基于机器视觉的木材种类识别技术研究

姜俊鹏， 吕 斌， 胡够英， 祝 超， 刘伟忠， 陈伟浪

(1.江山市检验检测研究院，浙江 江山 324110；2.衢州市方圆林产品检验检测有限公司，浙江 江山 324110)

中国是木材交易量极大的一个国家，大量的木材交易引发珍稀植物的盗砍盗伐，同时，在利益的驱使下，出现不法分子以次充好，给消费者带来巨大的经济损失。由于传统人工识别木材种类需花费的时间较长，成本较高，导致木材种类识别工作难度大，耗时长，保护珍稀植物难度大。研究一种利用计算机技术进行木材种类快速识别的方法，对保护森林资源和保护消费者的合法权益有积极意义。

木材种类可通过木材构造特征、木材材色、木材气味、木材气干密度等方法识别。为正确判定木材种类，通常采用的是观察比对木材微观构造的方法。通过木材微观构造识别是指通过木材的微观结构，包括管孔特征、木射线特征等，对木材的种类进行识别。传统的检测方法多是依靠人工目视比较检测，对检测人员的经验有较高要求，检测结果不具有客观性，对检测人员的眼睛也有较大伤害，且效率极低。

近年来，随着机器视觉技术的快速发展，因其具有精度高、速度快、稳定性好、成本低等优势，已被广泛应用于各个行业。可将机器视觉技术运用到木材种类识别领域中，以提高识别效率和准确度。

1 基于机器视觉的木材种类识别系统研究现状

机器视觉在木材种类识别领域虽然发展势头强劲，但依然不是很成熟。近几年关于机器视觉在木材种类识别领域的相关研究主要集中在各种借鉴主流神经网络框架方面。卷积神经网络作为目前图像识别领域中最先进的技术，利用该模型对木材显微切片纹理特征进行分析识别，可大幅降低木材种类识别的专业要求，又能提高识别率。

2 基于机器视觉的木材种类识别系统

机器视觉是实现机器模拟人眼功能来代替人类完成某些工作，其主要是通过摄像头对目标物体拍照，获取物体的图像，然后利用图像处理器对原始图像进行分析处理最终达到对物体进行识别和检测的目的。基于机器视觉的木材种类识别系统原理图如图1所示。

图1 基于机器视觉的木材种类识别系统原理图

基于机器视觉的木材种类识别过程如下：先制备试验显微切片，随后利用生物显微镜获取制备好的试验显微切片的图像并存进计算机中，再把图像转换成灰度图像，通过图像处理，包括去除噪声、增强图像等，使所获得的原始图像易于计算机进行提取特征。当计算机从处理后的显微切片图像中提取到特征后，即可根据预先设定好的分类决策，对该显微切片的木材特征性质进行分析识别判定，从而确定出该样品属于何种木材。通过机器视觉进行木材种类识别的误差低、速度快、准确率高，并且基本上不会受到人为因素的影响。基于机器视觉的木材种类识别过程如图2所示。

图2 基于机器视觉的木材种类识别过程

2.1 系统组成

该系统由软件部分、硬件部分两部分组成。系统硬件部分使用生物显微镜采集图像信息。系统软件部分是完成对摄像机采集到的图像进行前期处理以及比对检测工作的部分，是检测功能实现最重要的部分。系统结构图如图3所示。

图3 基于机器视觉的木材种类识别系统结构图

2.2 制备试验显微切片

选取试验木材，按照木材横切面(与树干主轴垂直方向的切面)、径切面(顺着树干轴向，通过髓心与木射线平行或与年轮垂直的切面)和弦切面(没有通过髓心的树干纵切面)互相垂直的方式进行取样，取样尺寸大于等于20 mm×20 mm×20 mm。将木材样品收入盛有水、乙二胺或乙醇-甘油等的容器中，并放置于60 ℃的烘箱中，至木材样品沉入容器底部，确保试样软化并排出空气。取出木材样品后，将软化的试样置于切片机上，分别切出横切面、径切面和弦切面切片，确保切片厚度为15～20 μm。再将试样进行染色、脱水、透明和封片等操作，制成显微切片。

2.3 视觉图像处理

由机器视觉获取到的原始图像通常会受到各种干扰，图像在获取过程中常常会伴随一定的噪声而无法直接进行检测识别，因此需要根据得到的图像选用适当的滤波方式对所获得的图像进行滤波处理，以得到更加清晰且易分析识别比较的图像。对所获图像进行的处理任务包括：

(1)图像预处理：将获得的图像进行像素尺寸的修改设定，以便在结果生成过程中可以得到完整有效的图像特征。

(2)边缘提取：首先利用边缘增强算子，来突出预处理后图像中的局部边缘，然后定义出像素的“边缘强度”，通过阈值分割的方法提取边缘点集。

(3)边缘修复：对边缘提取过程中得到的存在边缘轮廓丢失的部分进行修复。

(4)结果生成：编译运行程序，分类决策，识别判定，得到检测结果。

3 小结

基于机器视觉的木材种类识别可提高识别精度，简化识别流程。现有研究表明，基于机器视觉的木材种类识别系统研究已取得一定成果，将机器视觉应用在木材种类识别中，能够有效识别木材种类，但由于各类木种特征存在相似之处，且已知树种的木材特征不够齐全等问题的限制，可能导致最终检测结果存在一定误差。基于机器视觉的木材种类识别仍存在许多问题和难点丞待解决。