基于变分PDE的单板缺陷图像检测及修补关键技术研究

论文摘要

单板质量好坏直接影响了用单板制成的人造板材的强度及表面质量和等级,为了提高单板的等级和木材的利用率,目前通常采用人工对单板进行缺陷检测及缺陷挖切修补,自动化水平低,劳动强度大、生产效率低,严重影响了经济效益,增加了生产成本。将机器视觉和机器人技术引入生产,将可以有效地克服人工检测修补所带来的缺点,对于提高我国人造板行业自动化水平起到很好的推进作用,具有重要的学术意义和应用价值。本文基于变分和偏微分方程（PDE）的图像处理、图像修复技术及机器人技术,结合单板的特点,对单板表面的缺陷进行有效识别和修复,形成一种单板节子的快速检测、缺陷挖切和修补方法。论文主要研究内容与工作如下：本文主要对C-V模型进行了改进,解决了C-V模型在多目标分割以及复杂背景情况表示上的局限,以适应单板缺陷图像的多目标分割。首先,将背景填充技术与改进C-V模型及AOS半隐式方法相结合,提出了基于AOS格式的多相改进C-V模型及背景填充耦合的单板缺陷分割算法,解决了单板缺陷图像、木材缺陷图像的多目标自动分割问题。第二,由于现有的图像采集系统所获取的多为矢量或彩色图像,针对单板矢量或彩色图像缺陷分割问题,提出了基于AOS的多相改进矢量C-V模型及背景填充的单板缺陷矢量图像分割方法,将单板矢量图像作为一个整体图像进行处理,实现了单板缺陷彩色图像的多目标分割问题。第三,针对带纹理单板缺陷彩色图像,结合多通道Gabor滤波器、改进矢量C-V模型,提出了多相改进矢量C-V模型与Gabor滤波器的单板缺陷彩色图像分割方法,解决了带纹理单板缺陷矢量图像的多目标识别问题,得到了识别结果与原图像相同的分割图像,并可生成单板缺陷修补的彩色掩膜图像。针对各种形状的单板节子缺陷,特别是带有凹形区域的节子,以及单板节子缺陷目标和背景颜色相近、边缘不清晰等造成缺陷识别困难的多目标识别问题,本文结合了基于边缘的活动轮廓模型和基于区域的活动轮廓模型,提出了一种基于全局最优的活动轮廓模型的多目标检测方法,通过利用对偶形式的数值计算方法,减小了计算量,提高了分割速度,实现了对复杂纹理背景下的单板多节子目标的有效检测。针对含有较丰富纹理的单板缺陷图像,本文采用了变分偏微分方程的图像分解方法进行单板缺陷检测,首先,在ROF模型的基础上,结合高阶导数的图像分解模型,提出了一种消除阶梯效应的单板缺陷图像分解模型,运用半二次规整化方法求解该模型,得到了分解单板缺陷图像的有效方法,保护了结构图像的边缘,更好的提取纹理特征。其次,结合AAFC模型与TV正则项一般式,提出了一种联合图像结构-纹理分解和边缘检测耦合的图像分解模型。实现了在进行单板缺陷图像结构-纹理部分分解的同时,又得到了较好的单板缺陷边缘检测结果。为了将图像修复理论、方法应用于单板表面节子缺陷图像的自动修补中。提出了一种BSCB改进算法,使其在非纹理单板节子图像修复上得到了比较好的效果。针对单板节子区域较大、节子周围纹理比较复杂的情况,又提出了将BSCB改进算法与基于样本块的图像修复算法相耦合的单板缺陷图像修复新方法,实现了对单板节子缺陷图像的修复,达到较好的修复效果。针对单一图像修复方法的局限性,提出了一种基于图像分解的单板缺陷图像修复方法。首先,改进了VO模型实现了对单板缺陷彩色图像的有效分解,得到了单板缺陷图像的结构部分与纹理部分；然后,采用BSCB改进算法,对单板缺陷图像结构部分进行修复；采用基于样本的Criminisi算法对纹理部分进行修复；最后,将修复好的图像叠加合成,达到比较好的修复效果。最后,提出了基于机器视觉的机器人单板缺陷检测修补系统的设计方案,并对系统组成、工作原理加以分析。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的目的和意义
• 1.1.1 课题的研究背景
• 1.1.2 课题的研究目的
• 1.1.3 课题的研究意义
• 1.2 课题的国内外研究现状
• 1.3 变分偏微分方程图像处理概述
• 1.3.1 基于PDE的图像分解概述
• 1.3.2 图像修复概述
• 1.4 机器人单板缺陷检测修补系统设计
• 1.4.1 Motoman UP6机器人简介
• 1.4.2 单板缺陷检测修补系统的构成
• 1.4.3 计算机视觉系统的软件设计流程
• 1.5 课题的主要研究内容
• 2 基于PDE的单板缺陷图像分割技术研究
• 2.1 引言
• 2.2 水平集方法及C-V模型
• 2.2.1 水平集介绍
• 2.2.2 偏微分方程在图像分割中的应用
• 2.2.3 多目标分割策略—背景填充技术
• 2.2.4 加性分裂算子AOS
• 2.3 基于改进C-V模型的单板缺陷识别
• 2.3.1 C-V模型的扩展
• 2.3.2 多相水平集C-V模型
• 2.3.3 背景填充多相C-V模型
• 2.3.4 实验结果及分析
• 2.4 改进矢量C-V模型的单板缺陷彩色图像分割
• 2.4.1 矢量C-V模型及扩展
• 2.4.2 背景填充多相矢量C-V模型
• 2.4.3 多相矢量C-V扩展模型算法实现步骤
• 2.4.4 实验结果及分析
• 2.5 改进C-V模型与小波变换的单板缺陷识别
• 2.5.1 二维离散小波变换
• 2.5.2 算法实现步骤
• 2.5.3 实验结果及分析
• 2.6 改进矢量C-V模型与Gabor滤波器的单板缺陷识别
• 2.6.1 多通道Gabor滤波器
• 2.6.2 改进矢量C-V及Gabor滤波实现步骤
• 2.6.3 实现结果及分析
• 2.7 本章小结
• 3 基于全局最优的动态轮廓模型单板缺陷识别研究
• 3.1 引言
• 3.2 活动轮廓模型介绍
• 3.2.1 测地线活动轮廓模型
• 3.2.2 无边缘动态轮廓模型
• 3.2.3 全变分模型
• 3.3 改进的多目标活动轮廓检测模型
• 3.4 带权TV范数的快速对偶化算法实现
• 3.5 实验结果及分析
• 3.6 本章小结
• 4 基于图像分解的单板缺陷边缘检测方法研究
• 4.1 引言
• 4.2 图像分解相关理论介绍
• 4.2.1 泛函空间的概念
• 4.2.2 基于PDE的图像分解模型
• 4.3 PDE在单板缺陷图像分解中的应用
• 4.3.1 基于ROF的单板缺陷图像分解
• 4.3.2 基于VO模型的单板缺陷图像分解
• 4.4 基于PDE的单板缺陷图像分解新方法
• 4.4.1 消除阶梯效应的图像分解新模型
• 4.4.2 新图像分解模型的求解算法
• 4.4.3 新模型算法的离散化
• 4.4.4 仿真实验及分析
• 4.5 图像分解与边缘检测耦合的单板缺陷识别
• 4.5.1 图像的结构-纹理分解新模型
• 4.5.2 新结构-纹理分解模型的求解
• 4.5.3 构造半二次规整化的边缘检测模型
• 4.5.4 算法的离散化
• 4.5.5 仿真实验和算法分析
• 4.6 本章小结
• 5 基于图像修补的单板缺陷修复研究
• 5.1 引言
• 5.2 BSCB改进算法的单板缺陷图像修补
• 5.2.1 BSCB算法
• 5.2.2 BSCB模型的算法改进
• 5.2.3 BSCB改进算法的实验比较
• 5.2.4 BSCB改进算法的实验分析
• 5.3 BSCB与样本块耦合的单板缺陷图像修补
• 5.3.1 基于样本块的图像修复算法
• 5.3.2 基于样本块图像修复算法的不足
• 5.3.3 BSCB改进算法与样本块耦合的单板缺陷图像修补
• 5.3.4 实验结果及分析
• 5.4 基于图像分解的单板缺陷图像修补
• 5.4.1 灰度与彩色单板缺陷图像分解
• 5.4.2 灰度单板图像的结构-纹理修复方法
• 5.4.3 彩色单板图像的结构-纹理修复方法
• 5.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢