(zhì)的影響[J];黑龍江科技信息;2014年04期

7 孫道h

本文編號(hào)：2810149