基于LVQ神经网络的锯材表面缺陷特征提取方法研究

论文摘要

制材是木材加工的一个重要基础工序,木材缺陷是评定原木经制材加工后产品等级的重要指标,也是影响木材质量和商品价值的重要因素。实现对木材表面缺陷的无损、快速、准确检测,是提高锯材商品价值,加速木材加工自动化的有效手段。本文在分析了国内外木材缺陷无损检测现状及先进技术的基础上,尝试将数字图像处理技术与LVQ（学习矢量量化）神经网络模式识别理论相结合,应用于木材表面缺陷检测过程中。具体内容和研究成果如下:（1）从木材缺陷检测系统设计出发,重点研究控制识别系统中的木材表面缺陷识别算法,通过分析木材表面缺陷种类及其对木材质量的影响程度,选定两种木材常见缺陷:圆形节、大虫眼为主要识别对象;（2）依托图像处理技术,对原始木材缺陷图像依次进行灰度化、灰度变换、中值滤波、阈值化分割。通过理论分析及对比实验,找到使木材缺陷数字化图像预处理效果最好的算法组合方案;（3）本文阐述了木材缺陷特征量的提取原则,并对目前常被提取的特征量进行分析,最终由木材缺陷形成内外因素及人工经验,选定灰度均值,灰度方差及缺陷轮廓特征值三种特征作为木材缺陷模式识别特征;（4）研究木材缺陷特征提取算法,并在此算法基础上开发了木材缺陷特征提取软件系统,各部分算法按照模块化思想进行设计,保证了源程序的可扩展性;（5）在采集并分析处理大量木材表面特定缺陷图片基础上,以VC++6.0为软件开发平台,调用matlab6.5辅助设计工具,建立木材缺陷LVQ神经网络模式识别系统,训练LVQ神经网络并进行网络测试。从识别准确率和最小分辨率两方面,验证了系统的可行性。

论文目录

• 摘要
• ABSTRACT
• 1. 引言
• 1.1 木材资源利用现状
• 1.2 木材工业面临问题
• 2. 木材缺陷与无损检测技术
• 2.1 木材缺陷种类及其对木材质量的影响
• 2.1.1 木材缺陷种类
• 2.1.1.1 节子
• 2.1.1.2 虫眼
• 2.1.2 木材缺陷对木材质量的影响
• 2.1.2.1 节子对木材抗拉强度及抗压强度的影响
• 2.1.2.2 虫害对木材材质的影响
• 2.2 木材表面缺陷无损检测研究现状与展望
• 2.2.1 木材表面缺陷无损检测技术发展现状
• 2.2.2 木材表面缺陷无损检测技术发展趋势
• 2.3 木材缺陷图像处理无损检测系统构成
• 2.4 本文研究的意义和主要内容
• 2.4.1 本文研究的目的和意义
• 2.4.2 本文研究的主要内容
• 2.5 本章小结
• 3. 木材缺陷数字图像的预处理单元设计
• 3.1 数字图像处理技术概述
• 3.1.1 数字图像处理内容
• 3.1.2 数字图像处理基本运算
• 3.1.2.1 点运算
• 3.1.2.2 邻域运算
• 3.1.3 数字图像处理方法
• 3.1.3.1 图像增强
• 3.1.3.2 边缘检测
• 3.2 木材缺陷数字图像处理
• 3.2.1 木材缺陷图片预处理过程总体设计
• 3.2.2 木材缺陷数字图像的表示
• 3.2.3 木材缺陷图像灰度变化
• 3.2.3.1 木材缺陷图像灰度化
• 3.2.3.2 灰度变换
• 3.2.4 空间域木材缺陷图像平滑
• 3.2.4.1 邻域平均法
• 3.2.4.2 中值滤波
• 3.2.4.3 木材缺陷图像平滑算法选择
• 3.2.5 木材缺陷数字图像阈值化分割
• 3.2.5.1 最大类间方差法
• 3.2.5.2 最佳熵自动阈值法
• 3.2.5.3 最小误差法
• 3.2.5.4 木材缺陷图像二值化方法选择
• 3.3 本章小结
• 4. 木材缺陷图像特征提取单元
• 4.1 木材缺陷图像特征提取单元系统设计
• 4.1.1 木材缺陷图像特征提取原则
• 4.1.1.1 什么是图像特征
• 4.1.1.2 提取原则
• 4.1.2 木材缺陷图像特征识别类型的选取
• 4.1.3 木材缺陷图像特征提取总体设计
• 4.2 木材缺陷轮廓特征提取模块
• 4.2.1 木材缺陷轮廓点坐标提取
• 4.2.2 木材缺陷轮廓特征值提取
• 4.2.3 木材缺陷轮廓特征数据降维
• 4.2.3.1 主元分析法（PCA）概述
• 4.2.3.2 木材缺陷轮廓特征数据主元提取
• 4.3 缺陷灰度特征提取模块
• 4.3.1 木材缺陷灰度均值提取
• 4.3.2 木材缺陷灰度方差提取
• 4.4 本章小结
• 5. 基于LVQ 神经网络的木材缺陷模式识别系统模型
• 5.1 木材缺陷模式识别理论及发展
• 5.1.1 模式识别系统构成
• 5.1.2 基于人工神经网络的模式识别
• 5.1.2.1 人工神经网络概述
• 5.1.2.2 人工神经元
• 5.1.2.3 人工神经网络模型模型
• 5.1.2.4 LVQ 神经网络的优势
• 5.2 学习矢量量化（LVQ）神经网络
• 5.1.1 LVQ 函数网络概述
• 5.1.1.1 LVQ 网络结构
• 5.1.1.2 LVQ 学习算法
• 5.3 基于学习矢量量化神经网络的木材缺陷模式识别系统设计
• 5.3.1 木材缺陷识别LVQ 训练过程
• 5.3.2 木材缺陷识别LVQ 神经网络系统模型
• 5.3.2.1 Matlab 引擎
• 5.3.2.2 木材缺陷LVQ 神经网络搭建
• 5.3.2.3 网络训练
• 5.3.2.4 网络测试
• 5.4 实验结果分析
• 5.4.1 关于识别准确率
• 5.4.2 关于最小分辨率
• 5.5 本章小结
• 6. 结论与建议
• 6.1 工作总结
• 6.2 建议与展望
• 6.2.1 后续研究重点
• 6.2.1.1 关于木材缺陷在线检测系统搭建
• 6.2.1.2 关于木材缺陷特征量的选择
• 6.2.1.3 关于模式识别
• 6.2.1.4 关于缺陷类型的选择
• 6.2.2 展望
• 参考文献
• 个人简介
• 导师简介
• 获得成果目录清单
• 致谢