基于图像处理的家具表面死节缺陷检测方法研究

2018-11-07程玉柱李赵春ChengYuzhuLiZhaochun

家具与室内装饰 2018年9期

■程玉柱李赵春 Cheng Yuzhu & Li Zhaochun

(1.2.南京林业大学机械电子工程学院，江苏南京 210037）

木材家具质量检测一直是成品出厂、市场质量抽查、用户监督的重要手段。木家具产品缺陷主要有：开裂、腐朽、节子、甲醛超标、形变等。而死节是影响家具的美观和使用的一种重要缺陷。实现木材死节缺陷的大小及位置自动检测是提高成品家具检测效率的前提，也为数字化质量评价提供重要手段。而木材表面缺陷图像分割是该技术中的难点之一，而成品家具表面的油漆常常导致反光，以及复杂背景噪声，会降低图像分割质量[1-4]。木材表面缺陷自动检测主要利用图像灰度化、二值化、滤波、形态学处理并结合模式识别算法，进行识别[5-6]。非负矩阵分解(NMF)对分块图像矩阵提取系数。CV模型是一种主动轮廓图像分割算法[7]，已广泛应用于航空图像、医学图像、红外图像、农林图像等多种图像分割应用中，此算法还在发展和完善中，算法采用水平集求解[8]。针对成品家具表面光照不均匀和复杂背景的木材死节缺陷图像，提出了一种基于NMF与CV模型的检测算法，实现缺陷目标提取。

1 检测方法

1.1 非负矩阵分解与CV模型图像分割

本文将非负矩阵分解(NMF)与主动轮廓模型(ACM)相结合，提出了一种基于NMF粗分割与ACM细分割的检测方法，利用此方法解决成品家具表面的死节缺陷图像检测。具体算法流程如图1所示。首先输入家具表面死节缺陷彩色RGB图像,然后对RGB彩图或灰度图进行NMF分解，对分解后的基向量进行K-均值聚类，得到初始分割，确定目标范围和初始水平集，最后用CV模型进行演化并获得死节缺陷目标。

1.2 NMF

非负矩阵分解是将一个矩阵Y分解成两个非负矩阵，两个矩阵分别为字典矩阵A和系数矩阵X，即：

最小化算法采用交替最小二乘法求解

1.3 K-均值

将公式(4)中的x作为样本进行2分类，则聚类中心定义为

式中为聚类均值，为列表数目，k=1，2。

新的聚类中心确定后，每个样本值与中心聚类重新计算，找到最小的欧氏距离。

1.4 CV分割

CV模型是基于Mumford-Shah模型的一种主动轮廓模型。图像为输入图像，为封闭曲线，能量泛函为

■图1 算法流程图

■图2 家具表面死节缺陷彩图

■图3 图像分块原理

■图4 图像分块结果

2 死节缺陷图像检测

针对成品家具死节缺陷图像，本文选取木床家具背板上的死节图像进行检测，通过1张正面拍摄图片进行检测过程详细说明，验证算法的有效性。彩图经颜色NMF分解、K-均值聚类、CV图像分割等步骤得到缺陷检测结果。图2为背板节子缺陷RGB彩色原图。从图中可以看出，家具图片背景复杂，有白色的墙纸，墙纸上面还有少量污渍，背板有不同木板组成，且具有不同深浅度的颜色。由于油漆及外部光线等因素，拍摄图片过程中，反光影响较大，导致图片中光照不均匀，增大了图像分割的难度，很难用阈值法直接完整地提取缺陷目标。

2.1 NMF

首先对图2进行图像灰度化，利用函数rgb2gray实现，然后对灰度图进行分块，块大小为5＊5，则图像块总数为（m%5）＊(n%5），其中m，n分别为原图尺寸，%为求余操作，余数部分去除。图3为图像分块示意图。

图4为图像分块结果图，其中a子图为灰度图，b子图为分块后组成的新矩阵，可以看到节子部分的数据和背景有较大的差异。利用公式(1-4)对图4（b）进行NMF分解，得到系数矩阵X。

2.2 K-均值聚类

对图4（b）的矩阵进行NMF分解，得到系数矩阵X。利用nnmf(A,k)函数实现，并选择合适的参数，其中A为输入分块后的矩阵，k=1。利用公式（5-6）对系数矩阵X进行聚类，聚类采用kmeans函数实现。令聚类数目为2，得到分类结果并用reshape与imresize函数，实现变形和图像放大，其结果如图5（a）所示。

2.3 CV图像分割

为了使式(8)能量最小化，采用半隐式数值解法，如公式(9)，求解得到图像的零水平集，决定像素的归属(目标或背景)，得到二值图，如图5所示，为水平集分割结果，5（b）为人工分割的理想图，5（c）为CV分割图。

3 结果分析

为了准确评价图像分割质量，采用有监督客观评价方法，人工分割出理想目标[9-10]，并将此作为基准，如图5(b)。定义标准目标图像和分割图像分别为相似度定义为

正确率定义为

则错分率定义为

漏分率定义为

利用式(10-13)对图5（c）进行计算，得到计算结果SD=80.49%、Dice=89.19%、ER=0.16%、NR=19.38%。从各值看出，综合而言，提出的非负矩阵分解与主动轮廓模型分割具有成品家具表面死节缺陷检测能力。

从图4可以看出，本文提出的NMF算法能够将统计局域信息，进行数据降维，降低光照影响，去除无用的复杂背景，为后续的分割与检测奠定了基础。通过K-均值聚类算法去除图中存在光照不均匀区域，粗定位目标位置范围，然后通过CV模型演化能够精确分割出家具表面死节缺陷目标，提取出缺陷目标。由于死节边缘与木材背景像素变化不明显，人工分割图5（b）和算法分割图5（c）都存在边缘不准确的问题，如何加强算法的边缘的定位能力，提高目标检测质量是进一步需要解决的问题。