一种基于人工智能和图像处理的木板节子检测方法与流程

1.本技术涉及人工智能领域，具体涉及一种基于人工智能和图像处理的木板节子检测方法。


背景技术：

2.节子，是木材生长缺陷的一种，是衡量木材单板的质量的重要标准，现在常用的节子检测方法是肉眼观察或者通过阈值分割的方法对节子进行检测，但肉眼观察往往效率很低，自动阈值分割只通过灰度信息进行分割，容易将与节子区域灰度值相近的背景部分也分割为节子区域，导致对节子区域的定位不清晰。


技术实现要素：

3.为了克服上述现有技术的缺点，本发明的目的是提供一种基于人工智能和图像处理的木板节子检测方法。
4.为实现上述目的，本发明采用如下技术方案：一种基于人工智能和图像处理的木板节子检测方法，包括如下步骤：
5.对待处理的木板图像进行语义分割，提取木板图像；
6.将木板图像转换到hsv空间图像，提取明亮通道的图像进行亮度反转得到反向灰度图，对反向灰度图进行模板卷积得到对应的像素概率图；
7.依次将像素概率图中每个像素点的概率与其四邻域像素概率进行比对，若该像素点周围四邻域像素点的概率都小于该像素点的概率，则该像素点为黑斑点；
8.对黑斑点进行区域扩张得到黑斑区域；
9.以黑斑点为原点建立坐标系，以黑斑区域边缘点在横、纵坐标上的交点作为圆心，以该交点到原点坐标的连线为半径得到四个圆，计算黑斑区域面积在每个圆内的比例，并取获得的比例的均值作为该黑斑区域的似圆率；
10.检测黑斑区域边缘，对该黑斑区域等距扩张，得到等距扩张的实际曲线距离比值序列；
11.以黑斑区域中横、纵坐标最大值和最小值的平均值作为圆心坐标，以该圆心到黑斑区域边缘位置最长的距离和最短距离的平均值作为初始半径，向外按照黑斑区域等距扩张的距离进行等距扩张，得到等距扩张的理想弧长距离比值序列；
12.根据实际曲线距离比值序列和理想弧长距离比值序列得到距离相似度，根据似圆率和距离相似度得到该黑斑区域为节子的概率，利用节子的概率判断黑斑区域是否为节子。
13.所述模板卷积方法如下：
14.获取反向灰度图中行和列的像素值n
行
*n
列
；
15.通过获取的最小值n计算出卷积模板矩阵的最大值；
16.使用计算出的矩阵模板对反向灰度图进行卷积，得到多张像素概率图；
17.根据多张像素概率图得到每个像素点的概率序列，若该序列是递减序列，用最大概率值作为该像素点的最终概率值，否则用概率序列中的最小值作为该像素点的最终概率值。
18.所述检测黑斑区域边缘是采用canny算子检测黑斑区域边缘。
19.所述距离相似度计算方法为：
20.将实际曲线距离比值序列的每个值与理想弧长距离比值序列中的对应值求商，将得到的商的平均值作为距离相似度。
21.所述黑斑区域为节子的概率p的计算方法为：
[0022][0023]
式中：m1表示似圆率，用m2表示距离相似度。
[0024]
本发明的有益效果为：本发明基于人工智能和图像处理确定节子的位置，通过节子周围的木纹纹理变化来辅助节子的检测，工作效率和准确性较高。
附图说明
[0025]
图1是本发明一种基于人工智能和图像处理的木板节子检测方法流程图。
[0026]
图2是本发明一种基于人工智能和图像处理的木板节子检测方法中邻域像素和缓冲区变化趋势示意图。
[0027]
图3a是本发明一种基于人工智能和图像处理的木板节子检测方法中o点像素邻域值示意图。
[0028]
图3b是本发明一种基于人工智能和图像处理的木板节子检测方法中a点像素邻域值示意图。
[0029]
图3c是本发明一种基于人工智能和图像处理的木板节子检测方法中b点像素邻域值示意图。
[0030]
图4是本发明一种基于人工智能和图像处理的木板节子检测方法中卷积模板示意图。
[0031]
图5是本发明一种基于人工智能和图像处理的木板节子检测方法中似圆率计算示意图。
[0032]
图6是本发明一种基于人工智能和图像处理的木板节子检测方法中使用canny检测结果示意图。
[0033]
图7是本发明一种基于人工智能和图像处理的木板节子检测方法中纹理间距示意图。
[0034]
图8是本发明一种基于人工智能和图像处理的木板节子检测方法中扩张次数示意图
[0035]
图9a是本发明一种基于人工智能和图像处理的木板节子检测方法中实际效果中的木板图。
[0036]
图9b是本发明一种基于人工智能和图像处理的木板节子检测方法中实际效果中的像素概率图。
[0037]
图9c是本发明一种基于人工智能和图像处理的木板节子检测方法中实际效果中
传统阈值分割图。
具体实施方式
[0038]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
[0039]
实施例1:
[0040]
本实施例如图1所示提供一种基于人工智能和图像处理的木板节子检测方法,包括：
[0041]
s1:对待处理的木板图像进行语义分割，提取木板图像；
[0042]
该步骤目的是选取图像中木板部分的像素，排除背景其他因素的干扰。具体采用dnn语义分割的方式来识别分割图像中的目标，方法如下：
[0043]
俯视采集多种样式的木板图像作为数据集，进行分割像素，属于背景类的像素标注为0，属于木板的像素标注为1,l oss函数为交叉熵损失函数。
[0044]
s2:将木板图像转换到hsv空间图像，提取明亮通道的图像进行亮度反转得到反向灰度图，对反向灰度图进行模板卷积得到对应的像素概率图；
[0045]
该步骤的目的是将s1得到的木板图像转换为对应的像素概率图，需要说明的是，若图像上某区域是节子的可能性越大，则该区域的颜色越接近于黑色，与木板颜色越不相近，由于hsv色彩空间比rgb空间对人眼的适应性更好，在hsv空间中可以容易区分不同颜色,将亮度信息与颜色信息分离开来，亮度通道上黑色亮度值为0，可以得到更好的检测效果。
[0046]
其中，反向灰度图获取过程为：
[0047]
(1)把图像从rgb色彩空间转换到hsv色彩空间；
[0048]
(2)提取亮度通道的图像；
[0049]
(3)根据亮度通道图像得到反向灰度图。
[0050]
进一步说明，邻域像素和缓冲区变化趋势：
[0051]
如图2所示，位于节子内部的像素，越靠近中心位置，颜色越深，以节子的边缘作为临界线讨论邻域像素和缓冲区距离。o点是节子的中心，可以将整个节子区域看做点o的缓冲区，缓冲区颜色分布均匀，各向同性，越靠近点o，缓冲区颜色越深；点a相较点o距离节子中心距离较远，缓冲区的范围较小，且颜色较浅、分布不均匀；点b位于节子的边缘位置，此时只有一部分邻域的深色像素位于节子内部，因此得出，越靠近节子内部的像素点的邻域像素值颜色较深，且深色缓冲区范围越大。
[0052]
如图3a、图3b、图3c所示，假设除了节子区域，其它区域的像素都是白色。用0-1表示节子内部像素值，1代表黑色，0代表白色，因为越靠近像素中心位置，该像素邻域像素值越高，即越接近于黑色(b
→a→
o)，像素邻域值越接近黑色，位于节子内部的概率也就越大，距离节子像素中心点越近，缓冲区距离也越大。
[0053]
进一步说明，模板卷积过程如下：
[0054]
获取反向灰度图中行和列的像素值n
行
*n
列
；
[0055]
通过获取的图像行列数的最小值n除以10得到的最大奇数计算出卷积模板矩阵的最大值。例如，该灰度图像素为200*300，最小值n为20，则卷积模板最大为19*19，若该灰度图像素为150*100，最小值n为10，则卷积模板最大为9*9，如图4所示为一种3*3的模板。
[0056]
使用计算出的矩阵模板对反向灰度图进行卷积，得到多张像素概率图；
[0057]
根据多张像素概率图得到每个像素点的概率序列，若该序列是递减序列，用最大概率作为最终概率值，若该序列不是递减序列，用序列中最小值作为最终概率值，因为，若该像素位于节子区域内，随着卷积模板的增大，该像素的概率值会不断减小，若该像素值不位于节子区域内，随着卷积模板的增大，该像素的值得变化减小的可能性大，所以选择概率序列中最小值作为最终概率值，扩大节子内部像素与外部像素的差异。
[0058]
s3:依次将像素概率图中每个像素点的概率与其四邻域像素概率进行比对，若该像素点周围四邻域像素点的概率都小于该像素点的概率，则该像素点为黑斑点；
[0059]
该步骤目的是对s2得到的像素概率图中的每个像素依次检测，找到黑斑点，以此为基础，进一步确定节子分布情况。
[0060]
s4:对黑斑点进行区域扩张得到黑斑区域；
[0061]
该步骤的目的是以s3中找到的黑斑点为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域，以合并的像素为生长点继续重复以上操作，最终形成具有相似特征的像素区域。
[0062]
其中，区域扩张步骤为：
[0063]
(1)选择黑斑点作为生长点；
[0064]
(2)判断其相邻像素，如果灰度差小于预先设定的阈值，将它们合并；
[0065]
(3)以新合并的像素为中心，重复步骤(2)，区域将不断增长，直到没有相邻像素满足为止。
[0066]
s5:以黑斑点为原点建立坐标系，以黑斑区域边缘点在横、纵坐标上的交点作为圆心，以该交点到原点坐标的连线为半径得到四个圆，计算黑斑区域面积在每个圆内的比例，并取获得的比例的均值作为该黑斑区域的似圆率；
[0067]
该步骤目的是计算s4中黑斑区域的似圆率，方法如下：
[0068]
以黑斑点为坐标原点，取该黑斑区域边界点的x值和y值的均值作为圆心坐标，取该区域范围内x值或y值最大最小的四个点与圆心连接形成的线段作为半径，得到四个圆。然后计算得到区域面积位于圆内的比例，取均值作为似圆率，如图5所示a、b、c、d分别是区域内x值或y值最大最小的点，分别以oa、ob、oc、od为半径画圆，分别得到圆a、b、c、d,计算得到区域abcd在各个圆的面积占比，取平均数作为似圆率。
[0069]
s6:检测黑斑区域边缘，对该黑斑区域等距扩张，得到等距扩张的实际曲线距离比值序列；
[0070]
该步骤的目的是通过对s4得到的黑斑区域的周围纹理曲线变化分析，得到曲线变化距离比值序列，如果该区域是节子，则周围曲线长度是一个递增序列。如果去掉节子区域，纹理按照走向继续延伸，会形成多个交点。
[0071]
其中，检测边缘是因为区域扩张得到的黑斑区域，计算机无法直接识别边缘，需要先通过边缘检测方法得到边缘，边缘检测采用canny算子边缘检测，如图6所示，包括如下步
骤：
[0072]
(1)高斯平滑：
[0073]
通过符合高斯分布的卷积核对图像进行卷积运算，去除图像中的噪声。
[0074]
(2)计算梯度幅度和方向：
[0075]
利用soble水平和垂直算子与输入图像卷积计算dx、dy，进而得到图像梯度幅值和角度值。
[0076]
(3)根据角度对幅值进行非极大值抑制。
[0077]
(4)用双阈值算法检测和连接边缘。
[0078]
其中，实际曲线距离序列获取步骤如下：
[0079]
对黑斑区域做缓冲区，如图7所示，实线椭圆代表节子区域，做该区域的缓冲区，向外做等距离c扩张，得到多个缓冲区和椭圆线,a代表距离节子区域最近的椭圆，直线b代表距离节子区域最远的椭圆，计算平均距离，得到距离向量，将a与b之间的曲线分别记作曲线a
…
曲线b，将它们的长度分别记为la
…
lb，得到向量[la,
…
,lb]。a和b之间的曲线数量(包括a、b)记为n，则每条线段的平均距离d：
[0080]
从而计算得到了实际曲线距离序列[da,db,dc
…
dn],实际曲线距离比值序列为[db/da，dc/db,
…
dn/d(n-1)]。
[0081]
进一步说明，扩张具体次数获取方法：
[0082]
每次扩张,都会增加一条曲线，则扩张次数可用n表示，如图8所示，根据扩张次数和平均距离绘制趋势图，在向外不断扩张的过程中，当平均距离的变化趋于平稳时，可以停止扩张，则扩张次数n为图中拐点a处对应的扩张次数，扩张次数取值可为a点及之后直线上任意一点对应的x坐标值。
[0083]
s7:以黑斑区域中横、纵坐标最大值和最小值的平均值作为圆心坐标，以该圆心到黑斑区域边缘位置最长的距离和最短距离的平均值作为初始半径，向外按照黑斑区域等距扩张的距离进行等距扩张，得到等距扩张的理想弧长距离比值序列；
[0084]
该步骤目的是分析理想状态下的等距扩张中弧长距离比值序列，步骤如下：
[0085]
首先计算得到s4得到的黑斑区域的中心位置，中心位置的x、y坐标通过目标区域的最大、最小x、y值的平均数得到，然后计算该中心位置到目标区域边缘位置最长的距离和最短距离，得到平均数作为半径r，中心点作为圆心，r作为初始半径。每次向外扩张的距离记为c，弧长计算需要两个参数，弧度值和半径值，弧度值可以看作180
°
，在计算比例时会消除，因此每次扩张后的半径比即是弧长比，最初的半径记为r，i为扩张次数，每次扩张距离为c,因此半径值的计算公式如下：
[0086]
r(i)＝r+i*c
[0087]
得到扩张后的理想弧长距离序列[r,r+c,r+2c,
…
，r+nc]，则得到理想弧长距离序列为[(r+c)/r，(r+2c)/(r+c),
…
,(r+nc)/(r+(n-1)c)]。
[0088]
s8:根据实际曲线距离比值序列和理想弧长距离比值序列得到距离相似度，根据似圆率和距离相似度得到该黑斑区域为节子的概率，利用节子的概率判断黑斑区域是否为节子。
[0089]
该步骤的目的是通过似圆率和距离相似度计算出该黑斑区域为节子的概率。
[0090]
其中，距离相似度计算方法为：
[0091]
用s6得到的实际曲线距离比值序列的每个值与s7得到的理想弧长距离比值序列[(r+c)/r，(r+2c)/(r+c),
…
,(r+nc)/(r+(n-1)c)]中的对应值求商值，计算平均商值的大小，商值越大，相似度越高，目标区域属于节子的概率越大。
[0092]
进一步地，计算该黑斑区域为节子的概率为：
[0093][0094]
式中，m1表示s5求出的似圆率，用m2表示相似度，似圆率是一个[0,1]之间的数值，相似度也是一个[0,1]之间的数值，因此通过两者直接相加然后归一化的方式计算最终的节子概率，经验阈值为0.75，认为若该概率大于0.75，则判定为节子，否则不是节子，具体应用中可根据系统灵敏度自行调节。
[0095]
在实际应用中，本方案可应用木板质量检测，基于人工智能，精确而高效,如图9a所示采集木板图像，对木板图像进行处理得到的像素概率图如图9b所示，然后计算该图像中的黑斑区域为节子的概率，本技术方案采用的图9b所示的图像，传统的阈值分割图如图9c所示，对比发现，本实施例技术方案得到的图像轮廓清晰，因此根据该图像计算节子的概率结果更加精准。
[0096]
以上实施例仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。