木材表面缺陷將會(huì)影響實(shí)木板材的質(zhì)量與等級(jí)。近紅外光譜能夠利用其譜區(qū)包含的物質(zhì)信息,對(duì)檢測(cè)對(duì)象進(jìn)行定性和定量分析。由于實(shí)木板材表面缺陷區(qū)域的物理形態(tài)和有機(jī)物質(zhì)含量與組成不同,導(dǎo)致缺陷區(qū)域所對(duì)應(yīng)的吸收光譜存在差異性。因此,可以利用近紅外光譜分析對(duì)缺陷區(qū)域進(jìn)行識(shí)別。本文從提高實(shí)木表面缺陷識(shí)別速度與精度出發(fā),提出基于機(jī)器視覺的缺陷目標(biāo)定位與近紅外光譜分析相融合的實(shí)木缺陷無(wú)損檢測(cè)方法。研究以450mm x 150mm x 25mm的落葉松實(shí)木板材作為實(shí)驗(yàn)樣本,設(shè)計(jì)缺陷區(qū)域的快速定位方法,選擇出適合實(shí)木缺陷的光譜預(yù)處理方法,通過提取光譜中的有效信息,完成缺陷識(shí)別模型的構(gòu)建。具體研究成果如下:針對(duì)常規(guī)圖像分割方法對(duì)實(shí)木板材表面缺陷分割不完整、速度慢的問題,提出使用FDBC-Grabcut算法對(duì)缺陷進(jìn)行快速定位。算法從快速收斂和分形理論兩個(gè)方面對(duì)傳統(tǒng)Grabcut的算法進(jìn)行改進(jìn)。首先,該方法將原始圖像的分辨率降低,在縮小圖像上迭代Grabcut算法,使得收斂速度得到極大地加快;此外,應(yīng)用微分計(jì)盒快速算法檢測(cè)出缺陷目標(biāo)的輪廓,解決傳統(tǒng)Grabcut需要人工交互的問題。實(shí)驗(yàn)結(jié)果表明,FDBC-Grabcu...

【文章頁(yè)數(shù)】：116 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 木材無(wú)損檢測(cè)技術(shù)的研究現(xiàn)狀
        1.2.2 近紅外光譜技術(shù)在木材檢測(cè)領(lǐng)域的研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 技術(shù)路線
    1.5 本文組織結(jié)構(gòu)
2 近紅外分析的基本理論與數(shù)據(jù)采集
    2.1 近紅外檢測(cè)基礎(chǔ)理論
        2.1.1 漫反射原理
        2.1.2 光譜分析過程
        2.1.3 近紅外光譜數(shù)據(jù)處理方法
        2.1.4 近紅外光譜技術(shù)的常用建模方法
    2.2 實(shí)驗(yàn)樣本的選擇與制備
    2.3 數(shù)據(jù)采集系統(tǒng)與過程
        2.3.1 圖像采集系統(tǒng)
        2.3.2 近紅外光譜采集系統(tǒng)
        2.3.3 缺陷圖像的采集
        2.3.4 光譜數(shù)據(jù)采集
    2.4 本章小結(jié)
3 基于視覺的缺陷目標(biāo)快速定位方法研究
    3.1 引言
    3.2 缺陷圖像預(yù)處理
        3.2.1 圖像縮放
        3.2.2 HSV顏色空間變換
        3.2.3 圖像濾波
    3.3 圖像分割算法研究
        3.3.1 數(shù)學(xué)形態(tài)學(xué)分割技術(shù)
        3.3.2 分水嶺變換
        3.3.3 Grabcut分割技術(shù)
        3.3.4 基于快速收斂和分形理論的Grabcut目標(biāo)自動(dòng)檢測(cè)
    3.4 結(jié)果與分析
    3.5 本章小結(jié)
4 光譜數(shù)據(jù)的樣本集劃分及預(yù)處理
    4.1 引言
    4.2 樣本集劃分
        4.2.1 改進(jìn)的K-S算法
        4.2.2 樣本集劃分結(jié)果
    4.3 常用光譜預(yù)處理方法研究
        4.3.1 數(shù)據(jù)平滑
        4.3.2 標(biāo)準(zhǔn)正態(tài)變量變換
        4.3.3 多元散射校正
        4.3.4 導(dǎo)數(shù)
        4.3.5 小波變換
    4.4 預(yù)處理方法的比較與選擇
    4.5 本章小結(jié)
5 光譜數(shù)據(jù)的特征提取方法研究
    5.1 引言
    5.2 光譜特征提取方法研究
        5.2.1 主成分分析
        5.2.2 無(wú)信息變量消除法
        5.2.3 連續(xù)投影算法
        5.2.4 遺傳算法
    5.3 稀疏降維方法的特征提取
    5.4 結(jié)果與分析
        5.4.1 全光譜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 本章小結(jié)
6 近紅外光譜的實(shí)木表面缺陷識(shí)別模型研究
    6.1 引言
    6.2 BP神經(jīng)網(wǎng)絡(luò)
    6.3 支持向量機(jī)
    6.4 壓縮感知模型
        6.4.1 數(shù)學(xué)表達(dá)
        6.4.2 稀疏表示
        6.4.3 測(cè)量矩陣
        6.4.4 信號(hào)重構(gòu)
        6.4.5 傳統(tǒng)壓縮感知模型設(shè)計(jì)
    6.5 CPSO-OMP改進(jìn)的壓縮感知分類器模型設(shè)計(jì)
    6.6 結(jié)果與分析
        6.6.1 BPNN實(shí)驗(yàn)結(jié)果與分析
        6.6.2 LS-SVM實(shí)驗(yàn)結(jié)果與分析
        6.6.3 傳統(tǒng)CS及CPSO-OMP-CS實(shí)驗(yàn)結(jié)果與分析
    6.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝
附件



本文編號(hào)：3916269