基于参照物和图像处理的节子大小测量方法

刘盼盼,郝景新,杨滨,张海婷,徐大鹏,朱旭,刘拓宇

(中南林业科技大学材料科学与工程学院,长沙 410004)

正交胶合木(cross-laminated timber,CLT)是由3层或3层以上实木锯材或结构用木质复合材通过相邻层相互垂直组坯,采用结构胶黏剂加压预制而成的实体木质工程材[1]。CLT可应用于墙、地板和屋顶等[2],与混凝土和钢材相比是一种质量较轻的建筑材[3]。随着可持续制造理念的形成,减少产品制造过程中的碳排放已经成为企业的一个目标[4]。在CLT制备过程中,要对存在木材缺陷的板材进行优选。例如:裂纹、虫眼和节子,这些木材缺陷都会影响到CLT的制备质量。在制备过程中,非常重要的影响因素是CLT胶合性[5-7],其中节子对于CLT胶合性能影响较大。林兰英等[8]在节子对木材胶合性能的影响中提到,当节子直径<25 mm时,其胶合性能与无节胶合时相近,可将小于25 mm的节子保留,以提高木材的出材率和利用率。谢力生等[9]研究表明,在两胶合面中仅一面有直径 20～25 mm小木节时,胶缝的剪切强度满足要求,且胶缝煮沸一次总剥离率也满足要求。根据上述研究可知,当节子直径小于25 mm时对胶合性能影响较小,可保留,而节子直径大小超过25 mm时却会影响木材的胶合性;因此通过计算机视觉识别出节子大小,可减少人力物力的投入,提高木材加工行业自动化水平。

随着计算机技术的不断发展,已逐渐应用于木材科学领域,但多以目标识别为主。如吴雨生等[10]在基于机器视觉的杉木规格材节子检测与分等中表明所用方法可快速识别杉木规格材表面节子并对其进行定位,该系统计算时间快,识别效率高,节子识别率可以达到96%;陈东等[11]的结构用锯材表面节子检测设备的研制与试验研究中,利用机器视觉技术采用目测分级的方法设计了一套结构用锯材表面节子检测设备,通过试验验证,设备的稳定性较好,输送速度对图像灰度存在影响。目前大多研究为检测节子的缺陷位置和等级信息如德国威力公司,但准确度量节子大小等相关研究还十分鲜少,准确测量节子大小可解决各类实际问题。

本研究提出了一种基于参照物和图像处理的节子大小测量方法:用摄像机分别获取在10,20,和30 cm的高度下的木材图像,后将直径为25 mm的圆形卡片作参照物进行像素标定,通过OpenCV图像处理方法[12],自动对节子大小进行检测,根据对参照物大小实际检测,确定节子的实际大小。本研究提出的基于参照物图像处理方法运行速度快、识别准确率高,可最大限度地增加木材的出材率,提高木材的利用价值,进一步提升木材加工行业自动化水平。

1 材料与方法

1.1 试验材料

本研究以落叶松(Larixgmelinii)、榉木(Zelkovaserrata)和杨木(Populusspp.)为实验材料。落叶松(A1)取自东北兴安岭,将落叶松木材加工为(长×宽×厚)200 cm×13 cm×5 cm的试样,含水率为8%～11%;榉木(A2)来自欧洲,将榉木木材加工为(长×宽×厚)55 cm×12 cm×3 cm的试样,含水率为8%～11%;杨木(A3)取自湖南省株洲市,将杨木加工成(长×宽×厚)100 cm×6 cm×3 cm的试件,含水率为5%～11%。为了探究本方法的适应性,以基材(木材种类)和高度(镜头与木材之间的垂直高度) 2个因素,按照表1设置相应的水平,并按照表2进行试验设置,以模拟相应的试验场景。

表1 试验因素水平Table 1 Test factor level table

表2 试件的组合设计Table 2 Combined design of test pieces

1.2 测量方法

1.2.1 传统尺规的节子大小测量方法

传统节子大小测量法指具备正常视力实验人员借助自然光,通过有机玻璃尺测量节子的直径(图1)。

图1 传统尺规测量节子大小Fig. 1 Traditional ruler measuring knot size

1.2.2 采用参照物和图像处理的节子大小测量方法

1)图像采集与校正:通过表2的试件组合设计表进行取样,每组的图像采集数为20,最终得到180张彩色(rgb)照片(uint8),分辨率为 74 ppi。对所采集的图像(图2a)进行剪裁与校正,目的是去除主体试件外的背景元素,使图像中只含有样本(只含参照物),即可得到实验图像(图2b)。

图2 剪裁与校正前后图像Fig. 2 Cropping and correction of before and after images

2) 图像灰度化:在matlab图像处理中,通过 RGB3GRAY和 M3BW 达到去色和降低维度的目的[13],效果可见图3a。同时,根据灰度图像可获得样本图像的灰度图像统计直方图(3b)。该直方图显示了一个样本图像中节子与背景的双峰直方图,右峰为灰度值较高的木材区域,左峰为灰度值较低的节子区域。

图3 去色后的图像及其灰度图像统计直方图Fig. 3 The decolorized image and its gray-scale image statistical histogram

3)对图像进行二值化处理:通过 matlab 图像处理工具对含有节子图像进行二值化处理[14]。亮度值低于最佳阈值的像素被认为是木材区域,并被赋予“0”值(暗区),而亮度值高于最佳阈值的像素被认为是节子区域,并被赋予“1”值(亮区)。原图如图4a,处理后效果如图4b所示。但有些木材纹理很深,会被误认为是节子区域,例如在颜色较深的木材中会有些许偏差,其表现为沟壑交替,层次不均,图像处理时被误判为“1”值(白色)区域,如图4c、d所示。

图4 Matlab图像处理后的节子图像Fig. 4 Image of wood breakage rate after matlab image processing

4)基于OpenCV图像处理的节子大小计算方法:对已进行图像灰度化和二值化处理的图像使用OpenCV测量节子的最大直径,检测步骤如图5所示。

图5 基于OpenCV图像处理的节子大小计算方法Fig. 5 OpenCV image processing based node size calculation method

OpenCV测量原理:引入一个和比例尺类似的概念——给定度量单位的像素比率(pixels per metric ratio),先给定固定大小参照物后便可测得此高度下其他目标物体的大小。

①将木材经过二值化处理,只留下目标节子,便于测量节子大小。

②通过函数对图像进行高斯滤波(图6)[15]。为了尽可能减少噪声对边缘检测结果的影响,必须滤除噪声以防止由噪声引起的错误检测。图6a、b分别表示高斯滤波前后的图像。

图6 高斯滤波前后图像Fig. 6 Gaussian filtered before and after images

③对高斯滤波后的图像进行Canny边缘检测[16]。图像的边缘可以指向不同方向,因此经典Canny算法用了4个梯度算子来分别计算水平,垂直和对角线方向的梯度。

④通过观察边缘图像可以发现各目标内部还具有较细的纹理,通过孔洞填充操作去除内部纹理。提取孔洞填充图像外围边缘,使用形态学算法去除较小物体,完成对图像的基本处理。

⑤对已完成基本处理的图像计算pixels per metric ratio,并输出带检测结果的图像,可见到最长直径(长直径)和与最长直径垂直方向的最大尺寸(短直径)。

2 结果与分析

2.1 不同场景下节子测量精度分析

根据1.2.2所述方法对所采集的所有图像进行节子大小测量,共计9组结果(表3),分别对每组实际测量值与图像测量值进行方差分析,以验证图像测量值与实际测量值是否存在显著差异。同时,进行绝对误差和相对误差分析(表4),以探究图像测量值与实际测量值之间误差最小条件下的使用场景,反映图像测量法的精度。

表3 不同使用场景下节子长直径测量结果Table 3 Measurement results of knotty length diameter under different conditions

表4 实测值与图像测量值的方差、误差分析Table 4 Variance and error analysis of measured value and image measured value

表3中共有4个未检测出节子,其中长直径≤10 mm的有4个,占100%,分别是A1B3场景下的16,18和20号节子以及A3B3场景下的17号节子。由于近小远大的透视原理,17号节子在整个图片中所占比例太小,导致无法识别,不过尺寸较小的节子并不会影响CLT的胶合性能。

通过方差分析(表4)可知,9种使用场景下图像测量法的长直径测量结果与其实际测量值均无显著性差异,说明不同使用场景下节子大小都可以通过本法进行测量。

通过绝对误差和相对误差分析可得:A3B2使用场景下图像测量法的绝对误差和相对误差最小。这是因为在此高度适中、基材纹理浅的使用场景下,所拍摄的图像受透视原理和边缘模糊的虚化现象的影响小,故在此使用场景下的测量精度最高。A1B3使用场景下图像测量法的绝对误差最大,A2B1使用场景下图像测量法的相对误差最大,但相对误差更能反映测量误差的可信度,故A2B1使用场景下的测量精度最低。这是因为在此高度低且基材纹理深的使用场景下所拍摄的图像受透视

原理和边缘模糊的虚化现象的影响最大。相对误差由小到大顺序为:A3B2< A3B1< A3B3< A1B2< A2B2

a)A1B1;b)A1B2;c)A1B3;d)A2B1;e)A2B2;f)A2B3;g)A3B1;h)A3B2;i)A3B3。图7 测量结果Fig. 7 Measurement results

2.2 影响节子大小测量精度的因素

2.2.1 基材对节子大小测量精度的影响

测量节子大小是一种工程实践问题,但是不同基材下的测量精度却大不相同。基材种类是探究节子大小测量精确度的重要指标,有的木材纹理特征不明显,测量结果误差会偏小;但有些木材纹理特别凸显,其纹理颜色很深与节子颜色深度相差无几,会影响测量结果,导致误差偏大:因此,对基材种类的探究显得不可或缺。

对所采集的180张图片进行基材的数据分析(表5),据表5可知在此3种基材下,绝对误差均值最小为杨木(A3),相对误差均值最小为杨木(A3)。绝对误差最大为榉木(A2),相对误差最大为榉木(A2)。相对误差更能反映测量的可信度,因此在这3种距离下的最优基材为杨木。

表5 基材对节子大小测量精度的影响Table 5 Influence of substrate material on the accuracy of nodule size measurement

2.2.2 高度对节子大小测量精度的影响

对所采集的180张图片进行高度的数据分析(表6),在此3种高度下绝对误差均值最小为B2,高度为20 cm,而相对误差均值最小也为B2,因此在这3种高度下的最优高度为20 cm。

表6 基材高度对节子大小测量精度的影响Table 6 The effect of height on the accuracy of knot size measurements

2.3 讨 论

基于参照物和图像处理的节子大小测量办法,拓展了节子大小的测量途径,对提升节子大小计算效率具有重要意义。这不仅有助于完善胶合木质量的评价体系,也有助于丰富节子大小测量方式,极大地促进了节子大小测量的效率和准确度,契合了工业化生产进程和要求。

传统方法测量节子大小时,操作复杂,且带有较强的随机性。本研究采用的基于参照物和图像处理技术的节子大小测量方法有效地规避了以上缺陷,可快速实现节子大小的量化。 本研究方法虽能够自动化识别节子大小,实现节子的数字化测量,但图像自身的明度、对比度、饱和度会受到光照条件影响,成为必须考虑的自变量因素。因此,利用数字化方法计算的节子大小,会与实际节子大小略有偏差。

由于获取图像条件受限,图像质量有待提高。采用分辨率更高、更稳定的样本采集环境,可提高测量数据的准确性,为评估节子大小研究提供极大的便利。

3 结 论

本研究以落叶松、榉木和杨木锯材为实验样本,基于参照物和图像处理技术提出了一种节子大小测量方法。主要结论如下:

1)基于参照物和图像处理技术提出了一种节子大小测量方法,可以在复杂的环境中准确测量板材中节子大小。

2)测量高度和木材种类对本方法的测量精度有影响。通过误差分析可得,对单一变量分析和9组数据均值进行数据分析得出,最优的方案为杨木(A3)和高度为20 cm(B2)下的误差最小,绝对误差均值约为0.73 mm,相对误差均值约为5.8%。在9组实验中相对误差均小于20%,满足工程实际需求。

3)基于参照物的节子大小测量算法运行速度快、精确度较高、鲁棒性强,可克服传统节子测量需要人工的缺点,自动化程度高,能够满足木材中节子大小测量的要求。