基于壓縮感知的實(shí)木板材缺陷分選方法
【專利摘要】基于壓縮感知的實(shí)木板材缺陷分選方法，涉及實(shí)木板材表面缺陷檢測(cè)【技術(shù)領(lǐng)域】。本發(fā)明為了解決實(shí)木板材在線分選過程中檢測(cè)速度慢、識(shí)別率低的問題。本發(fā)明方法首先提取缺陷圖像的幾何與區(qū)域特征、灰度紋理特征和不變矩特征共三類25個(gè)特征；其次通過LDA方法將特征數(shù)量進(jìn)行融合，降低特征維數(shù)；最后利用訓(xùn)練樣本構(gòu)建數(shù)據(jù)字典，在L1范數(shù)意義下求解數(shù)據(jù)字典的最優(yōu)解，利用最小二乘完成線性規(guī)劃求解，實(shí)現(xiàn)缺陷分類。實(shí)驗(yàn)選擇實(shí)木板材表面的活結(jié)、死節(jié)、裂紋這三種主要缺陷來檢測(cè)算法的分選效果，對(duì)50幅缺陷圖像進(jìn)行了仿真實(shí)驗(yàn)，特征選擇與分類的平均時(shí)間為0.446ms、分類準(zhǔn)確率為94％，實(shí)現(xiàn)缺陷特征的快速準(zhǔn)確分類。
【專利說明】基于壓縮感知的實(shí)木板材缺陷分選方法

【技術(shù)領(lǐng)域】
[0001] 實(shí)木板材表面缺陷的檢測(cè)是林業(yè)加工生產(chǎn)的重要工藝部分，直接影響木材生產(chǎn)產(chǎn) 品的品質(zhì)優(yōu)劣和等級(jí)高低。近幾十年來，隨著機(jī)械在加工生產(chǎn)中的大量使用，傳統(tǒng)的人工目 測(cè)分類方法也逐步被計(jì)算機(jī)分類系統(tǒng)所代替。越來越多的學(xué)者開始研究開發(fā)自動(dòng)分選系統(tǒng) 來完成實(shí)木板材的在線分類的工作，提高自動(dòng)化水平與分選效率【1】。
[0002] 實(shí)木板材的自動(dòng)分選系統(tǒng)中主要是從計(jì)算機(jī)視覺的角度出發(fā)，用圖像處理的方法 對(duì)實(shí)木板材進(jìn)行分類。首先通過工業(yè)攝像頭完成圖像采集的工作，之后提取實(shí)木板材圖像 的相關(guān)信息，根據(jù)所收集到的相關(guān)信息來實(shí)現(xiàn)分類檢測(cè)。D.T.Pham總結(jié)了窗口特征、形狀特 征、統(tǒng)計(jì)量特征和灰度特征等4大類共32個(gè)特征向量，通過MLP神經(jīng)網(wǎng)絡(luò)分類器對(duì)其識(shí)別 準(zhǔn)確性進(jìn)行了分析。實(shí)驗(yàn)發(fā)現(xiàn)，隱含層神經(jīng)元的個(gè)數(shù)對(duì)實(shí)驗(yàn)結(jié)果并沒有特別重要的影響，學(xué) 習(xí)速率反而會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生重要的影響【2,3】。MarcoCastellani將遺傳算法與神經(jīng)網(wǎng) 絡(luò)結(jié)合后對(duì)裝飾實(shí)木板材進(jìn)行分類，但該方法對(duì)實(shí)木板材表面存在單一缺陷時(shí)的辨識(shí)比較 理想，當(dāng)存在2種以上缺陷時(shí)將難以辨識(shí)【4】。肖賓杰等提出了一種基于主元分析法的圖像 序列融合方法，通過對(duì)同一實(shí)木板材的多幅采集圖像進(jìn)行序列融合，使得缺陷特征更加明 顯，但通過采集多幅圖像來增強(qiáng)缺陷特征的這種方法提高了識(shí)別成本、降低了識(shí)別的時(shí)間 【5】。Mahram，Amir等人提出灰度共生矩陣法，局部二進(jìn)制模式和統(tǒng)計(jì)矩三種方法的混合使 用，來進(jìn)行特征缺陷提取，用主成分分析（PrincipalComponentAnalysis,PCA)和線性判 別分析（LDA)利用減少功能向量維度【6】。前期研究提取了缺陷圖像的灰度紋理特征、不變 矩特征和幾何區(qū)域特征等3大類特征，能夠完整的表達(dá)缺陷信息，并設(shè)計(jì)SOM神經(jīng)網(wǎng)絡(luò)分類 器進(jìn)行分類，但是在訓(xùn)練過程中有不獲勝的死神經(jīng)元，影響分類結(jié)果【7】。
[0003] LDA線性鑒別分析算法在模式識(shí)別領(lǐng)域中是一種經(jīng)典的識(shí)別算法【8】。根據(jù) Fisher線性判別準(zhǔn)則，通過投影變換，使樣本在新的投影空間中有最大的類間距離和最小 的類內(nèi)距離，從而實(shí)現(xiàn)特征變換降維的目的。壓縮感知是Donoho和Candes等提出信號(hào)處 理理論【9,10】。信號(hào)通過某種變換可以稀疏表示或可壓縮的，則可設(shè)計(jì)一個(gè)與變換基不相 關(guān)的測(cè)量矩陣測(cè)量信號(hào)，將得到的測(cè)量值通過求解優(yōu)化問題，實(shí)現(xiàn)信號(hào)的精確或近似重構(gòu)。 壓縮感知可以很大程度地減少測(cè)量時(shí)間、采樣速率及測(cè)量設(shè)備的數(shù)量【11】。
[0004] 為了提高現(xiàn)有實(shí)木板材缺陷在線分類的效果，針對(duì)現(xiàn)有實(shí)木板材表面缺陷分類方 法的分類器輸入維數(shù)高、分類算法復(fù)雜的問題【12, 13】，本發(fā)明采用LDA線性鑒別算法進(jìn)行 特征融合，降低特征維數(shù)；通過求解測(cè)試樣本在I1范數(shù)下對(duì)特征矩陣的最優(yōu)化問題，來實(shí)現(xiàn) 缺陷樣本的分類。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提供一種基于壓縮感知的實(shí)木板材缺陷分選方法，以解決實(shí)木板 材在線分選過程中檢測(cè)速度慢、識(shí)別率低的問題。本發(fā)明方法是一種基于LDA特征融合與 CompressedSensing分類的實(shí)木板材在線分選方法。
[0006] 本發(fā)明為解決上述技術(shù)問題采取的技術(shù)方案是：
[0007] -種基于壓縮感知的實(shí)木板材缺陷分選方法，所述方法的實(shí)現(xiàn)過程為：
[0008] 步驟一、采集m個(gè)實(shí)木板材的帶有缺陷的表面圖像作為訓(xùn)練樣本；
[0009] 步驟二、將采集到的實(shí)木板材的缺陷圖像的缺陷部分運(yùn)用形態(tài)學(xué)方法分割出來， 然后執(zhí)行步驟三；
[0010] 步驟三、特征提取，提取每個(gè)樣本缺陷部分的幾何與區(qū)域特征、灰度紋理特征和不 變矩特征三類共25個(gè)特征，利用所述特征組成25維特征向量，以表達(dá)實(shí)木板材圖像樣本的 缺陷信息；
[0011] 步驟四、特征融合，采用線性鑒別（LinearDiscriminantAnalysis,LDA)法進(jìn)行 特征融合以特征降維，得到低維度的特征向量；
[0012] 步驟五、完成步驟四后，將低維度的特征向量作為輸入，設(shè)計(jì)實(shí)木板材缺陷的壓縮 感知分類器（CS分類器設(shè)計(jì)）；
[0013] 步驟六、通過壓縮感知分類器進(jìn)行實(shí)木板材缺陷分類識(shí)別，比較測(cè)試樣本的各類 系數(shù)即可得到該測(cè)試樣本的所屬缺陷類別，從而得到測(cè)試實(shí)木板材的缺陷類別，獲得最終 的判定結(jié)果。
[0014] 在步驟三中，特征提取的具體過程為：
[0015] 步驟三（一）、幾何與區(qū)域特征
[0016] (1)面積Area:將灰度圖像中缺陷部分的值設(shè)為1，而正常部分的值為0 ;缺陷部 分的面積可由公式（1)得出：
[0017]

【權(quán)利要求】
1. 一種基于壓縮感知的實(shí)木板材缺陷分選方法，其特征在于：所述方法的實(shí)現(xiàn)過程 為： 步驟一、采集m個(gè)實(shí)木板材的帶有缺陷的表面圖像作為訓(xùn)練樣本； 步驟二、將采集到的實(shí)木板材的缺陷圖像的缺陷部分運(yùn)用形態(tài)學(xué)方法分割出來，然后 執(zhí)行步驟三； 步驟三、特征提取，提取每個(gè)樣本缺陷部分的幾何與區(qū)域特征、灰度紋理特征和不變矩 特征三類共25個(gè)特征，利用所述特征組成25維特征向量，以表達(dá)實(shí)木板材圖像樣本的缺陷 信息； 步驟四、特征融合，采用線性鑒別法進(jìn)行特征融合以特征降維，得到低維度的特征向 量； 步驟五、完成步驟四后，將低維度的特征向量作為輸入，設(shè)計(jì)實(shí)木板材缺陷的壓縮感知 分類器； 步驟六、通過壓縮感知分類器進(jìn)行實(shí)木板材缺陷分類識(shí)別，比較測(cè)試樣本的各類系數(shù) 即可得到該測(cè)試樣本的所屬缺陷類別，從而得到測(cè)試實(shí)木板材的缺陷類別，獲得最終的判 定結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種基于壓縮感知的實(shí)木板材缺陷分選方法，其特征在于：在步驟三中，特征提取的具體過程為： 步驟三（一）、幾何與區(qū)域特征 (1) 面積Area :將灰度圖像中缺陷部分的值設(shè)為1，而正常部分的值為O ;缺陷部分的 面積可由公式⑴得出：
式中R是像素為1的點(diǎn)的坐標(biāo)； (2) 周長Perimeter :目標(biāo)缺陷的周長就是統(tǒng)計(jì)邊界上的像素點(diǎn)，周長Perimeter如公 式（2)，式中B為目標(biāo)缺陷的邊界；
(3) 外接矩形長度、寬度及其長寬比： 對(duì)樣本缺陷圖像進(jìn)行逐行逐列的查找，找出樣本缺陷部分中最小行Lmin、最大行 Lmax、最小列Rmin和最大列Rmax四個(gè)值，則缺陷長和寬分別為：
(5)線性度 Linearity
(7) 矩形度Rectangularity :矩形度指的是目標(biāo)的面積與其最小外接矩形的面積之 t匕，計(jì)算公式如下：
(8) 四個(gè)區(qū)域特征為： 偏心率Eccentricity :與目標(biāo)缺陷部分二階矩相同的橢圓的偏心率； 直徑Diameter :與目標(biāo)缺陷部分面積相同的圓的直徑； 短軸Short axis:與目標(biāo)缺陷部分二階矩相同的橢圓的短軸長度； 長軸Longer axis:與目標(biāo)區(qū)域二階矩相同的橢圓的長軸長度； 步驟三（二）、灰度紋理特征 屬于不同類別的實(shí)木地板表面缺陷除了形狀有差別之外，其相應(yīng)的灰度紋理特征也是 不同的，所以缺陷目標(biāo)的灰度紋理特征也是缺陷特征的一個(gè)重要方面；缺陷的紋理特性是 基于缺陷直方圖的特征描繪子得到的，若P(Zi)表示灰度直方圖，m表示缺陷灰度均值，則灰 度的n階矩用式（10)來定義：
其中，L是圖像可能的灰度級(jí)，Zi為灰度值； (1)內(nèi)部均值、邊緣均值：二者均用Mean value表示且計(jì)算公式相同：內(nèi)部均值是缺陷 區(qū)域內(nèi)所有像素的平均灰度值，邊緣均值是缺陷邊緣的所有像素的平均灰度值；

步驟三（三）、不變矩特征 通過計(jì)算樣本圖像整體灰度分布的各階矩來描繪灰度的分布情況；對(duì)于一幅NXM的 圖像f(x，y)，則其（P+q)階矩為：
提取實(shí)木板材缺陷的三大類共25個(gè)具體特征后，按公式（34)的最大最小法進(jìn)行歸一 化處理，其中，Clniin表示序列中的最小值，(1_表示序列中的最大值，
3.根據(jù)權(quán)利要求1所述的一種基于壓縮感知的實(shí)木板材缺陷分選方法，其特征在于：步驟四的實(shí)現(xiàn)過程為： 步驟四（一）、LDA的具體算法如下： 設(shè)m個(gè)樣本分別為Xl，X2，…，X111，每個(gè)樣本X是一個(gè)n行的矩陣，其中I i表示屬于i類 缺陷的樣本個(gè)數(shù)，假設(shè)共有c類，則= m ;Sb是類間離散度矩陣，Sw是類內(nèi) 離散度矩陣，Xi是第i個(gè)缺陷樣本，u是所有樣本的均值，Ui是第i類的樣本均值；那么第i 類的樣本均值Ui為

步驟四（二）、Fisher判別準(zhǔn)則 判別類間離散度最大和類內(nèi)離散度最小對(duì)Fisher鑒別準(zhǔn)則表達(dá)式（31)通過Lagrange 乘子法可求得公式（32):
式中《是3;\的特征向量，是S，Sb最大特征值所對(duì)應(yīng)的特征向量所組成的矩陣， 是最佳投影向量，為矩陣特征值； 就是S，Sb最大特征值所對(duì)應(yīng)的特征向量所組成的矩陣，是最佳的投影向量；基于 ?#把高維樣本投影到低維，將高維空間到低維空間的映射； 步驟四（三）、實(shí)木板材缺陷特征的LDA融合，其過程為： 計(jì)算均值：按LDA理論計(jì)算所有樣本各特征的均值以及所述c類缺陷樣本各特征的均 值； 按LDA理論計(jì)算得到c類缺陷的類內(nèi)離散度矩陣和類間離散度矩陣： 基于訓(xùn)練樣本的類別信息，采用LDA特征融合實(shí)現(xiàn)從高維實(shí)木地板紋理特征空間里提 取出最具有判別能力的低維特征，所提取的低維特征能幫助將同一個(gè)類別的所有樣本聚集 在一起，不同類別的樣本分開，使樣本的類間離散度最大和類內(nèi)離散度最小，即類內(nèi)離散度 矩陣的中的數(shù)值要小，而類間離散度矩陣中的數(shù)值要大，并由Fisher判別準(zhǔn)則判別； 根據(jù)Fisher判別準(zhǔn)則，通過類內(nèi)離散度矩陣和類間離散度矩陣求出最佳的投影向量 將25維特征在投影向量上進(jìn)行投影得到融合后的特征，完成特征融合的過程。
4.根據(jù)權(quán)利要求1所述的一種基于壓縮感知的實(shí)木板材缺陷分選方法，其特征在于： 在步驟五中，基于壓縮感知理論設(shè)計(jì)實(shí)木板材缺陷的壓縮感知分類器，其過程為： 假設(shè)要對(duì)c類缺陷進(jìn)行分類，第i類缺陷的訓(xùn)練樣本數(shù)為Ii (i = 1，2,…，c)山^為屬 于第i類缺陷的第j個(gè)訓(xùn)練樣本，G RvX1，i = 1，2,…，c ;j = 1，2,…，Ii，所有訓(xùn)練樣 本由從缺陷圖片提取的特征參數(shù)構(gòu)成A為第i類缺陷的訓(xùn)練樣本矩陣，彳e /fx/%其中，V 為訓(xùn)練樣本維數(shù)構(gòu)成（40)式所示訓(xùn)練樣本的數(shù)據(jù)字典 4. I ** 1 (40) 若?為完備數(shù)據(jù)字典，則由C類缺陷的訓(xùn)練樣本矩陣構(gòu)成完數(shù)據(jù)字典為 A = [A1 A2 …AJ (41) 當(dāng)?shù)趇類缺陷的訓(xùn)練樣本足夠充分時(shí)，令h e Rvxi屬于第i類缺陷的測(cè)試樣本，測(cè)試 樣本的構(gòu)成方式與訓(xùn)練樣本相同；a u e R為權(quán)重系數(shù)；則屬于第i類缺陷的測(cè)試樣本可 表示為 h: = ct: + a, …+at nht t = A1O!: (42) 若or,, e i?IX<為權(quán)重系數(shù)向量，則 ai=la,ia,,2 "' % I (43) 將（42)式代入（41)式并增廣矩陣，可得到 bt =Aarl (44) a4 = [Ou …aWi …?……acJ …] (45) 式中，；
為增廣權(quán)重系數(shù)向量；…《rt.為增廣權(quán)重 系數(shù)； 根據(jù)上述過程，對(duì)于任意滿足式（42)的測(cè)試樣本（i = 1，2,…，C)，通過求解式（44)， 都可得到一個(gè)與式（45)類似類似》4的向量； 假定測(cè)試樣本h的分類未知，
一 個(gè)欠定方程，難以得到唯一解； 因?yàn)椤?是稀疏向量，且式（44)與式（36)完全一致，利用壓縮感知理論，求解與式（39) 類似的優(yōu)化問題（46)，可得到^的精確近似逼近為：
式中，^4為< 的精確或近似逼近；式（46)是一個(gè)欠定方程，不易求得其準(zhǔn)確值，但是 用最小二乘法可以得到近似的最優(yōu)解； 若測(cè)試樣本是屬于訓(xùn)練樣本庫中的一種類別，那么其特征值與訓(xùn)練樣本中該類樣本所 提出的特征值相近，通過最小二乘法算得的最優(yōu)解，即對(duì)應(yīng)的系數(shù)是最大的。
【文檔編號(hào)】G06K9/62GK104361352SQ201410642068
【公開日】2015年2月18日 申請(qǐng)日期:2014年11月13日 優(yōu)先權(quán)日:2014年11月13日
【發(fā)明者】張怡卓, 于慧伶, 李超 申請(qǐng)人:東北林業(yè)大學(xué)