基于深度學(xué)習(xí)的木材表面缺陷圖像檢測(cè)

陳獻(xiàn)明， 王阿川*， 王春艷

(1. 東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，黑龍江 哈爾濱 150040；2. 扎蘭屯職業(yè)學(xué)院，內(nèi)蒙古 扎蘭屯 162650)

1 引 言

由于木材加工自動(dòng)化程度低、缺陷識(shí)別不夠精確、鋸切方案不夠合理，我國(guó)木材原料的使用效率較低[1]。為了顯著提高木材的使用效率，國(guó)內(nèi)外學(xué)者提出了多種木材缺陷的檢測(cè)方法：如3D掃描技術(shù)分析法[2]、基于多模型融合的木材缺陷研究[3]、鉆入阻抗法檢測(cè)[4]、基于C-V模型的缺陷圖像特征提取[5]、一階統(tǒng)計(jì)特征檢測(cè)法[6]、基于快速l1和LBP算法的缺陷檢測(cè)技術(shù)[7]、改進(jìn)C-V模型與小波變換[8]等。然而，木材缺陷的形狀、顏色、尺寸、紋理等特征千差萬別，給缺陷識(shí)別與分割帶來了困難，這使得目前的木材缺陷檢測(cè)方法存在著一定的局限性，難以做到對(duì)木材缺陷進(jìn)行統(tǒng)一的識(shí)別與分割。

近年來，基于深度學(xué)習(xí)的圖像檢測(cè)方法發(fā)展迅猛，在圖像的識(shí)別、分類和目標(biāo)檢測(cè)領(lǐng)域都取得了一些成就。針對(duì)木材缺陷的識(shí)別檢測(cè)及帶有缺陷的木材加工方案優(yōu)選問題，本文提出了將深度學(xué)習(xí)中的Faster-RCNN檢測(cè)模型[9]用于木材缺陷圖像識(shí)別與定位，結(jié)合NL-Means[10]、線性濾波等方法用于木材缺陷圖像的去噪和增強(qiáng)，之后提取缺陷的邊緣特征，獲得了較好的分割效果。為了解決傳統(tǒng)缺陷加工方案木材損耗較多，而按照缺陷邊緣進(jìn)行加工，切削路線復(fù)雜的問題，本文提出了一種改進(jìn)的橢圓擬合算法擬合木材缺陷輪廓，兼顧節(jié)約木材和簡(jiǎn)化切削路線，降低了缺陷修補(bǔ)的木材填充量，提高了木材的使用效率，為自動(dòng)化加工帶有缺陷的木材提供了優(yōu)選方案。

2 理論概述

由于木材表面缺陷復(fù)雜多樣，因此難以取得比較好的分割和識(shí)別效果。本文利用Faster-RCNN檢測(cè)模型確定木材缺陷定位邊框及缺陷類型，再利用NL-Means、線性濾波等方法對(duì)框內(nèi)區(qū)域進(jìn)行精細(xì)化分割，解決了彩色圖像分割時(shí)容易受到復(fù)雜背景干擾，難以得到閉合輪廓曲線的問題[11]，得到了比較好的結(jié)果。

2.1 Faster-RCNN目標(biāo)檢測(cè)原理

Faster-RCNN是一種結(jié)合Fast-RCNN[12]與區(qū)域生成網(wǎng)絡(luò)(Region Proposal Network，RPN)的新型目標(biāo)檢測(cè)模型。Faster-RCNN模型將目標(biāo)檢測(cè)的四個(gè)基本步驟: 提取特征、獲取感興趣區(qū)域(Region of Interest，ROI)、目標(biāo)識(shí)別和邊框回歸統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)框架中。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 Faster-RCNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of Faster-RCNN network

RPN是一種用于產(chǎn)生高可靠性候選區(qū)域框的網(wǎng)絡(luò)，它與Fast-RCNN共享卷積特征，通過滑動(dòng)窗口對(duì)提取到的特征圖滑動(dòng)卷積，得到不同尺度的錨框(Anchor)。每個(gè)滑動(dòng)窗口生成一個(gè)特征向量，這個(gè)特征向量被輸送到邊框回歸層和分類層。在邊框回歸層可以得到對(duì)應(yīng)的4個(gè)坐標(biāo)位置編碼；在分類層中可以得到ROI中物體目標(biāo)的概率。隨后將得到的坐標(biāo)編碼和判定概率輸入到ROI池化層。

在得到預(yù)測(cè)方框的坐標(biāo)參數(shù)后，為了降低預(yù)測(cè)方框與真實(shí)方框的誤差，對(duì)坐標(biāo)參數(shù)進(jìn)行回歸調(diào)整，調(diào)整方式如式(1)、(2)所示：

(1)

(2)

式中：x，y，w和h分別表示預(yù)測(cè)方框的中心坐標(biāo)點(diǎn)、寬度和高度，xa，ya，wa和ha表示生成anchor的中心坐標(biāo)、寬度和高度，x*、y*、w*和h*表示目標(biāo)真實(shí)方框的中心坐標(biāo)、寬度和高度。

2.2 NL-Means

NL-Means(Non-Local Means)是一種將整體圖像作為作用域的去噪方法，它以像素塊為單位，在圖像中尋找相似區(qū)域，再對(duì)這些相似的區(qū)域求平均，以達(dá)到去除圖像噪聲的目的。NL-Means的處理過程如式(3)、(4)所示：

(3)

(4)

2.3 圖像增強(qiáng)

線性濾波和對(duì)比度、亮度調(diào)整是常見的圖像增強(qiáng)操作。卷積濾波器是一個(gè)行數(shù)和列數(shù)都是奇數(shù)的二維數(shù)組，中間的元素對(duì)應(yīng)待計(jì)算的像素點(diǎn)，其它的元素對(duì)應(yīng)這個(gè)像素點(diǎn)的鄰近像素點(diǎn)。線性濾波具體操作為：每個(gè)二維圖像像素點(diǎn)的鄰域像素值和對(duì)應(yīng)卷積濾波器元素乘積之和作為該像素點(diǎn)新的值，如圖2所示。

圖2 卷積濾波器Fig.2 Convolutional filter

對(duì)比度是圖像中顏色間的差別程度。對(duì)比度越大，顏色間的反差越明顯，圖像顯示越清晰。亮度是顏色的相對(duì)明暗程度，它使得底層的特征諸如形狀、顏色等可以表現(xiàn)出來[13]。對(duì)圖像對(duì)比度和亮度的調(diào)整如式(5)所示：

Gi,j=a(Ii,j-M)+b×M，

(5)

式中：Ii,j表示原圖像中(i,j)位置的像素值，Gi,j表示經(jīng)對(duì)比度和亮度調(diào)節(jié)之后的數(shù)值，a表示對(duì)比度系數(shù)，b表示亮度系數(shù)，M表示圖像的RGB像素均值。

2.4 最小二乘橢圓擬合算法

橢圓擬合是圖像內(nèi)幾何形狀檢測(cè)的重要部分，它在人臉識(shí)別、瞳孔識(shí)別、細(xì)胞檢測(cè)以及復(fù)雜物體的形狀表達(dá)等領(lǐng)域有著廣泛的應(yīng)用[14]。橢圓擬合的基本思想是：對(duì)于給定平面上的一組樣本點(diǎn)，尋找到距離所有樣本點(diǎn)最近的橢圓。最小二乘法是較好的橢圓擬合方法[15]，其基本思想是追求整體誤差的最小化。橢圓的一般方程如式(6)所示：

x2+gxy+cy2+dx+ey+f=0，

(6)

由式(6)可知，當(dāng)?shù)玫叫枰獢M合的5個(gè)坐標(biāo)點(diǎn)后，即可得到一個(gè)五元一次方程組，進(jìn)而求得g、c、d、e、f。在實(shí)際應(yīng)用中得到的樣本點(diǎn)遠(yuǎn)遠(yuǎn)大于5，會(huì)得到一個(gè)超定方程，通過最小二乘法可以求出其誤差最小的解。

根據(jù)橢圓上N個(gè)具有誤差的坐標(biāo)點(diǎn)(xi,yi),i=1,2,3...,N，將每個(gè)坐標(biāo)點(diǎn)(xi,yi)代入橢圓一般方程，假設(shè)會(huì)產(chǎn)生誤差εi，極小化方程誤差εi的平方和J如式(7)所示：

(7)

根據(jù)極值原則，通過求解上述方程即可求得參數(shù)(g,c,d,e,f)，進(jìn)而得到橢圓的中心點(diǎn)(x0,y0)、旋轉(zhuǎn)角θ、及長(zhǎng)短軸a和b。由此得到擬合后的橢圓方程。

2.5 改進(jìn)的最小二乘橢圓擬合算法

基于最小二乘法擬合出的橢圓，一部分特征點(diǎn)在該橢圓外，其余特征點(diǎn)在該橢圓內(nèi)，所有特征點(diǎn)到該橢圓方程的和最小。直接利用該方法擬合出的缺陷輪廓不能滿足木材缺陷加工的實(shí)際需要。因此本文提出了一種改進(jìn)的最小二乘橢圓擬合算法，以求出點(diǎn)集的優(yōu)選橢圓輪廓。其方法是：不斷淘汰對(duì)橢圓擬合影響極小的點(diǎn)，當(dāng)無法繼續(xù)減小樣本點(diǎn)范圍時(shí)，逐步擴(kuò)大擬合橢圓的長(zhǎng)軸和短軸，最終得到點(diǎn)集的優(yōu)選橢圓輪廓。

橢圓的定義為：平面內(nèi)到定點(diǎn)F1、F2的距離之和等于常數(shù)的動(dòng)點(diǎn)P的軌跡，其中F1、F2是橢圓的兩個(gè)焦點(diǎn)，2a是橢圓的長(zhǎng)軸長(zhǎng)。其數(shù)學(xué)表達(dá)式為：|PF1|+|PF2|=2a。根據(jù)定義可以得到：若平面上的點(diǎn)到F1、F2的距離之和大于2a，則表明該點(diǎn)在橢圓外部；若等于2a，則表明在橢圓上；若小于2a，則表明該點(diǎn)在橢圓內(nèi)部。由于點(diǎn)的位置對(duì)于橢圓的擬合至關(guān)重要，如果貿(mào)然淘汰已經(jīng)擬合的點(diǎn)，將剩余點(diǎn)進(jìn)行下次迭代，會(huì)出現(xiàn)未參與下次迭代的某些點(diǎn)出現(xiàn)在新擬合橢圓外部的情況，導(dǎo)致擬合效果變差，因此本文在計(jì)算平面上的點(diǎn)到兩個(gè)焦點(diǎn)的距離之和時(shí)，加入大于1的比例系數(shù)λ，新的判斷方式如式(8)所示：

λ(|PF1|+|PF2|)=2a，

(8)

即：將到F1、F2距離之和放大λ倍后仍小于2a的點(diǎn)淘汰，將其余點(diǎn)參加下一次擬合計(jì)算，具體算法步驟如下:

步驟1 ：通過最小二乘法求出所有特征點(diǎn)最初的橢圓擬合方程，并計(jì)算出橢圓面積；

步驟2 ：遍歷所有保留的特征點(diǎn)，根據(jù)λ倍的點(diǎn)到橢圓兩個(gè)焦點(diǎn)距離和與2a的關(guān)系，將到兩焦點(diǎn)距離之和放大λ倍后仍小于2a的點(diǎn)剔除，保留其余點(diǎn)；

步驟3：將保留的點(diǎn)再次進(jìn)行最小二乘法擬合，計(jì)算擬合后橢圓的面積，并與上一次擬和的面積進(jìn)行對(duì)比，如果面積增大轉(zhuǎn)步驟2，否則轉(zhuǎn)步驟4；

步驟4：逐步擴(kuò)大最后一步擬合出橢圓的長(zhǎng)軸和短軸，直至滿足要求為止，結(jié)束迭代，得到了特征點(diǎn)集的優(yōu)選橢圓輪廓。

3 算法實(shí)現(xiàn)

3.1 相關(guān)基礎(chǔ)

本文算法分為缺陷的定位和識(shí)別、缺陷的精細(xì)分割以及缺陷的邊緣擬合3個(gè)步驟。在實(shí)現(xiàn)缺陷的定位與識(shí)別時(shí)主要使用Faster-RCNN檢測(cè)模型，F(xiàn)aster-RCNN檢測(cè)模型包括深度神經(jīng)網(wǎng)絡(luò)層、RPN、全連接層3部分：其中深度神經(jīng)網(wǎng)絡(luò)層用來提取卷積特征，RPN用來提取感興趣區(qū)域，最后的全連接層用來進(jìn)行分類和邊框校正；在實(shí)現(xiàn)缺陷的精細(xì)分割時(shí)主要采用各種圖像增強(qiáng)方法：其中通過NL-Means對(duì)原圖像去除噪聲，通過線性濾波和對(duì)比度、亮度調(diào)整提升圖像目標(biāo)與背景區(qū)域反差，再進(jìn)行二值化等操作，隨后對(duì)缺陷邊緣進(jìn)行提取。在實(shí)現(xiàn)缺陷的邊緣擬合時(shí)，使用本文改進(jìn)的算法擬合所提取的缺陷邊緣即可。

3.2 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文實(shí)驗(yàn)硬件環(huán)境為CPU：i5-8400,2.8 GHz，8 GB內(nèi)存；GPU： GTX 1060，6 G顯存；軟件環(huán)境為：Windows 10；編程語(yǔ)言為Python，python語(yǔ)言有強(qiáng)大的類庫(kù)，是一種解釋型、交互式、面向?qū)ο蟮哪_本程序設(shè)計(jì)語(yǔ)言，具有廣泛的應(yīng)用；算法實(shí)現(xiàn)依托的工具為TensorFlow機(jī)器學(xué)習(xí)框架和PyCharm集成開發(fā)環(huán)境。TensorFlow是一個(gè)采用數(shù)據(jù)流圖，用于數(shù)值計(jì)算的開源軟件庫(kù)，被廣泛用于機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究。木材缺陷圖像數(shù)據(jù)集樣本總數(shù)為1 139幅，其中死節(jié)(437幅)，蟲眼(342幅)，活節(jié)(360幅)3類，每個(gè)樣本尺寸為400 pixel×500 pixel。

3.3 算法實(shí)現(xiàn)流程

本文選用死節(jié)、蟲眼和活節(jié)3種典型木材缺陷圖像進(jìn)行檢測(cè)。蟲眼和死節(jié)圖像的目標(biāo)和背景差異較明顯，在圖像平滑后使用線性濾波可使圖像背景區(qū)域像素值提高，與目標(biāo)區(qū)域差異變大，更接近白色?；罟?jié)圖像在節(jié)子和木材背景之間差異較小，整體像素值較大，因此不需要使用線性濾波處理圖像來提升像素值。具體算法步驟如下：

圖3 算法實(shí)現(xiàn)流程圖Fig.3 Flow chart of algorithm implementation

步驟1：利用標(biāo)注好的木材缺陷圖像對(duì)Faster-RCNN深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到具有對(duì)木材缺陷圖像定位和分類能力的檢測(cè)模型；

步驟2：使用訓(xùn)練好的模型對(duì)原始圖像進(jìn)行檢測(cè)，獲取木材缺陷邊框及缺陷類別；

步驟3：使用NL-Means方法對(duì)原始木材缺陷圖像去除噪聲；

步驟4：根據(jù)Faster-RCNN檢測(cè)模型識(shí)別出的缺陷類型，決定是否對(duì)去噪后的圖像使用線性濾波方法對(duì)圖像進(jìn)行增強(qiáng)處理，擴(kuò)大木材缺陷邊界與背景之間差異；

步驟5：對(duì)線性濾波處理后的圖像提升對(duì)比度和亮度，之后再進(jìn)行二值化操作，使背景區(qū)域的像素值達(dá)到最大，通過截?cái)嗖僮?，區(qū)分背景區(qū)域與前景區(qū)域；

步驟6：對(duì)二值化處理后的圖像，在Faster-RCNN所確定的邊框內(nèi)，消除離散點(diǎn)，根據(jù)像素差異提取邊緣，并獲取木材缺陷的邊緣特征點(diǎn)集；

步驟7：使用改進(jìn)的橢圓擬合算法求出木材缺陷的優(yōu)選輪廓。

算法流程如圖3所示。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)與結(jié)果

本文選取死節(jié)、蟲眼、活節(jié)3種典型的彩色木材缺陷圖像對(duì)其進(jìn)行實(shí)驗(yàn)，木材表面缺陷圖像如圖4所示。其中(a)和(b)分別是不帶紋理和帶紋理的死節(jié)圖像，(c)和(d)分別是缺陷區(qū)域和背景差異較小和缺陷區(qū)域和背景差異較大的蟲眼圖像，(e)和(f)分別是活節(jié)與背景相似程度較大和活節(jié)與背景相似程度較小的活節(jié)圖像。

圖4 木材表面缺陷圖像Fig.4 Defect images of wood surface

使用訓(xùn)練好的Faster-RCNN網(wǎng)絡(luò)對(duì)實(shí)驗(yàn)樣本進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖5所示。從圖5可以看出，本文算法不但可以準(zhǔn)確對(duì)缺陷進(jìn)行定位，而且將缺陷的全部區(qū)域標(biāo)定出來，具有較好的缺陷識(shí)別能力。

對(duì)比多次試驗(yàn)效果，本文算法各步驟參數(shù)值選擇如下：在對(duì)圖片進(jìn)行分割時(shí)，首先，使用NL-Means方法對(duì)圖像進(jìn)行去噪，式(4)中濾波系數(shù)h取值為50；然后利用線性濾波方法實(shí)現(xiàn)圖像增強(qiáng)，當(dāng)識(shí)別結(jié)果是死節(jié)和蟲眼時(shí)，圖2中參數(shù)m5取值為11，其他參數(shù)值取值為-1；當(dāng)識(shí)別結(jié)果為活節(jié)時(shí)，m5取值為1，其他參數(shù)值取值為0；其次，對(duì)圖像進(jìn)行增大對(duì)比度和亮度操作，式(5)中對(duì)比度系數(shù)a取5，亮度系數(shù)b取2.5，保存像素值在250～255的點(diǎn)，并進(jìn)行二值化處理，若像素周圍與它像素值相同的點(diǎn)的數(shù)量小于5，將它作為離散點(diǎn)并消除；最后，使用Sobel算子根據(jù)像素差異提取缺陷邊緣特征點(diǎn)集，選擇定位邊框內(nèi)最大的連通域，并對(duì)點(diǎn)逐個(gè)判斷，保留距離連通域較近的點(diǎn)作為缺陷邊緣，實(shí)現(xiàn)了對(duì)木材缺陷圖像的精細(xì)分割。

圖5 缺陷分類及定位結(jié)果Fig.5 Defect classification and location results

圖6 木材表面缺陷分割過程Fig.6 Segmentation of wood surface defects

4.2 分割效果分析

將提取的缺陷邊緣內(nèi)部進(jìn)行填充，填充后的圖像如圖7所示。從圖7中可以看出，采用本文算法分割后的圖像，受背景區(qū)域影響較小，輪廓曲線比較平滑，沒有過分分割的情況，達(dá)到了比較好的效果。

圖7 木材表面缺陷分割結(jié)果Fig.7 Segmentation of wood surface defects

為了評(píng)價(jià)本文提出算法對(duì)木材缺陷分割的效果，將本文方法分割出的圖像與人工分割出的理想目標(biāo)[16]進(jìn)行對(duì)比，以漏分率(Leakage Rate，LR)、錯(cuò)分率(Misclassification Rate，MR)和相似率(Similarity Rate，SR)作為評(píng)價(jià)標(biāo)準(zhǔn)。定義的標(biāo)準(zhǔn)目標(biāo)圖像和本文分割圖像分別為Igold-truth、Isegmented。

漏分率LR定義如式(9)所示:

(9)

錯(cuò)分率MR定義如式(10)所示:

(10)

相似率SR定義如式(11)所示:

(11)

利用式(9)～式(11)對(duì)分割后圖像進(jìn)行計(jì)算，缺陷圖像分割評(píng)價(jià)結(jié)果如表1所示，從表1中可以看出，本文算法分割后的圖像具有較小的漏分率和錯(cuò)分率，具有較大的相似率，分割效果較好。

4.3 缺陷修補(bǔ)填充量減少效果分析

在實(shí)際生產(chǎn)中，一般只對(duì)死節(jié)和蟲眼等對(duì)木材結(jié)構(gòu)性能影響較大的缺陷進(jìn)行加工，對(duì)活節(jié)這種影響較小的缺陷不做處理。為保持板材較大的幅面，對(duì)木材缺陷比較好的處理方法是先將缺陷部分切除，隨后填充相應(yīng)大小的優(yōu)質(zhì)木料，如果切除區(qū)域過多，相應(yīng)填充區(qū)域也較大。

表1 木材缺陷圖像分割性能評(píng)價(jià)Tab.1 Evaluation of wood defect image segmentation performance (%)

對(duì)缺陷的邊緣特征點(diǎn)集采用改進(jìn)的橢圓擬合方法進(jìn)行橢圓擬合，式(8)中參數(shù)λ取值為1.005，為了評(píng)價(jià)所獲取的優(yōu)選擬合輪廓效果，與木材加工企業(yè)采用的人工劃線方法識(shí)別木材表面缺陷確定的方案進(jìn)行對(duì)比，將缺陷輪廓上下左右的4個(gè)極值所確定的矩形作為原方案，則可減少的木材填充率(Reduced Filling Rate，RFR)如式(12)所示：

(12)

式中：wi和hi分別為第i個(gè)樣本矩形框的寬和高，ai和bi分別為第i個(gè)樣本橢圓擬合后的長(zhǎng)軸和短軸長(zhǎng)。原始方案與新方案填充區(qū)域如圖8所示，通過對(duì)比可以看出，采用本文方法擬合的輪廓不但包含全部缺陷部分，還大大降低了木材的切削量，對(duì)每個(gè)實(shí)驗(yàn)圖像測(cè)算RFR結(jié)果如表2所示，可以看出本文方法大大降低了死節(jié)缺陷和活節(jié)缺陷在加工時(shí)的木材消耗，在一定程度上降低了蟲眼缺陷加工時(shí)的木材消耗。結(jié)合實(shí)際生產(chǎn)情況，進(jìn)一步對(duì)全部樣本中死節(jié)和蟲眼樣本進(jìn)行測(cè)算，可在缺陷修補(bǔ)這一步減少約10%的木材填充量。

圖8 優(yōu)選分割方案與原方案對(duì)比Fig.8 Comparing of the optimum segmentation scheme with the original scheme

死節(jié)(a)死節(jié)(b)蟲眼(c)蟲眼(d)活節(jié)(e)活節(jié)(f)RFR10.9917.045.544.5919.7012.09

4.4 算法運(yùn)行時(shí)間分析

本文算法中邊框檢測(cè)、圖像分割、輪廓擬合所需時(shí)間如表3所示，結(jié)合表3與圖像可以看出，每個(gè)樣本邊框檢測(cè)和輪廓擬合兩個(gè)步驟所耗費(fèi)時(shí)間相對(duì)較少，而圖像分割所耗費(fèi)的時(shí)間占總流程耗費(fèi)時(shí)間比重較大，圖像分割耗費(fèi)的時(shí)間與缺陷區(qū)域面積呈正相關(guān)。當(dāng)缺陷區(qū)域較小時(shí)，耗費(fèi)時(shí)間較少，當(dāng)缺陷區(qū)域較大時(shí)，耗費(fèi)時(shí)間相對(duì)較多?？傮w來說，本文算法花費(fèi)時(shí)間較少，可以在較短的時(shí)間實(shí)現(xiàn)木材缺陷的識(shí)別與定位、分割和輪廓擬合，可以在較短的時(shí)間內(nèi)獲取木材缺陷的加工方案。

表3 木材缺陷圖像處理時(shí)間Tab.3 Image processing time of wood defects (s)

5 結(jié) 論

本文結(jié)合Faster-RCNN目標(biāo)檢測(cè)模型、NL-Means方法和線性濾波等方法，實(shí)現(xiàn)了對(duì)木材死節(jié)、蟲眼、活節(jié)的識(shí)別與分割。實(shí)驗(yàn)表明，本文算法可以準(zhǔn)確識(shí)別出缺陷類型、確定缺陷的定位邊框。該算法不僅對(duì)具有較明顯邊緣的死節(jié)、蟲眼有很好的分割效果，而且對(duì)邊緣不明顯的活節(jié)也具有很好的分割效果，降低了噪聲對(duì)分割的影響，使缺陷的輪廓更為平滑清晰。采用改進(jìn)的最小二乘法擬合橢圓可以較好地?cái)M合缺陷輪廓，相比傳統(tǒng)人工劃線方法確定方案，使用本文方案通過銑削方式加工木材缺陷不但提高了加工的自動(dòng)化水平，還在缺陷修補(bǔ)這一環(huán)節(jié)，平均可減少約10%的木材填充量，節(jié)省了大量的木材。本文提出方法可為木材企業(yè)加工生產(chǎn)以及相關(guān)研究提供相應(yīng)的理論參考。