基于閾值分割的單板穿孔缺陷識(shí)別算法研究

李應(yīng)果，楊 潔

(西南林業(yè)大學(xué) 機(jī)械與交通學(xué)院，云南 昆明 650224)

膠合板是我國(guó)目前產(chǎn)量最大的人造板之一，它是通過(guò)由PF樹(shù)脂或其他性能相當(dāng)?shù)哪z黏劑膠合將旋切單板膠合形成。我國(guó)林業(yè)產(chǎn)業(yè)相對(duì)不發(fā)達(dá)，旋切單板所需的大徑木材供應(yīng)匱乏[1]。因此，針對(duì)旋切單板質(zhì)量的高效分選及高效利用就顯得尤為重要。美國(guó)、日本和德國(guó)等國(guó)家，已將超聲波、射線和微波等無(wú)損檢測(cè)技術(shù)[2]應(yīng)用于木材檢測(cè)中。但這些檢測(cè)手段仍存在一定局限性。比如射線法設(shè)備成本較高，檢測(cè)工作過(guò)程中需要必要的保護(hù)設(shè)施；微波法檢測(cè)木材缺陷及物理性質(zhì)時(shí)受到木材含水率的影響[3]。近幾年，我國(guó)學(xué)者也在不斷進(jìn)行木材缺陷檢測(cè)技術(shù)的研究，如基于改進(jìn)C-V模型的木材缺陷彩色圖像分割方法[4]；基于OTSU算法的木材缺陷圖像分割[5-6]；基于空頻變換的木材缺陷圖像分割[7]；對(duì)木材試件進(jìn)行試驗(yàn)?zāi)B(tài)分析[8]；基于權(quán)重系數(shù)的木材圖像增強(qiáng)方法等[9-10]。以上各種缺陷檢測(cè)方法多是基于原木缺陷特征檢測(cè)，很難滿足單板分選過(guò)程的實(shí)際生產(chǎn)需求。目前，國(guó)內(nèi)的單板生產(chǎn)過(guò)程在針對(duì)單板缺陷的識(shí)別中主要是通過(guò)人眼觀察完成，人工識(shí)別不僅成本較高而且效率較低，還容易受到人為主觀的影響。通過(guò)計(jì)算機(jī)圖像處理技術(shù)可以提高單板缺陷的識(shí)別效率和準(zhǔn)確性，該技術(shù)的一個(gè)重要環(huán)節(jié)就是如何基于圖像處理技術(shù)的圖像分割算法將穿孔缺陷的區(qū)域與背景區(qū)域準(zhǔn)確地分開(kāi)[11]。

現(xiàn)如今，已經(jīng)存在很多種圖像分割方法，這些方法的使用范圍和分割效果也各不相同，但是從核心技術(shù)上講，這些方法大致可以劃分為以下3類(lèi)：基于邊緣的圖像分割方法；基于區(qū)域的圖像分割方法；基于閾值的圖像分割方法[12]。閾值分割方法相比于其他2種方法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、運(yùn)算效率較高，常被用于對(duì)運(yùn)算效率要求較高的場(chǎng)合。本研究主要針對(duì)基于閾值的圖像分割算法在單板缺陷圖像分割的研究，通過(guò)模擬單板生產(chǎn)過(guò)程使用工業(yè)攝像機(jī)采集含有缺陷的木單板圖片，采用4種分割閾值方法分離目標(biāo)與背景區(qū)域，通過(guò)分割效果、閾值選取和運(yùn)算速度三個(gè)方面評(píng)價(jià)4種方法的優(yōu)劣，隨后采用連通域標(biāo)記的方法濾除對(duì)膠合過(guò)程沒(méi)有影響的穿孔區(qū)域，為后續(xù)自動(dòng)分選及自動(dòng)修補(bǔ)工作提供有力的依據(jù)。

1 材料與方法

1.1 流程安排

單板穿孔缺陷的識(shí)別流程見(jiàn)圖1。采集圖片過(guò)程中放置單板實(shí)驗(yàn)臺(tái)模擬實(shí)際生產(chǎn)中木單板輸送帶底色為綠色(即穿孔缺陷區(qū)域顯示為綠色)，對(duì)采集的樣本圖像基于彩色圖像的RGB空間分離輸出第1個(gè)分量的灰度圖。采用二維中值濾波方法去除非線性噪聲；采用4種分割閾值方法做圖像分割對(duì)比試驗(yàn)，將目標(biāo)與背景區(qū)域分離。

1.2 單板圖像采集

采用深圳云朗科技有限公司生產(chǎn)的型號(hào)為MOKOSE UC30的CMOS工業(yè)相機(jī)和承谷電子公司生產(chǎn)的型號(hào)為WR63HW LED環(huán)形光源連接MATLAB2020b平臺(tái)實(shí)現(xiàn)圖像采集。每張單板尺寸為100 mm×60 mm×2 mm，圖像尺寸為1 920×1 080像素。計(jì)算機(jī)使用配置為：64位Windows10操作系統(tǒng)，處理器為Intel(R)Core(TM)i5-8250U CPU @1.60 GHz 1.80 GHz，安裝內(nèi)存為4.00 GB，硬盤(pán)容量為1 000 GB。共采集30張(蟲(chóng)蛀樣本、死節(jié)樣本、裂口樣本各10張)含缺陷木單板圖像并保存。

1.3 圖像預(yù)處理和圖像分割

樣本3個(gè)分量的灰度圖中R分量灰度圖的穿孔區(qū)域與背景區(qū)域灰度值差異最大，因此選用R分量灰度圖進(jìn)行下一步處理。針對(duì)單板加工環(huán)境中的灰塵等因素造成的黑點(diǎn)和不規(guī)則木質(zhì)紋理等非線性噪聲，對(duì)圖像采用二維中值濾波的方法降噪[13]，為下一步圖像分割處理作準(zhǔn)備。

基于閾值的分割是一種求出最優(yōu)灰度值作為閾值的分割方法。即在一幅圖像中根據(jù)灰度分布特點(diǎn)先確定1個(gè)灰度值當(dāng)做初始閾值，接下來(lái)對(duì)初始值進(jìn)行改進(jìn)，直至選出最優(yōu)的閾值，目的是能夠有效地把占據(jù)不同區(qū)域、具有不同特性的目標(biāo)從背景中分離出來(lái)[14]。具體步驟：獲取最優(yōu)的分割閾值；將最優(yōu)閾值與圖像中的每一個(gè)像素灰度值進(jìn)行比較；將比閾值小的像素設(shè)置為背景，比閾值大的像素設(shè)置為目標(biāo)，實(shí)現(xiàn)圖像二值化。

1.3.1 迭代閾值法 迭代閾值法是通過(guò)逼近方法不斷用前值推出后值迭代過(guò)程。具體操作是預(yù)先設(shè)置全局均值作為初始閾值，使用該值將圖像分成兩部分，后續(xù)新的閾值為前一步中2個(gè)部分均值的平均值。不斷重復(fù)以上步驟直到后續(xù)迭代中前后2個(gè)相鄰閾值的差小于0.5，取后值作為迭代閾值法得到的閾值。

1.3.2 最大類(lèi)間方差閾值法 最大類(lèi)間方差閾值法是由日本學(xué)者大津在1979年提出的，又被稱為大津閾值法[15]。該方法基本思想是一幅圖像中檔背景與目標(biāo)區(qū)域之間類(lèi)方差越大，說(shuō)明構(gòu)成圖像兩部分的差別越大。因此，類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。

設(shè)有一幅圖像f，圖像總的像素?cái)?shù)為n，nq表示灰度級(jí)為q的像素個(gè)數(shù)?；叶确秶?0，L-1)，灰度級(jí)為L(zhǎng)。pq則表示像素級(jí)為q的像素出現(xiàn)的概率。即

(1)

大津閾值法選擇閾值k，使得2個(gè)集合C1、C2的發(fā)生概率P1(k)、P2(k)分別為

(2)

(3)

其類(lèi)間方差為：

σ2(k)=P1(k)[m1-mG]2+P2(k)[m2-mG]2

(4)

式中：m1為集合C1中的像素的平均值；m2為集合C2中的像素的平均值。全局均值mG的表示為

(5)

σ2(k)為最大值對(duì)應(yīng)的k值，即為圖像分割的最佳閾值點(diǎn)。

k=argmax{σ2(k)},0≤k≤L-1

(6)

1.3.3 最大熵閾值法 利用圖像熵為準(zhǔn)則進(jìn)行圖像分割是由Kapuret提出來(lái)，是目前使用較為廣泛的一種圖像熵分割方法。信息熵表示從信息源中可能獲得的信息的大小。給定一個(gè)特定的閾值q(0≤q

(7)

(8)

(9)

(10)

p0(q)和p1(q)分別表示的是q閾值分割的背景和前景像素的累計(jì)概率，兩者之和為1。設(shè)圖像大小為M×N

(11)

背景對(duì)應(yīng)的熵表示為

(12)

前景對(duì)應(yīng)的熵表示為

(13)

在閾值為q的情況下，圖像的總熵表示為

H(q)=H0(q)+H1(q)

(14)

圖像的熵最大時(shí)的灰度值即分割閾值q為

q=argmaxH(q)

(15)

1.3.4 遺傳算法的最大熵閾值法 遺傳算法(genetic algorithm)最早是由美國(guó)的John holland于20世紀(jì)70年代提出的。其思想是將所求問(wèn)題每一種可能編碼為一個(gè)個(gè)體，然后通過(guò)多個(gè)個(gè)體組成群體再通過(guò)遺傳算子一代代不斷地進(jìn)化，保留好的個(gè)體去除差的個(gè)體。最終根據(jù)預(yù)定的適應(yīng)度值求得問(wèn)題的最優(yōu)解[16]。

1.3.4.1 采用8位二進(jìn)制編碼對(duì)個(gè)體進(jìn)行編碼，在0到255隨機(jī)生成20個(gè)的初始種群作為父代個(gè)體，確定適應(yīng)度函數(shù)最大熵函數(shù)。采用輪賭式的方法進(jìn)行選擇操作，設(shè)置交叉率為0.6，變異概率為0.03，最大迭代步數(shù)為100。

1.3.4.2 進(jìn)行條件判斷，如果當(dāng)適應(yīng)度前后值之間差值小于0.03或者達(dá)到最大迭代次數(shù)，則執(zhí)行下一步；否則對(duì)群體進(jìn)行選擇、交叉、變異等操作生成新群體，然后將其作為下一次迭代計(jì)算的父代個(gè)體種群，重復(fù)以上步驟直到條件符合。

1.3.4.3 采用輸出的最高適應(yīng)值所對(duì)應(yīng)的閾值進(jìn)行圖像分割，并退出程序(圖2)。

1.3.5 連通域處理 圖像分割處理后，圖像中還存在一些孤立噪聲點(diǎn)和非必須填補(bǔ)的穿孔區(qū)域，如果不濾除這些小目標(biāo)區(qū)域和噪聲塊，會(huì)導(dǎo)致后期修補(bǔ)工序增加不必要的工作量。因此可以通過(guò)連通域分析法對(duì)這些小面積穿孔區(qū)域和噪聲塊進(jìn)行濾除處理。二值連通域是指由圖像中具有相同像素值且位置按照某種聯(lián)通方式相鄰的像素點(diǎn)所構(gòu)成的集合區(qū)域。通常連通域標(biāo)準(zhǔn)可以分為2種(圖3)。一種是4連通域，指的是位于坐標(biāo)(x,y)處的像素點(diǎn)P有4個(gè)水平和垂直(即上、下、左、右)的相鄰像素；另一種是8連通域，指的是一個(gè)像素點(diǎn)和在其所有相鄰位置的像素點(diǎn)(即除了4連通所包含的4個(gè)像素外還包含4個(gè)對(duì)角位置的相鄰像素)所組成的區(qū)域。

2 結(jié)果與分析

根據(jù)現(xiàn)行國(guó)家原木缺陷標(biāo)準(zhǔn)，木材缺陷分為節(jié)子、裂紋、干形缺陷、木材結(jié)構(gòu)缺陷、真菌造成的缺陷、傷害6類(lèi)[17]。單板常見(jiàn)穿孔缺陷一般為徑木中蟲(chóng)蛀、死節(jié)和單板整理環(huán)節(jié)外力損壞造成的裂口。本研究主要區(qū)分在機(jī)器視覺(jué)條件下單板的非穿孔類(lèi)缺陷和穿孔類(lèi)缺陷。選用有代表性的蟲(chóng)蛀、活節(jié)、死節(jié)和裂口缺陷樣本與完整樣本進(jìn)行試驗(yàn)。所有圖像采集、圖像預(yù)處理、圖像分割、連通域處理等步驟均通過(guò)MATLAB R2020b環(huán)境下編程實(shí)現(xiàn)(本文中實(shí)際樣本尺寸與所有試驗(yàn)圖像比例尺為1∶6.25)。

2.1 圖像采集及預(yù)處理

由圖4可見(jiàn)，分別是3種缺陷樣本的彩色圖(其中綠色區(qū)域?yàn)槟M生產(chǎn)中輸送帶顏色)、 基于RGB空間輸出的R分量灰度圖、二維中值濾波結(jié)果圖。

在RGB彩色空間中，R分量在缺陷區(qū)域貢獻(xiàn)度最低(即灰度值最小)，與背景區(qū)域灰度值差異最大。采用二維中值濾波操作可以濾除圖像中的非線性噪聲，有利于減少噪聲對(duì)分割試驗(yàn)的影響。

2.2 圖像分割及連通域處理

為了對(duì)比上述4種閾值分割方法的性能，分別將中值濾波后的3種圖像缺陷作為樣本對(duì)上述4種閾值分割后的效果圖從目標(biāo)缺陷區(qū)域分割的有效性和獲取的閾值、運(yùn)算時(shí)間方面進(jìn)行對(duì)比。首先，通過(guò)目標(biāo)缺陷區(qū)域分割的有效性來(lái)進(jìn)行對(duì)比，分析圖5可以得出迭代閾值法獲取的閾值整體上分割質(zhì)量也不夠理想，特別是在蟲(chóng)蛀圖中受背景噪聲干擾嚴(yán)重，同時(shí)利用迭代閾值分割法提取的缺陷區(qū)域與實(shí)際缺陷相比存在一定程度的欠分割問(wèn)題；大津閾值法獲取的閾值分割圖像雖然能夠較好地排除背景區(qū)域的干擾，較完整地分割出目標(biāo)區(qū)域，但與迭代閾值法一樣，在蟲(chóng)蛀缺陷的提取中較實(shí)際缺陷存在一定程度的欠分割問(wèn)題；最大熵閾值法能夠較為完整分割出目標(biāo)區(qū)域，邊緣連貫清晰。但是受到背景噪聲影響較大，雖然能做到提取的缺陷區(qū)域與實(shí)際缺陷區(qū)域基本相同，但是在背景中出現(xiàn)多個(gè)大面積噪聲塊，整體分割效果較差；基于遺傳算法的最大熵閾值法能夠完整將目標(biāo)缺陷區(qū)域從背景中分離出來(lái)，不僅能做到提取的缺陷區(qū)域與實(shí)際缺陷區(qū)域基本相同，而且對(duì)背景的噪聲有較好的抑制作用，在背景中僅出現(xiàn)一些微小的噪聲，有很好的分割效果，有利于后期目標(biāo)缺陷屬性的進(jìn)一步提取，是一種適合本研究的分割方法。同時(shí)，由表1和圖6得出引進(jìn)遺傳算法可以提高最大熵閾值分割方法的運(yùn)算速度，并且能夠優(yōu)化閾值的選取。圖5和圖7結(jié)果表明采用閾值分割方法結(jié)合連通域處理的方法可以進(jìn)一步濾除背景中的噪聲塊和過(guò)小的穿孔缺陷區(qū)域。

表1 4種閾值分割法閾值與求取閾值平均時(shí)間Table.1 Threshold values and average operation schedule of the four threshold segmentation methods

3 結(jié)論

采集的單板圖像基于RGB彩色空間轉(zhuǎn)化成灰度圖后，采用迭代閾值法、大津閾值法、最大熵閾值法和基于遺傳算法的最大熵閾值法結(jié)合4種閾值分割算法的試驗(yàn)。結(jié)果表明，基于遺傳算法的最大熵閾值法相比于其他3種算法能夠更準(zhǔn)確地分割出目標(biāo)區(qū)域，對(duì)背景噪聲的抑制也是四者中最優(yōu)。對(duì)比4種分割算法對(duì)所有樣本處理的平均運(yùn)行速度，基于遺傳算法的最大熵閾值分割算法的平均運(yùn)行速度優(yōu)于其他3種。綜上所述，基于遺傳算法的最大熵閾值分割算法在本研究中優(yōu)于其他3種算法，結(jié)合八連通域標(biāo)記處理方法可以進(jìn)行有效分割的同時(shí)濾除小穿孔區(qū)域，該方法對(duì)于提取單板中各種形狀的蟲(chóng)蛀、死節(jié)、裂口缺陷有無(wú)差別的提取效果，能夠?yàn)閱伟遄詣?dòng)修補(bǔ)奠定基礎(chǔ)。