基于Hu不变矩和BP神经网络的木材缺陷检测

戚大伟 牟洪波

(东北林业大学理学院，哈尔滨 150040)

木材缺陷改变了木材性能，降低了木材质量和使用价值［1］.本文基于现有的条件和研究内容的限制，选用代表了针叶材和阔叶材的落叶松和桦木2种树种.选择了木材中典型的虫害、腐朽、节子3种缺陷进行检测.首先对采集到的木材缺陷图像进行预处理，其次对木材的3种缺陷图像进行特征提取，将提取的特征值输入BP神经网络，对木材3种典型缺陷模式进行有效检测，进而对材料进行评价，具有很重要的实际意义和经济价值.

1 不变矩理论及其扩展

不变矩的方法是一种很好的特征提取方法.虽然单纯的原点矩或中心矩可以表征平面物体的几何形状，但是它们都不具有不变性.但可以通过这些矩来构造不变量.这种思想最初由Hu提出，利用中心矩构造出了7个不变量，能够对区域形状进行描述［2］.由于具有平移、比例和旋转不变性的特点，所以不变矩已成为重要的区域特征集，在图像检测领域应用广泛.

设f(x，y)是一个有界二维函数，其(p+q)阶几何矩用mpq表示为

当f(x，y)在x-y平面的有限区域内分段连续时，mpq序列与f(x，y)可互相唯一确定.

(p+q)阶中心矩定义为

其中，(x0，y0)为质心坐标.

对于m×n的数字图像有

Hu在连续空间中(见式(5))有7个不变矩满足图像的平移、旋转和缩旋不变性.但是在离散情况下，不变矩不满足缩放不变性.为了使其满足缩放不变性，再作如下扩展:

Chen［3］证明已经了 T1，T2，…，T10满足结构平移、旋转和缩放不变性，是对Hu不变矩概念进行扩展而得到的特征公式，用来描述形状特征.

2 木材缺陷图像采集及处理

2.1 木材缺陷图像的采集

选择X射线作为检测源，利用X射线的荧光成像效应，可以通过检测透过木材后的射线强度来断定被检测木材是否存在缺陷［4-5］.

根据实验条件，利用工业X光机透射木材，在涂有荧光物质的吸收屏上成像，由微光摄像机进行接收，再由A/D转换电路、图像采集及处理板，整个系统以计算机为中心完成各种操作和数字图像处理工作.木材缺陷X射线无损检测图像采集系统如图1所示.

图1 木材缺陷无损检测系统

2.2 木材缺陷图像的处理

图像处理就是用一系列特定的操作来“改造”图像，达到特定的目标［5］.木材缺陷图像要达到的特定目标就是能够使图像中的缺陷部位变得更加突出，便于下一步提取木材缺陷的特征.

将采集到的木材缺陷图像(见图2)对图像进行取样，使木材缺陷图像在空间上离散化，并对图像进行量化，这样就完成了木材缺陷图像的数字化.

图2 木材腐朽原始图像

令灰度数字图像排列成M×N阵列，则相应的阵列表示式为

在图像处理过程中，首先将木材缺陷图像转化为灰度图像，再把灰度图像转换为二值图像.根据已有的经验选择相应的阈值，把3种类型的木材缺陷突出出来，更好地体现出图像的变化规律［6-10］.以木材缺陷腐朽类型图像为例进行处理得到的图像如图3所示.应用Sobel边缘检测算子对得到的二值图像进行边缘检测，得到了清晰的缺陷边缘，如图4所示.

图3 二值图像

图4 Sobel算子边缘检测

3 特征提取与检测

应用Matlab软件对木材缺陷图像边缘检测得到效果较好的图像进行特征提取，提取出T1，T2，…，T10，将提取的数据进行归一化处理，使其在［0，1］之间.将归一化后的特征值作为BP神经网络的输入向量.BP神经网络的传递函数选为S形函数:

根据实际需要，一层隐层即三层网络已经足够了［7］.输入层神经元个数为10个，对应10个特征量(T1，T2，…，T10)，输出层神经元数为3个，根据经验公式n2=2n1+1(n2为中间层神经元个数，n1为输入层神经元个数)，确定中间层神经元数为21个，BP神经网络模型如图5所示.学习的期望目标值见表1.

表1 学习样本对应的期望输出

图5 BP神经网络结构模型

通过60个样本对神经网络进行学习.从未参加训练的木材缺陷样本中各选择10个样本对已训练成熟的BP网络进行仿真.经过学习之后，学习结果与目标值接近，当把限定阈值设为绝对值大于0.82，检测结果输出为1，学习结果的绝对值小于0.18，检测结果输出为0，学习结果的绝对值大于0.2，小于0.8，检测结果输出为2，这时不能确定缺陷类型.总的检测准确率达到86% 以上.

4 结语

在图像处理过程中得到了清晰的木材缺陷边缘，为特征提取提供了良好的基础.通过对Hu不变矩扩展得到的 T1，T2，…，T10，对几何形状进行描述，由于它具有平移、缩放、旋转不变和计算量相对较小的特点，因而比其他方法如傅里叶描述子、变换、不变矩等简便、快速.将 T1，T2，…，T10进行归一化后得到的数据作为神经网络的输入特征量，待网络训练成熟后，对未知样本进行检测的准确率达86%以上，实验结果表明实此方法在木材缺陷类型的定量检测是可行的.也可将此方法推广应用到其他树种，对其缺陷类型进行有效检测.

References)

［1］李坚.木材科学［M］.北京:高等教育出版社，2002:136-141.

［2］Hu M K.Visual pattern recognition by moment invariant［J］.IEEE Transactions on Information Theory，1962，8(2):179-187.

［3］Chen C C.Improved moment invariant for shape discrimination［J］.Pattern Recognition，1993，26(5):683-686.

［4］戚大伟.木材无损检测图像处理系统的研究［J］.林业科学，2001，37(6):92-96.Qi Dawei.A study on image processing system of nondestructive log detection［J］.Scientia Silvae Sinicae，2011，37(6):92-96.(in Chinese)

［5］Wu Q W，Yuan F，Cao X W.Origin of the X-ray emission in the nuclei of FRIs［J］.J Phys-Conference Ser，2008，131(2):20-60.

［6］张毓晋.图像工程［M］.北京:清华大学出版社，2002:32-39.

［7］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge detection of wood image with rot based on BP neural network［J］.Journal of Convergence Information Technology，2013，8(2):506-513.

［8］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge extraction of wood image with flaw based on BP neural network［J］.Journal of Convergence Information Technology，2013，8(1):307-315.

［9］Mu Hongbo，Qi Dawei，Zhang Mingming.Edge detection of wood image with rot based on gray transformation enhancement［J］.Advances in Information Sciences and Service Sciences，2012，4(18):306-313.

［10］戚大伟，牟洪波.人工神经网络在木材缺陷检测中的应用［J］.森林工程，2006，22(1):21-23.Qi Dawei，Mu Hongbo.Application of artificial neural networks in the testing of wood defects［J］.Forest Engineering，2006，22(1):21-23.(in Chinese)