基于图像的木材机械加工表面质量评价研究

杨铁滨　侯玉婷　刘一星　 薛伟

摘要：实现木材机械加工表面质量自动评价对保证木制品质量和提升其价值有重要意义。根据ASTM_D_1666-87R04标准中规定的测试方法，对樟子松、白桦、水曲柳板材进行压刨和砂光加工试验，得到有Raised grain、Fuzzy grain、Chip marks缺陷和无缺陷的木材试样。扫描木材试样以获取其表面图像，计算图像的直方图纹理特征和小波纹理特征。对每种特征分别建立基于BP神经网络的分类器并进行训练和测试。测试结果表明，小波纹理特征分类器的正确率达到91.3%，其评价效果优于直方图纹理特征分类器。

关键词：木材加工；表面质量；自动评价；小波纹理分析

中图分类号：[S 777]；[TH 161+.14]文献标识码：A文章编号：1001-005X（2015）01-0059-04

Imagebased Evaluation of Machining Wood Surface Quality

Yang Tiebin，Hou Yuting，Liu Yixing*，Xue Wei

（College of Engineering and Technology，Northeast Forestry University，Harbin 150040）

Abstract：Automated evaluation of machining wood surface quality plays an important role in the overall quality and value of wood products.According to the test methods of ASTM_D_1666-87R04，this paper practiced planning and sanding tests on Mongolian Scotch Pine，Asian White Birch and Manchurian Ash lumbers.Raised grain，Fuzzy grain，Chip marks and defect free samples were obtained.The surface images of the sample were captured by scanning.Histogram texture features and wavelet texture features were retrieved from those surface images.Two BP ANNs were developed and tested according to these two kinds of features separately.The test results showed that the wavelet texture feature classifier achieved an accuracy of 91.3% which is much better than the performance of histogram features classifier.

Keywords： wood machining；surface quality；automated evaluation；wavelet texture analysis

收稿日期：2014-09-26

基金項目：黑龙江省博士后基金资助项目（LBH-Z09283）

第一作者简介：杨铁滨，博士，副教授。研究方向：森工机械与装备。

*通讯作者：刘一星，博士，教授。研究方向：木材科学与技术。Email：yxl200488@sina.com

引文格式：杨铁滨，侯玉婷，刘一星，等.基于图像的木材机械加工表面质量评价研究[J].森林工程，2015，31（1）：59-62.在木材生产中，提高木制品表面质量是提升产品价值最经济、有效的方式之一，具有重要的意义。观测表面缺陷是评价木材机械加工表面质量的主要方法之一[1-2]。

对于特定的树种，加工参数选择不当，可能产生多种形式的表面缺陷。在ASTM_D_1666-87R04标准中定义了Raised grain、Fuzzy grain、Torn grain 和Chip marks四种表面缺陷。根据表面缺陷的深度、面积、数量和形式，用人工视觉的方法将表面质量分为excellent、good、fair、poor和very poor等5个等级[3]。这种方法主观依赖性强，对检测者的经验要求较高，劳动强度大，不利于机械化生产。目前还没有建立起完善的木材表面质量检测与评价系统。

近20年来，在工业生产领域，用机器视觉的方法代替人工视觉检测得到了广泛的研究和应用[4-7]。但在木材加工表面质量检测方面，还仅限于对节子等较大自然缺陷的识别[8-9]，没有针对表面加工缺陷检测的研究。本文开发了木材表面质量评价模型系统，为实现木材机械加工表面质量自动评价提供研究基础。

1评价过程概述

本文所用试材原料为从木材商品市场购买的樟子松（软木）、白桦（硬木，散孔材）、水曲柳（硬木，环孔材）原木。原木经锯木、平刨和砂光加工成基本尺寸为200×100×10（m）的试件。每个树种取心材部位，经长期室温条件下气干后加工，木材含水率为12%。加工及测试的温度为20℃，空气相对湿度为65%。为了获得有加工缺陷的试样，对每个树种选择3种压刨送料速度、3种磨料粒度、4种砂光加工压力，按表1进行加工，压刨加工的切削深度为1 mm。每种条件加工3个试件，每个试件2个待测表面。试件加工参数与得到的缺陷类型见表1。加工后产生了Raised grain、Fuzzy grain和Chip marks三种表面缺陷（缺陷的定义及例图见参考文献[4]）。

表1加工参数与缺陷类型

Tab.1 Processing parameters and defect type

序号树种加工参数压刨送

料速度

/m·min-1砂光

磨料

粒度砂光加

工压力

/MPa缺陷类型1樟子松880，1200.4Raised grain2樟子松12100，1500.5—3樟子松16——Raised grain4白桦880，1200.5Chip marks5白桦12100，1500.6Chip marks6白桦16——Chip marks

Fuzzy grain7水曲柳8100，1500.4—8水曲柳12——Chip marks9水曲柳1680，1200.6—10樟子松8——Raised grain11樟子松1280，1200.4—12樟子松16100，1500.5—13白桦8100，1500.6Fuzzy grain14白桦12——Chip marks15白桦1680，1200.5Chip marks16水曲柳8——Chip marks

Fuzzy grain17水曲柳1280，1200.6—18水曲柳16100，1500.4—

加工后的木材试样用扫描仪进行扫描（CanoScan LiDE 200），扫描分辨率300dpi。从原始扫描图像中切割出512×512像素的位图图像作为实验样品。全部试样加工、扫描后，得到各种木材表面缺陷和无缺陷原始图像共108幅，图像切割后选取各类图像240幅作为样本，典型的试样表面图片如图1所示。将上述实验样本图像分成训练样本和测试样本。

第1期杨铁滨等：基于图像的木材机械加工表面质量评价研究

森林工程第31卷

图1典型试样图片

Fig.1 Pictures of the typical sample

图像处理程序采用Matlab 7.0进行编程。木材机械加工表面质量评价的计算过程如图2所示。分别计算图像的直方图纹理特征和小波纹理特征。用训练样本训练BP神经网络分类器。使用测试样本对分类器进行测试，测试结果与人工视觉结果进行比较，计算分类正确率。

图2表面质量评价过程

Fig.2 The evaluation process to surface quality

2研究方法

2.1特征提取

特征提取是图像分类与检测过程中最重要的步骤，对分类的效果有直接的影响。为了提高检测效果，本文从图像中提取直方图纹理特征和小波纹理特征分别进行分类验证，并比较两类特征分类的准确性。

2.1.1直方图纹理特征

根据图像直方图纹理特征进行纹理分析比较适用于木纹或遥感图像等纹理细而不规则的表面[10]。这些纹理特征主要包括平均值、方差、平滑度、偏态系数、能量和熵等统计量（它们的数学定义见参考文献[10]）。将这些特征值作为神经网络分类器的输入，经过样本训练，分类器对测试试样的表面质量进行分类。

2.1.2小波纹理特征

近年來，小波纹理分析在图像检索、过程控制、缺陷识别等领域得到了广泛的研究和应用[11-12]，是随机纹理图像分析的有力工具。

大小为M×N的图像f（x，y）的离散二维小波变换为：

Wφ（j0，m，n）=1MN∑M-1x=0∑N-1y=0f（x，y）φj0，m，n（x，y）。

WiΨ（j，m，n）=1MN∑M-1x=0∑N-1y=0f（x，y）Ψij，m，n（x，y），i={H，V，D}。

二维小波分解分两步进行，首先取f（x，y）的行的一维快速小波变换（FWT），然后取结果列的一维FWT。这样得到4幅原图像1/4大小的子图像Wφ，WHΨ，WVΨ，WDΨ。分别为近似系数和水平、垂直、对角线三个方向的细节系数图像。对近似系数图像继续进行上述分解过程，直到达到所需的分解深度。如果小波分解的深度为n，则小波系数矩阵中就包括3n+1个部分。

由于db4小波具有正则性、紧支性等优点，在图像处理工程中得到广泛应用。本文应用db4小波尺度函数和基函数对木材表面图像进行小波分解，分解深度为3。每幅被检测的图像经小波变换后形成一个有10个子块的系数矩阵。木材加工表面缺陷的3阶小波变换如图3所示。

图3缺陷试样小波变换

Fig.3 Wavelet transform of the defective sample

将小波系数矩阵的每个子块内系数的方差作为图像的小波纹理特征。这样每个图像转化为10维的向量，将此10维的向量作为分类器的输入向量，经训练后的分类器计算，输出该图像的分类结果。

2.2BP神经网络分类

图像识别的最后一步是将特征值与其对应的类别联系起来，这一过程称为分类器设计。BP神经网络由于网络结构简单，算法成熟，获得了广泛应用[5，13]。本文的直方图纹理特征和小波纹理特征分类都采用3层BP神经网络分类器。每个BP神经网络由输入层、输出层和一个隐层构成。直方图纹理特征分类器的输入层、隐层和输出层的结点个数分别为6，12和2。小波纹理特征分类器的输入层、隐层和输出层的结点个数分别为10、20和2。各神经元的传递函数分别为tansig函数和purelin函数，反传函数为trainlm。输出目标值[0，1]和[1，0]分别表示合格和不合格两种评价结果。

3实验验证

应用上述纹理特征分类系统，对160幅3种树种、3类表面缺陷及无表面缺陷的图像进行分类识别，部分分类结果见表2。如果输出值接近[1，0]则为不合格表面，如果输出值接近[0，1]则为合格表面。如果输出值接近[1，1]或[0，0]，则两个输出中最接近1的输出置1，另一输出置0。

上述两种特征分类方法对不同树种和缺陷进行了分类识别试验，识别正确率见表3。其中直方图特征分类器的总计识别正确率仅为75%，而小波特征分类器的识别正确率达到91.3%，比前者有显著提高。小波特征分类器的错误率主要来源于将

表2图1所示试样的分类器输出结果

无缺陷试样判别为有缺陷试样，这在生产过程中是可以容忍的，能够通过人工辅助监督得到解决。Raised grain的识别正确率为92.5%，这种缺陷的边缘略高于木材表面，且常常隐藏于松木的木材纹理中，不容易在垂直于检测平面的方向发现。提高对这种缺陷的识别率，还需要进行深入的研究。对Fuzzy grain和Chip marks两种缺陷的识别正确率都达到了95%，识别效果较好。

表3分类识别正确率

Tab.3 Correct classification rate

缺陷类型树种测试样

本数/个直方图特征

识别正确率小波特征

识别正确率Raised grain樟子松4087.5%（5）92.5%（3）Fuzzy grain白桦、水曲柳4090%（4）95%（2）Chip marks白桦、水曲柳4070%（12）95%（2）无缺陷樟子松、白桦、

水曲柳4052.5%（19）82.5%（7）总计16075%（40）91.3%（14）注：括号内数字为识别错误试样数。

4结论

选用樟子松、白桦、水曲柳3种常用的商品材，在加工工艺参数不同的条件下，能够加工出有Raised grain、Fuzzy grain和Chip marks缺陷的试样。

以3阶二维小波变换的10个系数矩阵的方差值作为小波纹理特征，建立BP神经网络分类器，其分类识别正确率达到91.3%。而同类型的直方图纹理特征分类器，其分类识别的正确率仅为75%。测试结果表明，小波纹理特征分类器可以用于木材机械加工表面质量评价。

由于木材种类繁多，物理性质差异很大，对其它主要树种还应建立相应的特征样本库。此外，模式识别分类器的种类很多，其它类型分类器用于木材表面质量评价的效果还有待进一步研究。

【参考文献】

[1]Cristina L C，Luisa M H C.Method for evaluating the influence of wood machining conditions on the objective characterization and subjective perception of a finished surface[J].Wood Science and Technology，2008，42：181-195.

[2]Gerhard S，Jakub S，Tahiana R.Properties of wood surfacecharacterisation and measurement.A review[J].Holzforschung，2009，63：196-203.

[3]ASTM D 1666-87.Standard Test Methods for Conducting Machining Tests of Wood and WoodBase Materials[S].ASTM International，West Conshohocken，PA，2011.

[4]王紀武，高伟杰，廖方波，等.基于机器视觉的铁路货运木材检尺系统开发[J].北京交通大学学报，2012，36（4）：135-138.

[5]Chen L.Study on prediction of surface quality in machining process[J].Journal of Materials Processing Technology，2008，205：439-450.

[6]杨亮庆，由昌久，吕蕾，等.木材干燥预热处理作用及国内研究进展[J].林业机械与木工设备，2013，41（1）：17-18+32.

[7]王艳伟，孙伟圣，杨植辉，等.木 材干燥技术研究进展[J].林业机械与木工设备，2014，42（10）：9-13.

[8]杜晓晨，尹建新，祁亨年，等.基于颜色直方图和LBPTD算子的木板材节疤缺陷区域检测[J].北京林业大学学报，2012，34（3）：71-75.

[9]Christy A G，Senden T J，Evans P D.Automated measurement of checks at wood surfaces[J].Measurement，2005，37：109-118.

[10]Gonzalez R C，Woods R E.Digital image processing（Third Edition）[M].USA：Pearson Education，Inc，2010.

[11]刘建立，左保齐，高卫东.非织造材料外观质量识别的小波纹理分析方法[J].计算机工程与设计，2011，32（8）：2836-2841.

[12]Liu J J，Han C H.Wavelet texture analysis in process industries[J].Korean Journal of Chemistry Engineering，2011，28（9）：1814-1823.

[13]季伟东，王克奇，张建飞，等.基于改进的粒子群算法优化开关神经网络的木材表面缺陷识别[J].东北林业大学学报，2012，40（12）：99-102.

[责任编辑：李洋]