基于压缩感知的实木板材缺陷分选方法
【专利摘要】基于压缩感知的实木板材缺陷分选方法，涉及实木板材表面缺陷检测【技术领域】。本发明为了解决实木板材在线分选过程中检测速度慢、识别率低的问题。本发明方法首先提取缺陷图像的几何与区域特征、灰度纹理特征和不变矩特征共三类25个特征；其次通过LDA方法将特征数量进行融合，降低特征维数；最后利用训练样本构建数据字典，在L1范数意义下求解数据字典的最优解，利用最小二乘完成线性规划求解，实现缺陷分类。实验选择实木板材表面的活结、死节、裂纹这三种主要缺陷来检测算法的分选效果，对50幅缺陷图像进行了仿真实验，特征选择与分类的平均时间为0.446ms、分类准确率为94％，实现缺陷特征的快速准确分类。
【专利说明】基于压缩感知的实木板材缺陷分选方法
【技术领域】
[0001] 实木板材表面缺陷的检测是林业加工生产的重要工艺部分，直接影响木材生产产 品的品质优劣和等级高低。近几十年来，随着机械在加工生产中的大量使用，传统的人工目 测分类方法也逐步被计算机分类系统所代替。越来越多的学者开始研究开发自动分选系统 来完成实木板材的在线分类的工作，提高自动化水平与分选效率【1】。
[0002] 实木板材的自动分选系统中主要是从计算机视觉的角度出发，用图像处理的方法 对实木板材进行分类。首先通过工业摄像头完成图像采集的工作，之后提取实木板材图像 的相关信息，根据所收集到的相关信息来实现分类检测。D.T.Pham总结了窗口特征、形状特 征、统计量特征和灰度特征等4大类共32个特征向量，通过MLP神经网络分类器对其识别 准确性进行了分析。实验发现，隐含层神经元的个数对实验结果并没有特别重要的影响，学 习速率反而会对实验结果产生重要的影响【2,3】。MarcoCastellani将遗传算法与神经网 络结合后对装饰实木板材进行分类，但该方法对实木板材表面存在单一缺陷时的辨识比较 理想，当存在2种以上缺陷时将难以辨识【4】。肖宾杰等提出了一种基于主元分析法的图像 序列融合方法，通过对同一实木板材的多幅采集图像进行序列融合，使得缺陷特征更加明 显，但通过采集多幅图像来增强缺陷特征的这种方法提高了识别成本、降低了识别的时间 【5】。Mahram，Amir等人提出灰度共生矩阵法，局部二进制模式和统计矩三种方法的混合使 用，来进行特征缺陷提取，用主成分分析（PrincipalComponentAnalysis,PCA)和线性判 别分析（LDA)利用减少功能向量维度【6】。前期研究提取了缺陷图像的灰度纹理特征、不变 矩特征和几何区域特征等3大类特征，能够完整的表达缺陷信息，并设计SOM神经网络分类 器进行分类，但是在训练过程中有不获胜的死神经元，影响分类结果【7】。
[0003] LDA线性鉴别分析算法在模式识别领域中是一种经典的识别算法【8】。根据 Fisher线性判别准则，通过投影变换，使样本在新的投影空间中有最大的类间距离和最小 的类内距离，从而实现特征变换降维的目的。压缩感知是Donoho和Candes等提出信号处 理理论【9,10】。信号通过某种变换可以稀疏表示或可压缩的，则可设计一个与变换基不相 关的测量矩阵测量信号，将得到的测量值通过求解优化问题，实现信号的精确或近似重构。 压缩感知可以很大程度地减少测量时间、采样速率及测量设备的数量【11】。
[0004] 为了提高现有实木板材缺陷在线分类的效果，针对现有实木板材表面缺陷分类方 法的分类器输入维数高、分类算法复杂的问题【12, 13】，本发明采用LDA线性鉴别算法进行 特征融合，降低特征维数；通过求解测试样本在I1范数下对特征矩阵的最优化问题，来实现 缺陷样本的分类。
【发明内容】
[0005] 本发明的目的是提供一种基于压缩感知的实木板材缺陷分选方法，以解决实木板 材在线分选过程中检测速度慢、识别率低的问题。本发明方法是一种基于LDA特征融合与 CompressedSensing分类的实木板材在线分选方法。
[0006] 本发明为解决上述技术问题采取的技术方案是：
[0007] -种基于压缩感知的实木板材缺陷分选方法，所述方法的实现过程为：
[0008] 步骤一、采集m个实木板材的带有缺陷的表面图像作为训练样本；
[0009] 步骤二、将采集到的实木板材的缺陷图像的缺陷部分运用形态学方法分割出来， 然后执行步骤三；
[0010] 步骤三、特征提取，提取每个样本缺陷部分的几何与区域特征、灰度纹理特征和不 变矩特征三类共25个特征，利用所述特征组成25维特征向量，以表达实木板材图像样本的 缺陷信息；
[0011] 步骤四、特征融合，采用线性鉴别（LinearDiscriminantAnalysis,LDA)法进行 特征融合以特征降维，得到低维度的特征向量；
[0012] 步骤五、完成步骤四后，将低维度的特征向量作为输入，设计实木板材缺陷的压缩 感知分类器（CS分类器设计）；
[0013] 步骤六、通过压缩感知分类器进行实木板材缺陷分类识别，比较测试样本的各类 系数即可得到该测试样本的所属缺陷类别，从而得到测试实木板材的缺陷类别，获得最终 的判定结果。
[0014] 在步骤三中，特征提取的具体过程为：
[0015] 步骤三（一）、几何与区域特征
[0016] (1)面积Area:将灰度图像中缺陷部分的值设为1，而正常部分的值为0 ;缺陷部 分的面积可由公式（1)得出：
[0017]
【权利要求】
1. 一种基于压缩感知的实木板材缺陷分选方法，其特征在于：所述方法的实现过程 为： 步骤一、采集m个实木板材的带有缺陷的表面图像作为训练样本； 步骤二、将采集到的实木板材的缺陷图像的缺陷部分运用形态学方法分割出来，然后 执行步骤三； 步骤三、特征提取，提取每个样本缺陷部分的几何与区域特征、灰度纹理特征和不变矩 特征三类共25个特征，利用所述特征组成25维特征向量，以表达实木板材图像样本的缺陷 信息； 步骤四、特征融合，采用线性鉴别法进行特征融合以特征降维，得到低维度的特征向 量； 步骤五、完成步骤四后，将低维度的特征向量作为输入，设计实木板材缺陷的压缩感知 分类器； 步骤六、通过压缩感知分类器进行实木板材缺陷分类识别，比较测试样本的各类系数 即可得到该测试样本的所属缺陷类别，从而得到测试实木板材的缺陷类别，获得最终的判 定结果。
2. 根据权利要求1所述的一种基于压缩感知的实木板材缺陷分选方法，其特征在于：在步骤三中，特征提取的具体过程为： 步骤三（一）、几何与区域特征 (1) 面积Area :将灰度图像中缺陷部分的值设为1，而正常部分的值为O ;缺陷部分的 面积可由公式⑴得出：
式中R是像素为1的点的坐标； (2) 周长Perimeter :目标缺陷的周长就是统计边界上的像素点，周长Perimeter如公 式（2)，式中B为目标缺陷的边界；
(3) 外接矩形长度、宽度及其长宽比： 对样本缺陷图像进行逐行逐列的查找，找出样本缺陷部分中最小行Lmin、最大行 Lmax、最小列Rmin和最大列Rmax四个值，则缺陷长和宽分别为：
(5)线性度 Linearity
(7) 矩形度Rectangularity :矩形度指的是目标的面积与其最小外接矩形的面积之 t匕，计算公式如下：
(8) 四个区域特征为： 偏心率Eccentricity :与目标缺陷部分二阶矩相同的椭圆的偏心率； 直径Diameter :与目标缺陷部分面积相同的圆的直径； 短轴Short axis:与目标缺陷部分二阶矩相同的椭圆的短轴长度； 长轴Longer axis:与目标区域二阶矩相同的椭圆的长轴长度； 步骤三（二）、灰度纹理特征 属于不同类别的实木地板表面缺陷除了形状有差别之外，其相应的灰度纹理特征也是 不同的，所以缺陷目标的灰度纹理特征也是缺陷特征的一个重要方面；缺陷的纹理特性是 基于缺陷直方图的特征描绘子得到的，若P(Zi)表示灰度直方图，m表示缺陷灰度均值，则灰 度的n阶矩用式（10)来定义：
其中，L是图像可能的灰度级，Zi为灰度值； (1)内部均值、边缘均值：二者均用Mean value表示且计算公式相同：内部均值是缺陷 区域内所有像素的平均灰度值，边缘均值是缺陷边缘的所有像素的平均灰度值；
步骤三（三）、不变矩特征 通过计算样本图像整体灰度分布的各阶矩来描绘灰度的分布情况；对于一幅NXM的 图像f(x，y)，则其（P+q)阶矩为：
提取实木板材缺陷的三大类共25个具体特征后，按公式（34)的最大最小法进行归一 化处理，其中，Clniin表示序列中的最小值，(1_表示序列中的最大值，
3.根据权利要求1所述的一种基于压缩感知的实木板材缺陷分选方法，其特征在于：步骤四的实现过程为： 步骤四（一）、LDA的具体算法如下： 设m个样本分别为Xl，X2，…，X111，每个样本X是一个n行的矩阵，其中I i表示属于i类 缺陷的样本个数，假设共有c类，则= m ;Sb是类间离散度矩阵，Sw是类内 离散度矩阵，Xi是第i个缺陷样本，u是所有样本的均值，Ui是第i类的样本均值；那么第i 类的样本均值Ui为
步骤四（二）、Fisher判别准则 判别类间离散度最大和类内离散度最小对Fisher鉴别准则表达式（31)通过Lagrange 乘子法可求得公式（32):
式中《是3;\的特征向量，是S，Sb最大特征值所对应的特征向量所组成的矩阵， 是最佳投影向量，为矩阵特征值； 就是S，Sb最大特征值所对应的特征向量所组成的矩阵，是最佳的投影向量；基于 ?#把高维样本投影到低维，将高维空间到低维空间的映射； 步骤四（三）、实木板材缺陷特征的LDA融合，其过程为： 计算均值：按LDA理论计算所有样本各特征的均值以及所述c类缺陷样本各特征的均 值； 按LDA理论计算得到c类缺陷的类内离散度矩阵和类间离散度矩阵： 基于训练样本的类别信息，采用LDA特征融合实现从高维实木地板纹理特征空间里提 取出最具有判别能力的低维特征，所提取的低维特征能帮助将同一个类别的所有样本聚集 在一起，不同类别的样本分开，使样本的类间离散度最大和类内离散度最小，即类内离散度 矩阵的中的数值要小，而类间离散度矩阵中的数值要大，并由Fisher判别准则判别； 根据Fisher判别准则，通过类内离散度矩阵和类间离散度矩阵求出最佳的投影向量 将25维特征在投影向量上进行投影得到融合后的特征，完成特征融合的过程。
4.根据权利要求1所述的一种基于压缩感知的实木板材缺陷分选方法，其特征在于： 在步骤五中，基于压缩感知理论设计实木板材缺陷的压缩感知分类器，其过程为： 假设要对c类缺陷进行分类，第i类缺陷的训练样本数为Ii (i = 1，2,…，c)山^为属 于第i类缺陷的第j个训练样本，G RvX1，i = 1，2,…，c ;j = 1，2,…，Ii，所有训练样 本由从缺陷图片提取的特征参数构成A为第i类缺陷的训练样本矩阵，彳e /fx/%其中，V 为训练样本维数构成（40)式所示训练样本的数据字典 4. I ** 1 (40) 若?为完备数据字典，则由C类缺陷的训练样本矩阵构成完数据字典为 A = [A1 A2 …AJ (41) 当第i类缺陷的训练样本足够充分时，令h e Rvxi属于第i类缺陷的测试样本，测试 样本的构成方式与训练样本相同；a u e R为权重系数；则属于第i类缺陷的测试样本可 表示为 h: = ct: + a, …+at nht t = A1O!: (42) 若or,, e i?IX<为权重系数向量，则 ai=la,ia,,2 "' % I (43) 将（42)式代入（41)式并增广矩阵，可得到 bt =Aarl (44) a4 = [Ou …aWi …?……acJ …] (45) 式中，；
为增广权重系数向量；…《rt.为增广权重 系数； 根据上述过程，对于任意满足式（42)的测试样本（i = 1，2,…，C)，通过求解式（44)， 都可得到一个与式（45)类似类似》4的向量； 假定测试样本h的分类未知，
一 个欠定方程，难以得到唯一解； 因为《4是稀疏向量，且式（44)与式（36)完全一致，利用压缩感知理论，求解与式（39) 类似的优化问题（46)，可得到^的精确近似逼近为：
式中，^4为< 的精确或近似逼近；式（46)是一个欠定方程，不易求得其准确值，但是 用最小二乘法可以得到近似的最优解； 若测试样本是属于训练样本库中的一种类别，那么其特征值与训练样本中该类样本所 提出的特征值相近，通过最小二乘法算得的最优解，即对应的系数是最大的。
【文档编号】G06K9/62GK104361352SQ201410642068
【公开日】2015年2月18日 申请日期:2014年11月13日 优先权日:2014年11月13日
【发明者】张怡卓, 于慧伶, 李超 申请人:东北林业大学