胡峻峰 曹軍 趙亞鳳

(東北林業(yè)大學(xué)，哈爾濱，150040)

責(zé)任編輯:張 玉。

機器視覺，由于其具有無損、快速、準(zhǔn)確等優(yōu)點，在木材檢測領(lǐng)域得到了廣泛應(yīng)用，在原木檢尺、木材缺陷分析、鋸材外觀分等、木材顏色分析及評定、木材特征分析、樹種識別、木材紋理特征分析、木材微觀特征分析中取得了大量成果［1］，為木材加工自動化提供了技術(shù)手段。在木材表面缺陷識別方面，近十幾年中，國外研究者提出了很多有效的紋理和缺陷特征描述子，并結(jié)合非監(jiān)督的聚類防火或者監(jiān)督學(xué)習(xí)的支持向量機、神經(jīng)網(wǎng)絡(luò)等，實現(xiàn)了木材表面缺陷識別、木材紋理分類［2-11］。

隨機森林(Random Forests，RF)算法，是一種較新的模型預(yù)測和分類算法，相對于其他分類算法而言，隨機森林有著更快的計算速度、更強的抗噪聲能力，并能自然處理多分類問題，能自然避免過擬合。從算法提出至今，在生物學(xué)、醫(yī)學(xué)和經(jīng)濟學(xué)等多領(lǐng)域，特別是交叉領(lǐng)域得到了廣泛的應(yīng)用。由于隨機森林算法有非?？斓倪\算速度，在分類問題上表現(xiàn)優(yōu)異，為此，本文嘗試?yán)秒S機森林算法，進(jìn)行木材表面圖像的分類。以實木地板缺陷為研究對象，結(jié)合缺陷特征，對分割后的實木地板缺陷圖像進(jìn)行快速分類，旨在保證在線分選的實時性。

1 隨機森林的理論概述

與其他學(xué)習(xí)分類算法一樣，隨機森林算法有模型建立和預(yù)測2 個步驟。模型建立過程即訓(xùn)練過程，利用決策樹對模型進(jìn)行訓(xùn)練。在隨機森林中有很多的決策樹，并且每一棵決策樹之間沒有關(guān)聯(lián);根據(jù)輸入的特征信息和人工專家分類標(biāo)簽，建立隨機森林模型，構(gòu)建森林的過程為訓(xùn)練過程。在線分等過程中，攝像頭采集實木地板表面圖像，提取特征，作為隨機森林模型的輸入，讓每一棵決策樹并行判斷該樣本屬于哪一類，再根據(jù)決策樹投票數(shù)量預(yù)測輸入樣本最終歸為哪一類。

隨機森林是基于Bootstrap 方法的重采樣，產(chǎn)生多個訓(xùn)練集。設(shè)樣本的屬性個數(shù)為M，m 是滿足條件0＜m＜M 的整數(shù)，隨機森林算法的實現(xiàn)可分為6 步:

(1)選用Bootstrap 方法對樣本進(jìn)行重采樣，隨機生成T 個訓(xùn)練子集(S1，S2，…，ST)，對于給定的1個訓(xùn)練樣本，通過n 次隨機的可重復(fù)的采樣，從數(shù)據(jù)(x1，y1)…(xn，yn)出發(fā)，構(gòu)建一個Bootstrap 樣本(x1*，y*1)…(x*n，y*n)。

(2)利用每個訓(xùn)練集進(jìn)行訓(xùn)練，生成對應(yīng)的決策樹(C1，C2，…，CT);逐個在決策樹的中間節(jié)點選擇屬性，從M 個屬性中隨機選取m 個屬性，構(gòu)成當(dāng)前選擇節(jié)點的分裂屬性集;并且在這m 個屬性中選取最好的分裂方式，對選定節(jié)點隨機分裂;在整個森林構(gòu)建過程中，保持m 的值始終不變。

(3)每棵決策樹都充分生長，不進(jìn)行剪枝處理。

(4)利用對應(yīng)的決策樹對輸入的測試樣本(X)進(jìn)行分析預(yù)測，得到對應(yīng)的類別C1(X)，C2(X)，…，CT(X)。

(5)采用投票的方法，計算所有的投票數(shù);在T個決策樹中輸出最多的類，為測試集樣本(X)最終所屬類別。

高中階段是學(xué)生最為關(guān)鍵的發(fā)展階段和學(xué)習(xí)階段，所以在進(jìn)行課程教學(xué)方法應(yīng)用的過程中，廣大教師更需要根據(jù)學(xué)生的實際情況，結(jié)合其身心特點，制訂良好的培養(yǎng)和教育方案。學(xué)科培養(yǎng)的本質(zhì)就是學(xué)科素養(yǎng)，這一工作在高中歷史課程教學(xué)中同樣占據(jù)著十分重要的位置，能良好地促進(jìn)學(xué)生全面開展歷史學(xué)科的學(xué)習(xí)。歷史素養(yǎng)的主要組成環(huán)節(jié)有知識、能力、正確的價值觀、歷史意識等。課標(biāo)指出：普通高中在進(jìn)行歷史課程教學(xué)中要將歷史唯物主義作為指導(dǎo)思想，使學(xué)生逐漸掌握人類歷史的發(fā)展情況，對學(xué)生的人文素養(yǎng)進(jìn)行培養(yǎng)，從而促進(jìn)學(xué)生得到更有效的發(fā)展。因此，在當(dāng)前教育背景下，教師如何對學(xué)生進(jìn)行歷史素養(yǎng)培養(yǎng)就是當(dāng)前最為關(guān)鍵的問題。

(6)與測試集的分類標(biāo)簽比較，計算隨機森林正確分類的比例。

2 缺陷圖像特征提取

圖像的特征可用很多方式描述，其中顏色特征、紋理特征、形狀特征、空間關(guān)系特征，是常用的4 種［14］。本文對分割后的缺陷圖像，提取顏色特征、形狀特征、Tamura 紋理特征、灰度共生矩陣4類特征。

2.1 顏色特征

為了避免不同的光照條件、材質(zhì)顏色不同，對顏色分量產(chǎn)生的影響，將Lab 顏色空間的3 個分量(L、a、b)均勻劃分，設(shè)Lab 三維顏色空間的L、a、b 分量中都有20 個bin，在顏色空間范圍內(nèi)做平均。將統(tǒng)計的直方圖歸一化，用L、a、b 各分量中計算子色彩bin 在每個分量上的密度(即不同缺陷特征中，各個bin 的像素占該子區(qū)域總像素數(shù)的百分比)，衡量它在顏色上的分布特征。本文利用平均強度作為特征，用公式(1)計算。

式中:Li、ai、bi為L、a、b 各分量中第i 個bin 的像素點數(shù)。對于活節(jié)、死節(jié)、蟲眼，其歸一化顏色集分布如圖1所示?？梢?，3 類不同缺陷顏色直方圖，在特征分布形狀和數(shù)值上都有較大差別，可以用來進(jìn)行缺陷類別的區(qū)分。根據(jù)缺陷大小不同，其提取時間會有差別。在配置Intel 酷睿處理器、主頻2.2 GHz、內(nèi)存2.0 GB 的PC 機上，基于Matlab2013b 平臺(以后的其他操作均基于該配置和平臺)，提取時間小于0.15 s。

圖1 不同缺陷的顏色直方圖

2.2 形狀特征

實木地板表面缺陷提取周長、面積、外接矩形長寬比、矩形度、致密度、位置、圓形性，共7 個參數(shù)描述其形狀特征。周長、面積為分割后缺陷的邊緣周長和面積;外接矩形長寬比描述缺陷形狀特征，長寬比越大，表現(xiàn)為越細(xì)長;矩形度指的是目標(biāo)的面積與其最小外接矩形的面積之比，反映了目標(biāo)對其外接矩形的填充程度;致密度為周長的平方與面積的比值，致密度大是單位面積的周長大，意味著區(qū)域離散，形狀相對復(fù)雜，反之則為簡單形狀;位置可以通過目標(biāo)區(qū)域的面積中心表示，目標(biāo)區(qū)域的質(zhì)心為該區(qū)域面積中心;圓形性通過缺陷區(qū)域的邊界點表示，為目標(biāo)缺陷所有邊界距重心之間距離的平均值與距離均方差的比值，當(dāng)區(qū)域形狀趨向于圓形變化時，始終單調(diào)遞增并趨向于無窮大。

外接矩形用最小外接矩形的做法，在90°范圍內(nèi)將缺陷特征邊界以每次3°左右的增量旋轉(zhuǎn)，記錄每次旋轉(zhuǎn)所得到的缺陷外接矩形邊界點的坐標(biāo)的最大值和最小值。旋轉(zhuǎn)到某一個角度后，外接矩形的面積達(dá)到最小，取面積最小的外接矩形為需要的外接矩形。

根據(jù)以上的形狀特征，對樣本庫中每種缺陷取200 幅圖像(見表1)。

表1 缺陷形狀特征

已經(jīng)分割出來缺陷的圖像，要得到以上特征參數(shù)，主要有周長、面積統(tǒng)計;最小外接矩行長寬、圓形性計算。統(tǒng)計以上特征的平均時間，計算周長、面積用時0.161 4 s，最小外接矩陣計算用時0.183 0 s，圓形性計算用時1.229 s。

2.3 Tamura 紋理

Tamura 紋理是基于人類的主觀對圖形的認(rèn)知，提出了6 類紋理特征的基本組成元素，包括:粗糙度、對比度、方向度、線性度、規(guī)整度、粗略度;在6 種特征中，粗糙度、對比度、方向度能夠最直觀的體現(xiàn)圖像中的紋理特征。這幾種紋理特征恰好符合人類視覺對目標(biāo)的感知，已經(jīng)被廣泛的應(yīng)用在各種圖像信息檢索系統(tǒng)中。

在Matlab2013b 環(huán)境下，本文提取Tamura 紋理常用的5 個參數(shù)，有粗糙度、對比度、方向度、線性度、粗略度。根據(jù)Tamura 紋理的參數(shù)，對選出的每種缺陷200 幅圖像進(jìn)行計算，得到3 類缺陷的參數(shù)和相應(yīng)的用時(見表2)。

表2 3 種缺陷部分樣本Tamura 紋理特征

2.4 灰度共生矩陣

灰度共生矩陣通過計算灰度圖像得到它的共生矩陣，然后計算共生矩陣得到矩陣的部分特征值，分別代表圖像的某些紋理特征。為了能更直觀地用共生矩陣描述紋理狀況，從共生矩陣可以導(dǎo)出能量、對比度、逆差距、熵、自相關(guān)5 種典型的參數(shù)。能量是灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度;對比度反映了圖像的清晰度和紋理溝紋深淺的程度，紋理溝紋越深，其對比度越大，視覺效果越清晰;逆差距反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少，其值大則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻;熵是圖像所具有的信息量的度量，表示了圖像中紋理的非均勻程度或復(fù)雜程度;自相關(guān)度量空間灰度共生矩陣元素在行或列方向上的相似程度，反映了圖像中局部灰度相關(guān)性，當(dāng)矩陣元素值均勻相等時，相關(guān)值大，反之則小。根據(jù)以上特征參數(shù)，對選出的每類200 幅圖像進(jìn)行計算，得到3 類缺陷的參數(shù)和相應(yīng)的用時(見表3)。

表3 缺陷灰度共生矩陣參數(shù)

3 隨機森林算法在缺陷分類中的應(yīng)用

3.1 基于隨機森林的特征重要性評價

前面對缺陷在顏色、形狀和紋理3 類的不同缺陷特征做了計算，但缺陷對最后分類結(jié)果的重要性如何尚不清楚?？梢钥隙ǖ氖?，不同的缺陷特征對最終的分類結(jié)果有不同的貢獻(xiàn);為了選取最合適的缺陷，需要對特征進(jìn)行篩選。特征重要性檢測中，可以選用方差作為依據(jù)。不同特征類別的方差是不同的。不同缺陷類別的方差越大，說明其相應(yīng)特征值的離散程度越大，與其他特征值相比含有更多的信息;而在同種缺陷之間的特征值方差越小，說明其表征歸屬于同一類的可能越大;一個好的缺陷特征，需要有大的類外方差和小的類間方差。

基于以上思想，筆者利用隨機森林對缺陷重要性進(jìn)行分析。在隨機森林中，利用OOB(袋外數(shù)據(jù))的值計算特征重要性，步驟如下:

(1)對隨機森林中的每一個決策樹，根據(jù)這棵樹的袋外數(shù)據(jù)計算其相應(yīng)的OOB 誤差，記為EOOB1。

(2)對袋外數(shù)據(jù)的所有樣本特征X 中隨機加入噪聲干擾，再次計算樣本特征的OOB 誤差，記為EOOB2。

(3)隨機森林中設(shè)定決策樹數(shù)量為N，特征X的重要性VI可由式(2)計算。

該重要性參數(shù)可以描述為:若某個特征加入隨機噪聲后，OOB 的值大幅降低，誤差減小明顯，說明該特征對樣本分類有很大影響;換言之，其重要性很高。

由于顏色特征有60 維，維數(shù)較多，在比較重要性時，取平均值作為一個重要度;另外，還有形狀特征、Tamura 紋理特征、灰度共生矩陣3 類特征共18維。按照重要性計算公式，對78 維特征計算重要性，并將顏色特征的60 維特征從3 個顏色分量取平均，比較了21 個特征重要性(見表4)。

表4 特征重要性與提取時間

由表4可見:形狀特征的重要性較低，紋理特征和顏色特征重要性較高。本文中由于在線分選的需要，特征提取時間是另外一個非常重要的參數(shù)，本文的特征分析還要考慮特征提取時間。根據(jù)上述的分析過程和平均提取時間，最終獲得各類相關(guān)特征的重要性及提取時間。顏色直方圖在時間性能上最優(yōu)，重要性居中;形狀特征在重要性上表現(xiàn)最差，圓形度的提取也很大;Tamura 紋理在性能上最優(yōu)，特征提取用時居中;灰度共生矩陣整體性能居中，時間性能上最差。從整體性能上比較，Tamura 紋理和顏色直方圖是最優(yōu)的兩組參數(shù)。

3.2 基于隨機森林的缺陷分類實驗結(jié)果

實驗采用的樣本是從現(xiàn)場隨機選取的真實測試樣例。根據(jù)常見的3 類缺陷，每類選取200 個樣本，隨機選取每類缺陷圖像的100 個作為訓(xùn)練樣本，100個作為測試樣本。利用經(jīng)典隨機森林，決策樹規(guī)模為500，隨機輸入個數(shù)為特征值個數(shù)的開方，對4 種不同的特征單獨輸入或者組合輸入，實驗50 次，其分類誤差表現(xiàn)見圖2。

圖2 不同參數(shù)對應(yīng)分類結(jié)果

由圖2可見:單獨利用Tamura 紋理特征和顏色直方圖進(jìn)行分類，結(jié)果比較穩(wěn)定，正確率達(dá)到90%左右，利用灰度共生矩陣，Tamura 紋理特征和形狀特征共18 維特征作為輸入，其分類誤差大部分時候大于Tamura 紋理特征對應(yīng)的分類誤差。在多類特征組合分類實驗后發(fā)現(xiàn)，選擇Tamura 紋理特征和顏色直方圖組合能取得最高的分類精度。筆者在Tamura 紋理特征或顏色直方圖中各取單維特征，設(shè)置100 棵樹進(jìn)行分類，實驗50 次求平均后取整，其混淆矩陣見表5。

表5 混淆矩陣

由表5可見:C2類、C3類圖像混淆的概率遠(yuǎn)大于C1類圖像。是由于死節(jié)和蟲眼在顏色特征和紋理特征上較活節(jié)有較強的相似性，如何提取更加有效的特征區(qū)分死節(jié)和蟲眼，是值得進(jìn)一步研究的問題。

4 結(jié)束語

本文從顏色、形狀、紋理3 類特征中提取出缺陷圖像特征。顏色特征選用顏色集直方圖;形狀特征主要基于最小外接矩陣，提取周長、面積、位置、矩陣、圓形相關(guān)的形狀參數(shù);紋理特征選取灰度共生矩陣、Tamura 紋理參數(shù)。對這些特征參數(shù)，根據(jù)時間和重要度參數(shù)，選取Tamura 紋理和形狀特征作為隨機森林分類器的輸入，其分類精度能達(dá)到95.67%，時間上也能達(dá)到最優(yōu)，為木材表面缺陷在線分類提供了有益的參考。

［1］ 顏志強，曾欽志，張巧玲.機器視覺技術(shù)在木材工業(yè)中的應(yīng)用研究概況［J］.木材加工機械，2013(4):55-59.

［2］ Estévez P A，Perez C A，Goles E.Genetic input selection to a neural classifier for defect classification of radiata pine boards［J］.Forest Products Journal，2003，53(7/8):87-94.

［3］ Silvén O，Niskanen M，Kauppinen H.Wood inspection with nonsupervised clustering［J］.Machine Vision and Applications，2003，13(5/6):275-285.

［4］ Silvén O，Kauppinen H.Recent developments in wood inspection［J］.International Journal of Pattern Recognition and Artificial Intelligence，1996，10(1):83-95.

［5］ Gu Yuhua Irene，Andersson Henrik，Vicen Raul.Wood defect classification based on image analysis and support vector machines［J］.Wood Science and Technology，2010，44(4):693-704.

［6］ Schubert M，Mourad S，Schwarze F W M R.Automated image processing for quantification of blue-stain discolouration of Norway spruce wood［J］.Wood Science and Technology，2011，45(2):331-337.

［7］ Mosorov V，Tomczak L.Image texture defect detection method using fuzzy C-Means clustering for visual inspection systems［J］.Arabian Journal for Science and Engineering，2014，39(4):3013-3022.

［8］ 白雪冰，王林.基于空頻變換的木材缺陷圖像分割［J］.東北林業(yè)大學(xué)學(xué)報，2010，38(8):71-74.

［9］ 徐姍姍，劉應(yīng)安，徐昇.基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識別［J］.山東大學(xué)學(xué)報:工學(xué)版，2013，43(2):23-28.

［10］ 謝永華，趙麗花，王金聰.基于顏色和數(shù)學(xué)形態(tài)學(xué)的木材缺陷檢測研究［J］.現(xiàn)代科學(xué)儀器，2013(2):75-77.

［11］ 王阿川，曹軍，于琳瑛，等.改進(jìn)C-V 模型的木材缺陷彩色圖像分割研究［J］.計算機工程與應(yīng)用，2012，48(5):164-167，206.

［12］ 王志瑞，閆彩良.圖像特征提取方法的綜述［J］.吉首大學(xué)學(xué)報:自然科學(xué)版，2011，32(5):43-47.