图像处理技术在木材表面缺陷检测中的应用

赖 菲， 罗廷芳， 丁 锐， 罗蕊寒， 邓婷婷， 王明华， 李 明

(西南林业大学机械与交通学院，云南 昆明 650224)

木材不仅是可再生的生物材料，还是对环境污染小、可自然降解和循环利用的环保材料。我国是一个森林资源匮乏的国家，为解决我国木材供需紧张难题，需提高木材的利用率，而木材表面缺陷直接影响木材的利用率。因此，检测并剔除木材表面缺陷是提高木材利用率的有效方法。

木材表面缺陷种类众多，形状复杂，在木制品生产加工过程中，人工检测木材的表面缺陷，存在着人为差异，而且人工检测的效率低，不符合现代化生产的需求。因此，研究木材表面缺陷的自动识别对于木质产品的生产具有积极的作用。图像处理技术的出现为木材表面缺陷的自动检测提供了一种行之有效的方法，现有研究表明[1-2]，根据木材图像的灰度特征来对木材缺陷图像进行分割的方法，能够在一定程度上识别节子、虫眼等常见的木材表面缺陷，但是存在精度不高、识别局限性大的不足。木材属于纹理型物体，基于木材纹理特征进行木材缺陷图像分割更为合理，相关文献[3-5]提出了基于灰度共生矩阵的纹理分割方法，可有效分割木材表面缺陷图像。文章总结了基于图像处理技术对木材表面缺陷图像进行处理的方法与算法，对比传统与改进的图像分割方法，结合实际提出今后研究发展的方向，希望能够提高图像处理方法在木材表面缺陷检测中的应用率。

1 木材表面缺陷的类型及检测方法

木材缺陷是指木材外观或者木材内部出现不完备、有欠缺的现象。木材表面缺陷不仅影响木材表面的美观和加工性质，而且降低木材的强度，不利于木材的有效利用。

1.1 木材表面缺陷的类型

木材缺陷通常由生理原因、病理原因和人为因素造成，国家标准将木材缺陷分为10大类：节子、变色、腐朽、虫害、裂纹、树干形状缺陷、木材构造缺陷、伤疤损伤、木材加工缺陷和变形。木材缺陷分为原木缺陷(GB/T 155-2006)和锯材缺陷(GB/T 4822-1995)。考虑到实际生产中锯材表面缺陷极大影响其成材率和自动化生产程度，因此本文考虑的缺陷均为锯材缺陷。其中，出现在木材表面的缺陷被称为木材表面缺陷，其是一种存在于物体表面的宏观缺陷。

1.2 木材表面缺陷的检测方法

目前对于木材表面缺陷的检测可分为接触检测和非接触检测[6]。接触检测主要有应力波检测和超声波检测，其机理是通过分析波在木材中传播时的传播状态及特性参数变化进而对木材的整体性能进行评价[7-9]。非接触检测主要分为射线法和计算机视觉检测法(图形图像检测法)，它是通过分析成像图像来检测木材缺陷。

(1)应力波检测。应力波检测是一种主动式无损检测技术，但该方法易受外界环境、木材含水率的影响，且检测精度受传感器敏感度和数量的约束[10]。

(2)超声波检测。研究发现超声波特征参数可以有效辨识木材表面缺陷的存在[11]。实际应用中超声波检测需要利用介质，对操作者的技术要求高，条件限制明显。

(3)射线检测。目前，可用X射线计算机断层扫描图像和工业CT检测木材缺陷[12]。但该方法对木材表面缺陷不敏感且购置X射线的设施装备成本高，还需必要的保护设施与保养措施。

(4)计算机视觉检测法。CCD工业相机采集图像具有低能耗、低成本的优点，因而在木材表面缺陷检测领域得到迅速发展。德国Wood Eyes扫描仪、芬兰VDA系统及加拿大Chroma+Scan3350型激光轮廓扫描仪用于木材表面缺陷检测的自动化程度高，检测精度已能满足生产需求。目前国内开发的基于机器视觉技术的刨花板表面缺陷自动检测系统[13]可满足连续压机生产线在线检测要求。利用Visual C++与OpenCV编写的缺陷图像检测程序可实现单板表面死节和裂缝缺陷的提取和检测[14]。

计算机视觉技术利用计算机模拟人的视觉功能，对图像进行处理提取有效特征信息。图像处理方法对木材缺陷图像进行检测包括样本特征的提取与分析及搭建识别模式，具体过程为图像预处理、图像分割、形态学后处理、缺陷识别。

2 图像处理方法检测木材表面缺陷

2.1 图像预处理

为方便后续图像的处理，将图像按照特定的目的去改变和操作的过程称为图像预处理。常见的预处理方法可分为图像滤波和图像增强，其中图像滤波可以去除图像中的噪声影响，使图像更清晰；图像增强指有针对性地突出有利于图像分割的特征。

常见的滤波处理算法[15-19]包括中值滤波、均值滤波、半高斯梯度滤波、小波变换、维纳滤波、NL-Means方法等，其中维纳滤波能平滑木材图像中的纹理，同时保留缺陷边缘。均值滤波和小波变换结合的滤波算法具有显著的去噪效果，半高斯梯度滤波能够保持缺陷结构和抑制纹理影响。

图像增强有基于权重系数[20]或利用小波和傅里叶相融合[21]的木材图像增强方法。小波变换和傅里叶变换结合的图像增强方式在增强图像特征的同时，能有效保持其边缘特征。

2.2 传统木材缺陷图像分割方法

图像分割就是根据不同的特征对图像进行分区处理与特征提取，实质就是将目标从背景中分离出来。目前常见的图像分割方法有边缘检测分割和阈值分割。

2.2.1 基于边缘检测的分割方法

边缘检测分割是基于图像区域边缘上像素灰度(颜色)级的突变，通过检测不同区域的边缘来解决图像分割问题。传统的边缘提取办法是根据图像边缘灰度不连续，利用一阶或二阶导数来检测边缘，被称为边缘检测局部算子法。常用的检测算子[22-24]有Roberts算子、Prewitt算子、Sobel算子、Canny算子、Laplace_Gauss算子等。

2.2.2 阈值分割方法

图像阈值化分割是一种传统的图像分割方法，它基于图像灰度特征，以灰度直方图为处理对象，按照灰度级，选取一个适当阈值对像素集合进行划分，每个子集形成的区域内部具有一致的属性，这样的划分可根据实际情况通过从灰度级出发选取一个或多个阈值来实现。常用的阈值分割算法有以下三种。

(1)全局单阈值分割技术[25]。利用图像闭运算估计图像背景变化，利用估计均值确定全局分割的阈值。

(2)多阈值分割技术[26]。多阈值分割是依据图像不同区域划分，采用不同的阈值提取相应目标区域的分割技术。多阈值分割依据图像区域特征设定多个区域阈值，有效克服了单阈值分割图像的不足。

(3)动态阈值分割技术[27-28]。一个固定的阈值面对图像有局部噪声、阴影、亮度不均等情况在进行处理时其分割效果不佳，动态阈值技术则是一组随像素位置变化的函数，可以根据局部不同的像素灰度级动态地调整阈值以达到较好的分割效果。

2.3 改进的木材表面缺陷图像分割方法

2.3.1 基于灰度-梯度共生矩阵的二维阈值分割

其原理是根据2×2邻域中灰度级对的共生矩阵概率来计算局部熵和条件熵，按最大熵原理计算阈值。利用灰度和梯度信息确定二维阈值的方法较传统的阈值分割而言，分割速度快且分辨率高，能有效分割正常图像与缺陷图像[29-30]。但针对不同的木材缺陷使用相同的分割算法也会出现部分缺陷分割效果不好的现象，所以需因地制宜地选择合适的方法。

2.3.2 基于灰度共生矩阵的纹理分割

木材缺陷与正常木材组织间的纹理特征存在明显差别，基于灰度共生矩阵的纹理分割是通过分析灰度共生矩阵的15个纹理特征参数及其分布结果建立矩阵以进行图像分割[31-32]。像素距离d、生成方向θ和图像灰度级g的取值直接影响纹理特征参数，对灰度共生矩阵的建立至关重要，研究发现d=3，θ=0°、45°、135°时纹理特征参数具有较好的代表性，缺陷图像灰度级从256级量化至32级时极大减小计算量。

2.4 形态学后处理

由于受木材的固有纹理影响，分割后的缺陷图像存在噪声和形状各异的伪目标，需进行一定的形态学后处理。形态学后处理是以形态学工具为基础，对图像进行处理以得到理想图像的方法。

(1)获取目标[33]。所提取的分割图像没有完全获得主要的缺陷目标对象，首先需要获取表面缺陷目标，使用形态学填充来获得目标对象。数学形态学的运算对象是集合，本质上是用结构元素映射输入图像。形态学的基本运算有膨胀、腐蚀、开启和闭合四种运算。

(2)形态学边缘提取[34]。提取图像边缘可利用多种不同的边缘检测算子，针对滤波过后的木材缺陷的目标图像，采用数学形态学梯度提取边缘。数学形态学梯度是一种基于集合运算的非线性边缘检测器，运算简单、便于硬件实现。选取适当的结构元素对木材缺陷的目标图像进行腐蚀运算消除边缘后，与腐蚀前图像相减即得到连续单值的边缘图像。

(3)掩膜处理[35]。利用选好的图形遮挡目标图像，用于覆盖的特定图形称为掩膜。掩膜处理的目的是屏蔽木材非缺陷部分的图像，只提取图像中的缺陷部分。将形态学滤波后目标对象的掩膜与原图像相乘，即可得到原缺陷部分的灰度图像。

(4)目标的形态学特征[36]。提取目标缺陷图像的形态学几何特征包括最大长度、最大宽度、圆形度、矩形度、边缘直线度、伸长量和面积等。

2.5 缺陷识别

对已经获取的缺陷图像，选取合适的特征，设计分类器识别不同木材表面缺陷的图像。

2.5.1 神经网络分类器

BP神经网络分类器[37-38]实际就是将输入的n个木材表面缺陷图像分类为m个木材表面缺陷类型中的一种，先利用BP神经网络训练样本，根据误差大小反向传播调节网络的权值直到网络可识别输入样本。BP神经网络识别缺陷的方法已经较为成熟，其识别准确率受所选择的特征影响，关键是如何提取木材表面缺陷图像中优秀的图像特征以训练神经网络达到较高的识别准确率。目前针对木材表面缺陷，利用高斯融合特征及圆度和边缘直线度等特征建立BP神经网络识别木材表面缺陷的方法较其他纹理检测手段而言，识别准确率更高。

2.5.2 支持向量机分类器

利用高阶统计量滤波器提取木材表面缺陷图像的特征，并用大量试验图像训练支持向量机分类器，其分类效果显著[39]。用局部二值模式和方向梯度直方图融合特征对木材表面缺陷进行分类的支持向量机分类器[40]，分类准确率可达97%以上。

表1列出了图像处理技术检测木材表面缺陷的步骤和方法，及其相关算法的参考文献。

表1 图像处理技术各环节算法

3 展望

图像处理和分类算法是木材缺陷检测的核心，目前基于图像处理的木材表面缺陷识别已达到一定的精度，相关的研究也越来越多，但仍存在一些不足。未来图像处理技术在木材加工领域的发展重点在以下几个方面：

(1)从大量研究进展来看，基于木材图像的纹理特征对木材表面缺陷进行检测的方法具有一定的精度，目前仍没有一种办法可以全面、准确地检测各种木材表面缺陷。基于灰度共生矩阵的纹理分割算法中纹理参数的选择直接影响分割效果，至今还没有一个定性的指标。研究[41-43]发现，算法的融合、算法之间互补能达到更好的分割效果。

(2)基于DSP和图像识别的表面缺陷检测技术[44-49]在木质材料上的应用较少，以嵌入式DSP为核心处理器，结合CCD的缺陷检测系统结构简单、成本低且易操作。开发类似系统应用于实际生产中，实现木材表面缺陷非接触智能化检测有利于提高木材加工生产的效率和质量。

(3)考虑实际的木材加工生产具有一定的连续性及其流水线作业方式，智能化是当前木材生产加工的发展方向，需要将机械化和自动化水平更高的装置用于生产。目前已有X射线图像动态检测物体缺陷的方法[50-52]，研发动态的木材表面缺陷检测及剔除系统，实时在线检测并剔除木材缺陷部分，对于实现木材加工的柔性化与智能化具有积极的作用。