论文部分内容阅读
传统的木材缺陷检测主要由人工完成,耗费了大量的人力和物力,而且效率极低。通过机器学习方法自动识别木材缺陷,克服了人工识别存在疲劳和主观因素的影响,实现了对木材表面缺陷的精确定位,提高了板材的利用率,但是其核心的识别技术还需进一步研究。本文研究了木材图像特征提取方法,对提取后的数据进行了聚类分析,进而检测出木材表面缺陷的类型及位置。本文的主要研究内容如下:一、提出了3种木材图像特征提取方法。1、用直方图和颜色矩两种颜色特征提取方法,实现了数据的降维。对降维后的数据用聚类算法识别出木材的缺陷类型并定位缺陷。2、提出了基于灰度共生矩阵和Gabor小波变换的纹理特征提取方法并用聚类算法实现了对木材表面缺陷的识别。3、在通过Gabor小波变换后提出了一种新的基于Gabor+PCA的木材图像特征提取方法,实验部分用K-means、SOM和AP算法对其提取出的数据集进行聚类,实验结果表明基于Gabor+PCA的木材图像纹理特征提取方法具有较好的识别精度。二、提出了基于吸引子传播(AP)聚类算法的木材缺陷识别方法。改进的算法通过多次扫描图像和自动调整P值来提高了聚类效率和聚类精度。通过分别对木材图像特征提取后的数据集用传统的AP算法和改进的AP算法进行比较,发现改进的AP算法在识别精度和效率上都比传统算法表现好。三、提出了基于自组织特征映射(SOM)聚类算法的木材缺陷识别方法。本文通用使用颜色矩特征提取方法提取出的数据集分别用SOM算法和K-means算法对木材表面的缺陷识别,判别SOM聚类方法在木材缺陷识别方面的聚类效果。