發(fā)布時(shí)間：2024-05-18 05:38

　　基于機(jī)器視覺(jué)的木材表面缺陷檢測(cè)技術(shù),具有無(wú)損性、準(zhǔn)確性、快速性等優(yōu)點(diǎn),在木材生產(chǎn)及其加工等領(lǐng)域具有較高的應(yīng)用價(jià)值。木材表面缺陷檢測(cè)的模式識(shí)別問(wèn)題,是值得長(zhǎng)期探索的理論課題,也是木材加工工業(yè)應(yīng)用面臨的一大難題。木材表面缺陷檢測(cè)的精確性、實(shí)時(shí)性、魯棒性已成為國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。本文基于機(jī)器視覺(jué)和流形理論,以木材表面的活節(jié)、死節(jié)和蟲(chóng)眼三種常見(jiàn)缺陷為研究對(duì)象,對(duì)木材表面缺陷的圖像分割、特征提取、模式分類(lèi)方法進(jìn)行了深入的研究。圖像分割是木材缺陷識(shí)別的首要問(wèn)題。針對(duì)現(xiàn)有基于局部閾值分割方法過(guò)度分割的不足,本文提出了基于全局視覺(jué)顯著性和局部閾值融合的缺陷分割方法。首先通過(guò)缺陷的全局視覺(jué)顯著性在圖像中對(duì)缺陷區(qū)域進(jìn)行粗定位；進(jìn)而在粗定位的缺陷區(qū)域周?chē)�通過(guò)局部閾值分割的方法完成木材表面缺陷的精確定位和分割；最后對(duì)分割后的二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理,提取準(zhǔn)確的缺陷目標(biāo),為后續(xù)木材缺陷特征的提取奠定了基礎(chǔ)。為保證木材缺陷識(shí)別結(jié)果的性能和可靠性,缺陷特征的提取是模式識(shí)別中的關(guān)鍵步驟。本文以木材表面缺陷的紋理特征為主,研究了Tamura、灰度共生矩陣、局部二進(jìn)模式等紋理特征,并提取了活節(jié)、死節(jié)和蟲(chóng)眼缺陷樣本的各...

【文章頁(yè)數(shù)】：128 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景
    1.2 木材缺陷檢測(cè)的研究現(xiàn)狀
    1.3 機(jī)器視覺(jué)應(yīng)用現(xiàn)狀
    1.4 流形理論在機(jī)器視覺(jué)中研究現(xiàn)狀
    1.5 研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.5.1 論文研究?jī)?nèi)容
2 流形的理論基礎(chǔ)及實(shí)驗(yàn)樣本圖像獲取
    2.1 流形的理論基礎(chǔ)
        2.1.1 流形
        2.1.2 黎曼流形
        2.1.3 協(xié)方差矩陣流形
    2.2 實(shí)驗(yàn)樣本圖像獲取
        2.2.1 木材表面缺陷識(shí)別系統(tǒng)組成
        2.2.2 實(shí)驗(yàn)樣本圖像獲取
    2.3 三種木材表面缺陷特點(diǎn)
    2.4 本章小結(jié)
3 基于視覺(jué)顯著性和閾值的木材表面缺陷分割
    3.1 圖像分割算法分析及選擇
        3.1.1 圖像分割算法分析
        3.1.2 圖像分割算法選擇
    3.2 基于邊緣檢測(cè)的分割
        3.2.1 Roberts算子分割方法
        3.2.2 Prewitt算子分割方法
        3.2.3 Sobel算子分割方法
        3.2.4 Canny算子分割方法
        3.2.5 實(shí)驗(yàn)結(jié)果分析
    3.3 基于閾值的分割方法
        3.3.1 自適應(yīng)閾值分割
        3.3.2 二維最大熵分割
        3.3.3 實(shí)驗(yàn)結(jié)果分析
    3.4 K均值聚類(lèi)
        3.4.1 K均值聚類(lèi)算法
        3.4.2 實(shí)驗(yàn)步驟與結(jié)果分析
    3.5 基于視覺(jué)顯著性的缺陷分割
        3.5.1 視覺(jué)顯著性
        3.5.2 譜殘差視覺(jué)顯著性模型
        3.5.3 實(shí)驗(yàn)步驟與結(jié)果分析
    3.6 基于全局視覺(jué)顯著性和局部閾值的木材表面缺陷分割
        3.6.1 視覺(jué)顯著性和自適應(yīng)閾值融合分割
        3.6.2 數(shù)學(xué)形態(tài)學(xué)后處理
        3.6.3 實(shí)驗(yàn)步驟及結(jié)果分析
    3.7 本章小結(jié)
4 木材表面缺陷協(xié)方差流形特征提取方法研究
    4.1 缺陷特征提取方法選擇
        4.1.1 圖像特征分類(lèi)
        4.1.2 木材表面缺陷特征分析與選擇
    4.2 Tamura紋理特征提取
        4.2.1 粗糙度
        4.2.2 對(duì)比度
        4.2.3 方向度
        4.2.4 線(xiàn)性度
        4.2.5 實(shí)驗(yàn)結(jié)果
    4.3 灰度共生矩陣紋理特征提取
        4.3.1 灰度共生矩陣
        4.3.2 實(shí)驗(yàn)結(jié)果
    4.4 基于局部二值模式的缺陷紋理特征提取
        4.4.1 局部二值模式
        4.4.2 實(shí)驗(yàn)結(jié)果
    4.5 木材表面缺陷區(qū)域協(xié)方差流形特征提取
        4.5.1 木材表面缺陷區(qū)域協(xié)方差流形建模
        4.5.2 協(xié)方差流形的距離度量
        4.5.3 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
5 基于流形支持向量機(jī)的木材表面缺陷識(shí)別
    5.1 模式分類(lèi)方法的選擇
        5.1.1 模式分類(lèi)概述
        5.1.2 分類(lèi)器選擇
    5.2 基于支持向量機(jī)的分類(lèi)識(shí)別
        5.2.1 支持向量機(jī)概述
        5.2.2 支持向量機(jī)分類(lèi)器設(shè)計(jì)
        5.2.3 實(shí)驗(yàn)結(jié)果及分析
    5.3 基于BP神經(jīng)網(wǎng)絡(luò)的分類(lèi)識(shí)別
        5.3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        5.3.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        5.3.3 BP神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果及分析
    5.4 基于流形上支持向量機(jī)的分類(lèi)識(shí)別
        5.4.1 支持向量機(jī)距離函數(shù)的選擇
        5.4.2 流形測(cè)地線(xiàn)距離
        5.4.3 基于流形的支持向量機(jī)模型(Manifold-SVM)
        5.4.4 實(shí)驗(yàn)結(jié)果及分析
    5.5 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



本文編號(hào)：3976526