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)

膠合板是我國目前產(chǎn)量最大的人造板之一，它是通過由PF樹脂或其他性能相當(dāng)?shù)哪z黏劑膠合將旋切單板膠合形成。我國林業(yè)產(chǎn)業(yè)相對不發(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、日本和德國等國家，已將超聲波、射線和微波等無損檢測技術(shù)[2]應(yīng)用于木材檢測中。但這些檢測手段仍存在一定局限性。比如射線法設(shè)備成本較高，檢測工作過程中需要必要的保護(hù)設(shè)施；微波法檢測木材缺陷及物理性質(zhì)時受到木材含水率的影響[3]。近幾年，我國學(xué)者也在不斷進(jìn)行木材缺陷檢測技術(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]；對木材試件進(jìn)行試驗?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]。以上各種缺陷檢測方法多是基于原木缺陷特征檢測，很難滿足單板分選過程的實際生產(chǎn)需求。目前，國內(nèi)的單板生產(chǎn)過程在針對單板缺陷的識別中主要是通過人眼觀察完成，人工識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。通過計算機(jī)圖像處理技術(shù)可以提高單板缺陷的識別效率和準(zhǔn)確性，該技術(shù)的一個重要環(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[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：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)點是計算簡單、運算效率較高，常被用于對運算效率要求較高的場合。本研究主要針對基于閾值的圖像分割算法在單板缺陷圖像分割的研究，通過模擬單板生產(chǎn)過程使用工業(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，通過分割效果、閾值選取和運算速度三個方面評價4種方法的優(yōu)劣，隨后采用連通域標(biāo)記的方法濾除對膠合過程沒有影響的穿孔區(qū)域，為后續(xù)自動分選及自動修補(bǔ)工作提供有力的依據(jù)。

1 材料與方法

1.1 流程安排

單板穿孔缺陷的識別流程見圖1。采集圖片過程中放置單板實驗臺模擬實際生產(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)，對采集的樣本圖像基于彩色圖像的RGB空間分離輸出第1個分量的灰度圖。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比試驗，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)的型號為MOKOSE UC30的CMOS工業(yè)相機(jī)和承谷電子公司生產(chǎn)的型號為WR63HW LED環(huán)形光源連接MATLAB2020b平臺實現(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，硬盤容量為1 000 GB。共采集30張(蟲蛀樣本、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。針對單板加工環(huán)境中的灰塵等因素造成的黑點和不規(guī)則木質(zhì)紋理等非線性噪聲，對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)灰度分布特點先確定1個灰度值當(dāng)做初始閾值，接下來對初始值進(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[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)，實現(xiàn)圖像二值化。

1.3.1 迭代閾值法 迭代閾值法是通過逼近方法不斷用前值推出后值迭代過程。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 最大類間方差閾值法 最大類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)域之間類方差越大，說明構(gòu)成圖像兩部分的差別越大。因此，類間方差最大的分割意味著錯分概率最小。

設(shè)有一幅圖像f，圖像總的像素數(shù)為n，nq表示灰度級為q的像素個數(shù)。灰度范圍(0，L-1)，灰度級為L。pq則表示像素級為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個集合C1、C2的發(fā)生概率P1(k)、P2(k)分別為

(2)

(3)

其類間方差為：

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)為最大值對應(yīng)的k值，即為圖像分割的最佳閾值點。

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，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概率，兩者之和為1。設(shè)圖像大小為M×N

(11)

背景對應(yīng)的熵表示為

(12)

前景對應(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)最早是由美國的John holland于20世紀(jì)70年代提出的。其思想是將所求問題每一種可能編碼為一個個體，然后通過多個個體組成群體再通過遺傳算子一代代不斷地進(jìn)化，保留好的個體去除差的個體。最終根據(jù)預(yù)定的適應(yīng)度值求得問題的最優(yōu)解[16]。

1.3.4.1 采用8位二進(jìn)制編碼對個體進(jìn)行編碼，在0到255隨機(jī)生成20個的初始種群作為父代個體，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算的父代個體種群，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。因此可以通過連通域分析法對這些小面積穿孔區(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P有4個水平和垂直(即上、下、左、右)的相鄰像素；另一種是8連通域，指的是一個像素點和在其所有相鄰位置的像素點(即除了4連通所包含的4個像素外還包含4個對角位置的相鄰像素)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[17]。單板常見穿孔缺陷一般為徑木中蟲蛀、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)器視覺條件下單板的非穿孔類缺陷和穿孔類缺陷。選用有代表性的蟲蛀、活節(jié)、死節(jié)和裂口缺陷樣本與完整樣本進(jìn)行試驗。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MATLAB R2020b環(huán)境下編程實現(xiàn)(本文中實際樣本尺寸與所有試驗圖像比例尺為1∶6.25)。

2.1 圖像采集及預(yù)處理

由圖4可見，分別是3種缺陷樣本的彩色圖(其中綠色區(qū)域為模擬生產(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，有利于減少噪聲對分割試驗的影響。

2.2 圖像分割及連通域處理

為了對比上述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、運算時間方面進(jìn)行對比。首先，通過目標(biāo)缺陷區(qū)域分割的有效性來進(jìn)行對比，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，特別是在蟲蛀圖中受背景噪聲干擾嚴(yán)重，同時利用迭代閾值分割法提取的缺陷區(qū)域與實際缺陷相比存在一定程度的欠分割問題；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，在蟲蛀缺陷的提取中較實際缺陷存在一定程度的欠分割問題；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)域與實際缺陷區(qū)域基本相同，但是在背景中出現(xiàn)多個大面積噪聲塊，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，不僅能做到提取的缺陷區(qū)域與實際缺陷區(qū)域基本相同，而且對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，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。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，對背景噪聲的抑制也是四者中最優(yōu)。對比4種分割算法對所有樣本處理的平均運行速度，基于遺傳算法的最大熵閾值分割算法的平均運行速度優(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)行有效分割的同時濾除小穿孔區(qū)域，該方法對于提取單板中各種形狀的蟲蛀、死節(jié)、裂口缺陷有無差別的提取效果，能夠為單板自動修補(bǔ)奠定基礎(chǔ)。