检索项:   检索词:    
  世界林业研究  2020, Vol. 33 Issue (3): 32-37  DOI: 10.13348/j.cnki.sjlyyj.2020.0020.y
0

引用本文  

范佳楠, 刘英, 杨雨图, 等. 机器视觉在木材缺陷检测领域应用研究进展[J]. 世界林业研究, 2020, 33(3): 32-37.
Fan Jianan, Liu Ying, Yang Yutu, et al. Research Progress in the Application of Machine Vision to Wood Defect Detection[J]. World Forestry Research, 2020, 33(3): 32-37.

基金项目

江苏省重点研发计划(产业前瞻与关键核心技术)项目(BE2019112);江苏省政策引导类计划(国际科技合作)项目(BZ2016028)。

通信作者

刘英,女,博士,教授,主要从事无损检测、光机电一体化技术等研究,E-mail:lying_new@163.com

第一作者

范佳楠,男,硕士,主要研究方向为机器视觉、人工智能、木材无损检测,E-mail:845425957@qq.com

文章历史

收稿日期:2019-08-07
修回日期:2020-02-28
机器视觉在木材缺陷检测领域应用研究进展
范佳楠 , 刘英 , 杨雨图 , 缑斌丽     
南京林业大学机械电子工程学院, 南京 210037
摘要:为了提高木材利用率,采用机器视觉来实现木材缺陷快速而稳定的检测,不仅可以克服人工检测效率低、劳动强度大、准确率低等弊端,而且对提高木材加工企业的智能化水平具有重要意义。文中概述了机器视觉检测技术及设备的国内外研究现状,介绍基于机器视觉检测木材缺陷所涉及的相关理论和算法研究,以及相关图像处理算法的优缺点;针对机器视觉应用在木材缺陷检测领域存在的不足,提出机器视觉木材表面检测应进一步向人工智能方向发展,以提高木材缺陷检测效率及准确性。
关键词机器视觉    木材缺陷    检测算法    
Research Progress in the Application of Machine Vision to Wood Defect Detection
Fan Jianan, Liu Ying, Yang Yutu, Gou Binli     
College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China
Abstract: China has limited timber resources. In order to improve the utilization of wood, machine vision is used to achieve rapid and stable detection of wood defects, which can not only overcome the shortcomings of low efficiency, high labor intensity and low accuracy, but also play an important role in improving the intelligence level of wood processing enterprises. This paper summarizes the research on machine vision based detection technology and relevant equipment at home and abroad, and introduces the related theories and algorithms involved in machine vision detection of wood defects as well as the advantages and disadvantages of related image processing algorithms. In view of the shortcomings of the application of machine vision in the field of wood defect detection, it is proposed that machine vision based wood surface detection should be further developed in the direction of artificial intelligence, in order to improve the efficiency and accuracy of wood defect detection.
Keywords: machine vision    wood defect    detection algorithm    

森林资源是国家重要的自然资源之一,也是每个国家在现代化建设中不可或缺的战略储备。但木材表面缺陷检测效率低、人工配料划线局限性大及优选锯切设备缺乏智能化,都导致木材加工成本投入大、品质参差不齐、木材资源利用率低以及浪费严重等问题。在人工对木材表面缺陷进行检测时,长时间工作必然会导致视觉疲劳,而且检测结果会受主观因素的影响,无法保证检测结果的准确性。因此,有必要以机器视觉代替传统的人工检测,研制出基于机器视觉的木材表面缺陷检测智能化装备,这对于提高木材加工企业的自动化和智能化水平、提高木材利用率具有重要意义。本文拟通过总结机器视觉在木材缺陷检测领域的发展现状,分析其在木材缺陷检测领域中存在的不足,提出今后研究发展方向,以期为提高机器视觉检测技术在木材缺陷检测与加工方面的智能识别率和生产效率提供参考。

1 机器视觉检测技术及设备研究现状

自21世纪初以来,由于计算机和传感器技术的发展,木材无损检测技术在应力波、超声波、X射线、机器视觉等方面飞速发展。通过应力波在木材中的传播速度和时间来辨识木材内部缺陷,但很难做到准确定位缺陷位置;利用超声波检测需要水或者油作为均匀介质,在实际应用中难以推广;X射线检测的对比度较低,不灵敏。鉴于木材薄而长的几何特点,在工业应用上以表面缺陷为主要检测内容,而且由于CCD 工业相机的出现,机器视觉的图像采集具有低耗、廉价的特点,这使得机器视觉技术应用于木材缺陷检测领域成为可能。与传统检测方法相比,机器视觉检测具有自动化程度高、检测精度和检测效率高等优点,能对检测产品进行合格判断及偏差估计,实时监控和在线处理生产线上的产品,提高企业生产的智能化水平。

德国、美国、芬兰和日本等国率先将机器视觉应用于木材缺陷检测领域。德国HOMAG和IMA公司推出多款基于机器视觉的Wood Eyes 设备,用于木材表面缺陷的检测。Wood Eyes扫描仪是世界领先的扫描系统,可检测和测量木材中所有类型的缺陷,确保检测质量,并在极高速度下实现最少的浪费,能满足客户对高产木材加工生产线的需求。芬兰Mecano公司针对多种不同材质的木材分析其各种缺陷,研发出稳定性较高的VDA系统[1]。加拿大LMI Technologies 公司生产的Chroma+Scan3350以高扫描速率将高密度3D轮廓与亚毫米2D彩色成像相结合,以获得令人印象深刻的木材表面特征识别。

与国外机器视觉在木材缺陷检测领域的发展相比,我国虽然起步较晚,但发展迅速。上海优必选机械有限公司生产的木材颜色识别系统,具有木材颜色自动分选、分类等功能,能够解决人工使用量大、误差大、难以统计等问题,极大地提高了木材加工企业的管理水平与生产自动化。李博豪[2]开发了一套便携式木材全自动检尺设备,能适用于多种现场检验情况,检测精度满足设计要求,具有较高的实用性和推广价值。张厚江等[3]采用上下2台激光传感器静态和动态非接触测量人造板厚度,试验研究证明,可以通过激光非接触对人造板厚度进行测量。赵亚凤[4]采用基于双目立体视觉的三维测量方法对原木进行检尺,实验结果表明,该方法在15 s以内就能处理一幅图片,平均识别率为96.17%。双目立体视觉模仿人眼可实现三维测量,比单目视觉测量更为稳定可靠。因多目视觉的高成本以及难度相对较大的数据处理对处理芯片和硬件的可靠性提出了更高要求,故双目视觉多被应用于木材检测领域。

2 基于机器视觉的木材缺陷检测算法

机器视觉具有无损、快速、准确和成本低等优点,在木材检测领域得到广泛研究和应用,为木材加工自动化提供了技术支撑。在木材无损检测领域,基于机器视觉的检测系统来实现缺陷的类型识别与分类的应用越来越多。通过输入的缺陷特征向量进行比对学习,最终达到对样本进行预测和分类的目的。采集到的木材图像需要通过图像分割、特征提取、分类识别等图像处理算法判别是否存在缺陷。

2.1 基于机器视觉的木材缺陷图像分割

木材图像分割是基于机器视觉的木材缺陷检测的基础,能够准确分离目标和背景,便于后续对目标的进一步研究。基于阈值的图像分割是一种以寻找最优阈值为基础的分割技术,主要包括最大类间方差法、最大熵阈值分割法、最小误差阈值分割法等。王克奇等[5]采用分形理论和数学形态学对板材缺陷进行了图像分割和边缘提取。戴天虹等[6]将最大类间方差与数学形态学方法相结合,对木材表面缺陷进行图像分割,分割出更加清晰连贯的缺陷区域,提高了后续检测的准确性。龙建武[7]采用高斯拟合的全局阈值算法进行图像分割,在提高准确性的同时具有鲁棒的抗噪性。谢永华等[8]用迭代阈值分割法、最大类间方差法和最大熵阈值分割法对木材缺陷进行分割,结果表明,最大类间方差法图像分割效果最好。张怡卓等[9]研发了实木地板视觉检测分选系统,提出一种基于图像融合的区域生长分割方法,实现了缺陷区域的快速、精准分割。Wang等[10]提出一种新的木材缺陷检测方法,可以解决局部阈值分割方法中存在的过分割问题。采用最大类间方差法的阈值分割对粗定位区域周围的木材表面缺陷进行精确定位和分割,利用数学形态学对分割后的二值图像进行处理,结果表明,该方法分割效果较好,优于基于边缘检测、阈值分割的分割方法。Luo等[11]针对木材缺陷图像背景不均匀的问题,提出一种基于局部阈值算法的图像二值化优化算法,结果表明,该算法提高了复杂背景下木材缺陷图像的分割效果,明显优于全局阈值算法和Bernsen算法,具有较高的分割精度,对于背景复杂的木材缺陷图像分割精度高达92.6%。

对于目标与背景灰度对比差异小且纹理相对模糊的木材表面缺陷图像,最大类间方差法分割效果优于最大熵阈值分割法和最小误差阈值分割法等。然而,最大类间方差法也有不足之处,虽然能有效地将目标区域从图像中定位出来,但是对于少数木材表面缺陷图像还不能做到完全分离目标和背景。因此,采用将最大类间方差与数学形态学相结合的方法可以精确定位和分割木材表面缺陷图像。

2.2 基于机器视觉的木材缺陷图像特征提取

特征提取是一种利用映射或投影变换等方式将图像从高维空间转换为低维空间的过程,对提高后续识别分类的准确率有着重要意义。木材图像特征分为颜色特征、纹理特征和几何特征3大类。

颜色特征在像素的全局特征基础上描述目标区域的颜色分布情况,对图像尺寸、方向等因素不敏感,因此图像经过旋转和平移变换不影响其特征的提取。纹理特征描述目标区域像素和其周围区域的灰度分布情况,体现了目标区域缓慢的周期性变化或结构组织排列,包括统计法、结构法、信号处理法和模型法。几何特征是指图像中感兴趣区域中以形状特征和几何不变矩为主的特征。许超[12]提取实木地板表面缺陷图像,采用主成分分析法和线性降维法对几何与区域特征、纹理特征和不变矩特征3大类共25个具体特征进行降维。王泽润[13]对木材表面图像进行分块,用支持向量机训练子块的颜色和纹理特征,对木材表面缺陷进行识别分类。分别使用了灰度最大熵、颜色聚合向量和颜色矩以及局部二值模式(LBP)纹理特征对缺陷进行了识别。Pahlberg等[14]研究了利用2种特征检测方法的融合来自动匹配和识别单个苏格兰松树板材的可能性。第1种方法为块匹配方法,使用标准化的差平方和方法检测角并匹配这些角周围的正方形区域。第2种方法为加速鲁棒特征(SURF)匹配方法。2种特征检测方法的融合大大提高了木地板的识别率,匹配精度达到90%以上。Hashim等[15]讨论了基于方向无关灰度相关矩阵的纹理特征的发展和分析,以表征木材缺陷。其通过特征提取、量化分析、位移参数分析、特征分析等一系列过程,构建出良好的特征集,为了评价提取特征的识别能力,对莫兰蒂木材树种的缺陷进行了视觉探索性分析,结果表明,能够显著区分缺陷类别。

对于纹理明显的木材表面缺陷图像,灰度最大熵、颜色矩特征优于颜色聚合向量特征,基于灰度最大熵、颜色矩特征对木材缺陷识别更加准确。相比颜色矩特征适用于纹理明显的木材表面缺陷图像,灰度最大熵特征适用范围更为广泛,将其作为特征向量输入分类器识别效果最好。但只考虑颜色、纹理或几何特征中的一种进行特征识别,检测结果往往都不够准确。为了解决这种问题,常常提取颜色和纹理2种特征进行识别,从而提高木材表面缺陷检测的识别准确率。

2.3 基于机器视觉的木材缺陷图像识别分类

王学顺等[16]利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。但随着输出种类增加时,树种的区分难度就会增大,识别率会降低。王林等[17]根据能量意义来定义特征参数,采用环形Gabor 滤波器将木材图像变换到联合空间频域中,利用模糊C 均值聚类和形态学后处理操作分割出缺陷目标区域,达到了不错的识别精度,但方法实时性差、特征提取过程缓慢。仇逊超[18]在利用Gabor 滤波器的基础上,利用小波变换进行木材缺陷的灰度及彩色图像识别,实现旋切单板的缺陷自动检测,同时引入能量符号距离函数克服C-V 模型需要初始化的缺点,实现对复杂背景干扰下的木材缺陷识别。Zhang[19]使用主成分分析(PCA)方法处理融合木材图像中的多个特征,以8 个主要部分描述各类缺陷,构建出木材特征数据集,然后利用最小二乘法进行不同类型缺陷的特征分类。黄炎[20]用机器视觉和图像处理技术成功识别复杂内孔表面的缺陷检测,对提取的40个特征使用主成分分析的方法进行降维,然后基于Lap Lacian正则化支持向量机对复杂孔进行缺陷定位。陈立君[21]提出了基于流形上支持向量机的分类器,将局部二进模式和Tamura 纹理的前3个特征连同灰度共生矩阵的熵特征等5个特征输入到分类器中,取得了较好的分类识别效果,准确率为91.67%,高于BP 神经网络分类器82.75%的识别准确率。白雪冰[22]在图像分割的基础上,利用Grab Cuts 算法实现操作更为简单、闭合缺陷区域较为完整的缺陷特征分割效果。木材缺陷识别最简单的方法是以灰度直方图手段对木材图片的小像素模块进行分析,通过判断是否有颜色突变来确定是否存在木材缺陷,但这种方法无法判断缺陷类型[23]。因此,王泽润[24]等采用LBP算法对分成小图片中的一块图片在灰度直方图的基础上提取特征图,处理后经过支持向量机(SVM)网络进行判断识别节子。BP神经网络收敛性较好,但训练时间慢,对缺陷的识别率较低,样本需求量大;SVM在训练时间和识别率上都优于BP网络,当选取样本数不多时,SVM也能进行很好的缺陷识别分类。张益翔等[25]应用基于小波变换的LBP 算法对图像分割后的木材图片提取多维特征向量作为BP 或者SVM 2种不同神经网络的向量输入,并最终分类识别,主要分类的有裂纹和节子,准确率达到93.3%。采用加权方差的阈值方法对板材表面缺陷进行检测,图像分割效果比最大熵等其他阈值分割方法具有更好的分割效果[26]。将边缘检测算法和区域增长算法相结合,在检测木材缺陷时可以忽略与自然特征融合的细微缺陷[27]。此外,Tafarroj等[28]也采用了PCA 方法直接用于将缺陷木材与无缺陷木材区分出来。Zhu等[29]采用三层双树复小波分解应用于板材图像,之后采用粒子群优化算法进行特征选择和尺寸缩小,并选择了优化11个关键特征,最后通过压缩传感分类器对径向纹理、切向纹理、活节和死节等木材表面特征进行分类。赵乾[30]在木材表面缺陷图像的分类网络中引入南洋理工大学黄广斌提出的极限学习机算法,利用极限学习机快速收敛的特点得到分类结果,同时应用自适应Boosting(AdaBoost)算法,在木材检测应用中取得了不错的效果。

自从Hinton 解决了深度学习中梯度消失、难以训练的问题后[31],深度学习技术发展迅速,被不少学者用来对木材缺陷进行识别分类。徐姗姗[32]使用渐进式的卷积神经网络(CNN)结构对木材缺陷进行特征提取,应用渐进式的参数训练,算法具有良好的鲁棒性。程玉柱等[33]采用Region Proposal 网络对CNN 模型进行多次训练,得到稳定的检测模型,经过验证,该方法可以较为准确地定位木材缺陷区域,准确率达到96%以上。刘英等[34]又在CNN 网络模型的基础上进一步改进,采用非下采样剪切波变换(NSST)提高了木材图像的预处理效果,同时利用简单线性迭代聚类方法进行模型改进,得到更高性能的识别效果,准确率达到98.6%。由于缺陷与纹理之间的模糊性、缺陷标记数据的缺乏以及必须具有极高的精度,工业用随机纹理表面缺陷的自动检测是一个要求很高的过程。Jun等[35]提出一种利用3种不同CNN网络结构实现木材随机纹理表面缺陷自动检测的方法,可以区分5类不同的木材图像,深度卷积神经网络对正常木材和其他4种缺陷图像的识别准确率为99.80%,试验结果表明,对于随机纹理表面有缺陷的其他工业图像也可以应用类似的程序来加速缺陷检测的自动化。另外,研究人员利用深度学习的目标检测算法进行缺陷检测,如基于深度学习的目标检测框架Faster R-CNN[36]和YOLO等方法,可以较快地确定缺陷,但在检测精度和检测速度上还无法满足实际缺陷检测要求。丁博文[37]设计了基于计算机视觉的非接触性检尺系统,克服了传统检尺系统只能测量原木的缺陷,解决了成堆板材的测量问题。用单发多盒检测器(SSD)模型识别待测主体,检测速度较快,准确率较高。

从BP神经网络、SVM、极限学习机等浅层学习算法到CNN、SSD等深度学习算法,木材表面缺陷的识别率不断提高。BP神经网络样本有限,收敛过程慢,针对复杂分类问题泛化能力差,识别率低。SVM在样本较少的情况下占优势,但训练速度仍然较慢。浅层学习算法可以解决一些问题,但是理论分析难度大,训练方法需要很多经验和技巧,在计算单元情况下对复杂函数的表示能力有限。采用CNN算法对木材表面缺陷识别,省去对原始图像进行预处理,收敛速度快,样本量大,识别准确率高。这种CNN深度学习算法可以通过学习一种深层非线性网络结构实现复杂函数逼近,并只学习少量样本集就能得到数据集本质特征,因此深度学习算法在木材缺陷图像识别分类方面将有着明显的优势。

3 结语及研究展望

利用机器视觉技术采集木材图像、进行图像处理和分析来检测木材表面缺陷位置和区分木材表面缺陷类型。利用机器视觉技术检测木材缺陷可解决因人工识别导致判断误差大的问题,提高木材加工企业的生产效率、经济效益和社会价值。在木材缺陷检测中,图像处理和分类算法是关键,包括图像目标区域的分割、特征提取及缺陷的识别分类。

目前机器视觉在木材缺陷检测领域得到越来越多的重视和应用,但尚存在一些不足。首先,受环境、光照和噪声等因素影响,检测系统很难检出微弱信号;其次,数据量庞大、冗余信息多、特征空间维度高等问题导致无法快速从海量数据中提取有效缺陷信息。另外,在机器视觉技术检测木材缺陷的准确性方面,可靠的识别分类算法不断出现,但在实际应用中准确率仍然需要不断提高。针对现存的问题,提出以下4点建议:

1)构建稳定、可靠的检测系统,以应对光照变化、噪声以及其他外界不良环境的干扰。

2)完善机器视觉检测系统,使检测进一步向人工智能方向发展,模仿生物视觉多尺度、层次性的视觉特点为视觉检测提供新的研究思路;为了弥补单一视觉信息的不足,融合机器视觉、听觉、嗅觉、触觉等多种信息。

3)研究更具鲁棒性的图像处理算法,提高图像处理的有效性和识别分类的准确性。在硬件可靠性方面不断提升,单目、双目、多目,从2维到3维,立体重构;在软件编制上,从深度学习方面深入研究,提高图像处理的速度。

4)研发基于机器视觉检测与加工一体化的经济型成套设备,形成国产化自主知识产权,通过集成化设备取代原有人工划线的工作方式。将智能算法用于木材缺陷的识别,并进行分类、分等。在木制家具制造过程中,可以对板材缺陷(节子、裂纹、孔洞等)进行自动识别和精确定位,并对缺陷进行截锯,避开像节子、孔洞、裂纹等缺陷,提高生产效率,节约木材,大幅度降低成本。

参考文献
[1]
胡峻峰.基于机器视觉的实木地板分选技术研究[D]. 哈尔滨:东北林业大学,2015. http://d.wanfangdata.com.cn/thesis/Y2991981 (0)
[2]
李博豪.基于机器视觉的便携式木材全自动检尺设备研究[D]. 南京:东南大学, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10286-1016754313.htm (0)
[3]
祖汉松, 张厚江, 贺昌勇, 等. 人造板厚度激光非接触测量研究[J]. 西北林学院学报, 2015, 30(2): 221-226. DOI:10.3969/j.issn.1001-7461.2015.02.39 (0)
[4]
赵亚凤.基于双目视觉的原木材积检测方法研究[D]. 哈尔滨:东北林业大学, 2016. http://cdmd.cnki.com.cn/Article/CDMD-10225-1016309250.htm (0)
[5]
王克奇, 马晓明, 白雪冰. 基于分形理论和数学形态学的木材表面缺陷识别的图像处理[J]. 森林工程, 2013, 29(2): 48-50. DOI:10.3969/j.issn.1001-005X.2013.02.010 (0)
[6]
戴天虹, 吴以. 基于OTSU算法与数学形态学的木材缺陷图像分割[J]. 森林工程, 2014, 30(2): 52-55. DOI:10.3969/j.issn.1001-005X.2014.02.013 (0)
[7]
龙建武.图像阈值分割关键技术研究[D]. 长春:吉林大学,2014. http://cdmd.cnki.com.cn/Article/CDMD-10183-1014268141.htm (0)
[8]
谢永华, 陈庆为. 木材缺陷的阈值分割算法研究[J]. 森林工程, 2014, 30(2): 38-42. DOI:10.3969/j.issn.1001-005X.2014.02.010 (0)
[9]
张怡卓, 许雷, 丁亮, 等. 基于图像融合分割的实木地板表面缺陷检测方法[J]. 电机与控制学报, 2014, 18(7): 113-118. DOI:10.3969/j.issn.1007-449X.2014.07.018 (0)
[10]
WANG X J,WU S H,LIU Y P.Detecting wood surface defects with fusion algorithm of visual saliency and local threshold segmentation[C]. Ninth International Conference On Graphic and Image Processing, Qingdao,Shandong,China,2017. (0)
[11]
LUO W, SUN L P. An improved binarization algorithm of wood image defect segmentation based on non-uniform background[J]. Journal of Forestry Research, 2019, 30(4): 1527-1533. DOI:10.1007/s11676-019-00925-w (0)
[12]
许超.基于特征融合与圧缩感知的实木地板缺陷检测方法研究[D]. 哈尔滨:东北林业大学,2015. https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CMFD&filename=1015655717.nh (0)
[13]
王泽润.基于颜色与纹理特征的木材表面缺陷识别方法[D]. 杭州:浙江农林大学,2018. http://cdmd.cnki.com.cn/Article/CDMD-10341-1018077383.htm (0)
[14]
PAHLBERG T, HAGMAN O, THURLEY M. Recognition of boards using wood fingerprints based on a fusion of feature detection methods[J]. Computers and Electronics in Agriculture, 2015, 111: 164-173. DOI:10.1016/j.compag.2014.12.014 (0)
[15]
HASHIM U R, HASHIM S Z M, MUDA A K, et al. Extraction and exploratory analysis of texture features on images of timber defect[J]. Advanced Science Letters, 2018, 24(2): 1104-1108. (0)
[16]
王学顺, 孙一丹, 黄敏高, 等. 基于BP 神经网络的木材近红外光谱树种识别[J]. 东北林业大学学报, 2015, 43(12): 82-85. DOI:10.3969/j.issn.1000-5382.2015.12.018 (0)
[17]
王林, 白雪冰. 基于Gabor 变换的木材表面缺陷图像分割方法[J]. 计算机工程与设计, 2010, 31(5): 1066-1069. (0)
[18]
仇逊超.基于C-V 模型与小波理论的单板缺陷图像检测研究[D]. 哈尔滨:东北林业大学,2012. http://cdmd.cnki.com.cn/Article/CDMD-10225-1012445647.htm (0)
[19]
ZHANG Y Z, XU C, LI C, et al. Wood defect detection method with PCA feature fusion and compressed sensing[J]. Journal of Forestry Research, 2015, 26(3): 745-751. DOI:10.1007/s11676-015-0066-4 (0)
[20]
黄炎.基于机器视觉的复杂内孔表面缺陷检测[D]. 济南:山东大学,2015. http://cdmd.cnki.com.cn/Article/CDMD-10422-1015380381.htm (0)
[21]
陈立君.基于流形支持向量机的木材表面缺陷识别方法的研究[D]. 哈尔滨:东北林业大学,2015. http://cdmd.cnki.com.cn/Article/CDMD-10225-1015655902.htm (0)
[22]
白雪冰, 李润佳, 许景涛, 等. 基于图割算法的木材表面缺陷图像分割[J]. 林业工程学报, 2018, 3(2): 116-122. (0)
[23]
尹建新, 楼雄伟, 黄美丽. 灰度直方图在木材表面缺陷检测中的应用[J]. 浙江林学院学报, 2008, 25(3): 272-276. (0)
[24]
王泽润, 方益明, 冯海林, 等. 木材节子缺陷检测与定位方法[J]. 激光与光电子学进展, 2018, 55(5): 317-324. (0)
[25]
张益翔.基于小波变换和LBP的木材表面缺陷识别[D]. 南京:南京林业大学,2017. http://cdmd.cnki.com.cn/Article/CDMD-10298-1018800104.htm (0)
[26]
YUAN X C, WU L S, PENG Q J. An improved Otsu method using the weighted object variance for defect detection[J]. Applied Surface Science, 2015, 349: 472-484. DOI:10.1016/j.apsusc.2015.05.033 (0)
[27]
PARK J K, AN W H, KANG D J, et al. Convolutional neural network based surface inspection system for non-patterned welding defects[J]. International Journal of Precision Engineering and Manufacture, 2019, 20(3): 363-374. DOI:10.1007/s12541-019-00074-4 (0)
[28]
TAFARROJ M M, KALANI H, MOANENIAN M, et al. An application of principal component analysis method in wood defects identification[J]. Journal of the Indian Academy of Wood Science, 2014, 11(1): 33-38. DOI:10.1007/s13196-014-0114-2 (0)
[29]
ZHU Y N, OU Y Q, MAO Y D. A deep convolutional neural network approach to single-particle recognition in cryo-electron microscopy[J]. BMC Bioinformatics, 2017, 18: 348. DOI:10.1186/s12859-017-1757-y (0)
[30]
赵乾.基于极限学习机的实木板材缺陷检测算法研究[D]. 南京:南京林业大学,2018. http://cdmd.cnki.com.cn/Article/CDMD-10298-1019600306.htm (0)
[31]
周晟颐. 深度学习技术综述[J]. 科技传播, 2018, 10(20): 116-118. DOI:10.3969/j.issn.1674-6708.2018.20.063 (0)
[32]
徐姗姗, 刘应安, 徐昇. 基于卷积神经网络的木材缺陷识别[J]. 山东大学学报(工学版), 2013, 43(2): 23-28. (0)
[33]
程玉柱, 顾权, 王众辉, 等. 基于深度学习的木材缺陷图像检测方法[J]. 林业机械与木工设备, 2018, 378(8): 34-37. (0)
[34]
刘英, 周晓林, 胡忠康, 等. 基于优化卷积神经网络的木材缺陷检测[J]. 林业工程学报, 2019, 4(1): 122-127. (0)
[35]
JUNG S Y,TSAI Y H,CHIU W Y, et al.Defect detection on randomly textured surfaces by convolutional neural networks [C]. IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), Auckland,2018:1456-1461. https://www.researchgate.net/publication/327522497_Defect_Detection_on_Randomly_Textured_Surfaces_by_Convolutional_Neural_Networks (0)
[36]
冯小雨, 梅卫, 胡大帅. 基于改进Faster R-CNN的空中目标检测[J]. 光学学报, 2018, 38(6): 250-258. (0)
[37]
丁博文.基于计算机视觉的木材检尺系统[D]. 北京:北京交通大学,2018. (0)