一、用图象处理法检测板材节子的理论研究（论文文献综述）
叶雯[1]（2019）在《基于LBP特征提取的木材缺陷快速识别算法研究》文中进行了进一步梳理在传统木制品生产过程中,主要依靠人的视觉来检测木材板材缺陷,劳动强度大、效率低。因此,急需开发一种依靠视频技术自动识别剔除木材缺陷的技术,以解决木材加工中人工识别误差大、机械调整时间长等影响生产的问题。这篇论文主要通过数据挖掘技术中的支持向量机理论的研究学习,以及木材图像的特征表示分析,对木材纹理图像的特征表示进行分析,进而研究木材缺陷快速识别算法进行研究。本文采用LBP特征提取技术研究林木表面缺陷,该方法对木材缺陷识别效果良好。
梁浩[2]（2017）在《基于目标定位与光谱技术的实木板材表面缺陷识别研究》文中认为木材表面缺陷将会影响实木板材的质量与等级。近红外光谱能够利用其谱区包含的物质信息,对检测对象进行定性和定量分析。由于实木板材表面缺陷区域的物理形态和有机物质含量与组成不同,导致缺陷区域所对应的吸收光谱存在差异性。因此,可以利用近红外光谱分析对缺陷区域进行识别。本文从提高实木表面缺陷识别速度与精度出发,提出基于机器视觉的缺陷目标定位与近红外光谱分析相融合的实木缺陷无损检测方法。研究以450mm x 150mm x 25mm的落叶松实木板材作为实验样本,设计缺陷区域的快速定位方法,选择出适合实木缺陷的光谱预处理方法,通过提取光谱中的有效信息,完成缺陷识别模型的构建。具体研究成果如下:针对常规图像分割方法对实木板材表面缺陷分割不完整、速度慢的问题,提出使用FDBC-Grabcut算法对缺陷进行快速定位。算法从快速收敛和分形理论两个方面对传统Grabcut的算法进行改进。首先,该方法将原始图像的分辨率降低,在缩小图像上迭代Grabcut算法,使得收敛速度得到极大地加快;此外,应用微分计盒快速算法检测出缺陷目标的轮廓,解决传统Grabcut需要人工交互的问题。实验结果表明,FDBC-Grabcut算法能够对经过HSV颜色空间变换和中值滤波预处理后的实木板材表面缺陷图像完成快速、完整的缺陷目标定位,平均定位时间为0.561s。为了避免由于样本集随机划分的不均匀影响模型的识别性能,提出使用改进的K-S样本集划分方法对实木板材缺陷光谱样本按照3:1划分为训练集和测试集。改进的K-S算法首先将原始光谱进行PCA降维,降低计算复杂度;然后使用归一化的欧氏距离代替传统欧氏距离,提高算法的计算效率。此外,针对光谱采集过程中造成的光谱基线漂移、高频噪声等问题,对光谱进行预处理,使得光谱轮廓更加清晰。实验表明,采用一阶导数和SG平滑相结合的方法对划分样本集后的光谱进行预处理,其主成分回归建模的Rcv2最高,为0.8220;RMSECV最小,为1.7416,预处理效果最好。针对光谱维度较高,存在较大冗余,易造成建模速度慢、精度受到无关变量影响的情况,提出使用稀疏降维（Sparse Reduction,SRE）方法对光谱进行特征提取。SRE通过稀疏系数的线性度量,完成了从稀疏数据中选取正确的近邻值,降低了原始光谱数据的维度。实验结果表明,相比于其他常用特征提取方法,使用本研究提出的SRE算法提取的光谱特征建立缺陷识别模型,模型的识别性能大大提高,所建立的判别式偏最小二乘（DPLS）缺陷识别模型,其Rcv2最高,为0.9016,RMSECV最低,为1.2952,缺陷平均识别率为90.4%。提出了一种用于实木板材表面缺陷识别的CPSO-OMP压缩感知分类模型,根据缺陷的近红外光谱特征实现对缺陷的准确分类识别。为进一步减小OMP算法匹配迭代的高维内积运算,采用粒子群算法（Particle Swarm Optimization,PSO）快速搜索方法寻找极值;针对PSO算法自身存在过早停滞的不足,利用混沌序列（Chaotic sequence）进行扰动,避免PSO陷入早熟,跳出局部极值,实现全局寻优。实验结果表明,相比较DPLS、BP神经网络及LS-SVM分类器模型,本研究提出的CPSO-OMP压缩感知分类器对实木板材表面缺陷的平均识别精度最高,识别率为97.6%。
吴东洋[3]（2011）在《基于聚类分析的木材缺陷识别研究》文中研究表明在木板材加工生产中,我国在木材缺陷检测技术及设备远远落后于那些林业发达的国家。传统的基于物理方法的检测手段存在检测设备成本高,对实际检测物理环境要求苛刻等问题。而采用机器自动对于木材缺陷检测与定位,可以降低人为识别过程中情绪、疲劳等主观因素影响,但识别速度和准确率有待进一步提高。本论文针对传统的木材缺陷识别方法存在的问题,研究多种木材图像特征提取方法,提出新的基于无监督聚类木材缺陷自动识别技术进行研究,研究内容包括以下几个方面：1、基于颜色矩特征和聚类分析技术实现木材表面缺陷识别。该方法提取木材表面图像颜色矩特征,使用K-MEANS聚类算法对木材表面缺陷自动识别,通过不同缺陷类型识别效率的统计,表明了低阶颜色矩特征提取和K-MEANS算法识别的有效性。2、提出了基于GLCM （Gray Level Co-occurrence matrix,灰度共生矩阵）的木材缺陷识别方法。基于GLCM提取木材图像的14个纹理特征,计算特征值间的相关系数矩阵,选取5个具有代表性的特征。通过对比实验结果表明基于GLCM的纹理特征提取方法具有较好的识别精度。3、提出了基于BIRCH （Balanced Iterative Reducing and Clustering using Hierarchies,基于分层的平衡迭代归约及聚类）算法的木材缺陷识别方法。该方法通过在一定阈值内构建CF树,产生初始聚类,详细讨论了分支因子（B,L）阈值T的选取及非缺陷类判别问题。通过与K-MEANS算法对比实验,结果表明该算法的良好的识别性能。4、提出了一种新的基于AP （Affinity Propagation,近邻传播）算法的木材缺陷识别方法。该方法提取木材图像的颜色矩特征,改进图像的搜索方式,采用多遍扫描图像、自动调整滑动窗格大小的方法,有效降低特征提取后样本集数据条目,减小距离矩阵S的维数,进而降低AP算法中距离矩阵、代表阵、适选阵和决策阵维数。实验表明,改进的AP聚类方法能够取得较好的识别效果,有效地提高了识别准确率,识别速度也明显提高。关键字：聚类分析；木材缺陷；Affinity Propagation; BIRCH; GLCM。
朱蕾[4]（2011）在《木材表面缺陷图像识别的算法研究》文中指出随着木材加工业的集约化发展,木材产品的生产量持续大幅度增长。在生产中,对木材表面加工质量高水平的苛求,尤其是一致性的要求,使得传统的人工检测方式已经难以胜任。为此,本论文基于机器视觉理论对木材表面缺陷识别进行了深入研究。结合数字图像处理技术和支持向量机模式识别技术,本论文研究了木材表面缺陷图像预处理、特征提取、模式识别问题,研究并改进了用于检测木材表面缺陷的定位和识别等图像处理算法。图像的预处理是检测的第一步,它对图像缺陷特征的正确提取是非常关键的。本文针对传统滤波算法在抑制噪声的同时,也会对图像的边缘及细节有比较大的损害,使图像的边沿及细节变模糊的问题,提出了加权有向平滑滤波算法。并在图像分割上融合了几种分割方法,提出一种改进的基于双正交小波变换的多分辨率图像融合方法和基于融合技术的小波变换和形态学边缘检测算法,优化了分割效果,为后续特征提取打下了很好的基础。对于木材缺陷的识别,本文从纹理特征（5个灰度共生矩阵参数）和颜色特征（4个颜色矩参数）两个角度来描述缺陷。根据各参数分布情况,选择标准差较小的参数作为分类器输入特征向量；以及采用主分量分析法进行特征提取,降低纹理特征维数,消除模式特征之间的相关性,突出其差异性,满足识别层的输入要求。并采用支持向量机分类器进行缺陷的模式识别,达到较高的识别率。实验结果证明：根据木材表面缺陷图像的纹理特征和颜色特征,运用数字图像处理技术,来解决木材表面缺陷的分割和识别等问题,是行之有效的途径。
孔超[5]（2010）在《基于数学形态学的木质材料实时无损检测研究》文中研究指明我国人口众多,资源相对匮乏,环境承载能力较弱。当前,我国的森林资源可采蓄积量的锐减和国民经济快速发展的迫切需要仍存在着相当大的矛盾。保护现有的森林资源,科学而充分地利用木材成为解决这一矛盾的重要途径。因此,寻求一种更加科学的对木质材料无损检测的方法,在制材前达到对木材形状、规格、缺陷的精确识别,以提高木材使用率、降低生产成本、提高经济效益、节约森林资源,这有着重要的科学研究价值和重大的现实意义。本研究的目的是建立一个对木质材料缺陷能够进行实时在线无损检测系统,并将优化的数字图像处理技术应用于木质材料缺陷图像处理中,从而提高检测精度。从国内外无损检测技术的发展现状出发,对目前国内外木材缺陷无损检测的现状和发展趋势进行分析和比较,阐述各种检测方法的优势和局限性,并根据现有的实验条件选择X射线检测法作为对木质材料缺陷无损检测的技术手段。为了提高木质材料缺陷的识别准确率,应用数字图像处理技术,对数学形态学算子加以改进,应用到木质材料实时成像无损检测系统中。在对原有木材X射线检测系统进行深入分析的基础上,建立一个能够对木质材料缺陷实现实时成像无损检测的硬件系统,并在实验中证实该系统的稳定性和可行性。该硬件系统通过对高频高压多焦点X射线机、图像增强器的使用,以及对水平移动检测平台、旋转检测平台、机械臂等装置的设计,实现对木质材料的连续、实时、在线检测,同时提高设备的检测尺寸和范围,并实现对木质材料的多角度多角度检测,提高成像质量和检测精度。在硬件系统中使用了三窗口控制台,实现对电路和机械装置的统一控制,节省人力和操作时间。为了减少射线的放射危害,对实验环境进行优化设计和改造,增强防护效果。选用先进的MATROX图像采集卡作为计算机采集木质材料射线图像的硬件设备,开发能适应于普通PC机在Windows环境下使用的木质材料缺陷实时成像无损检测系统图像处理软件工作平台。该软件能实现对木质材料X射线图像的动态采集和静态采集,为板材质量鉴定及原木的缺陷检测提供一种新的无损检测方法。为了增加图像识别的准确度、获得更加清晰的木质材料X射线图像,使用直方图均衡化和规定化处理,使图像对比度增强；使用均值滤波法和中值滤波法对木质材料射线图像进行抑制噪声处理；使用微分算子、拉普拉斯高斯算子和Canny算子对木质材料射线图像进行边缘检测。通过对木质材料X射线图像的预处理,为进一步使用数学形态学方法进行图像分析奠定基础。从数学形态学的基本理论和算法出发,提出多尺度自适应权值形态学算子边缘检测法,并将该方法应用于木质材料X射线图像的缺陷识别当中。通过实验分析可以看到,相比于传统的边缘检测算法,多尺度自适应权值形态算子在木质材料图像边缘检测中具有检测精确、识别度高的特点。本研究通过建立木质材料实时成像无损检测硬件系统和木质材料实时成像图像处理软件系统,并使用改进的多尺度自适应权值形态算子对木质材料射线图像进行边缘检测,既实现了实时在线检测,又提高了图像缺陷检测的精度,在板材质量鉴定和原木缺陷检测领域具有广泛的应用价值。
李永生[6]（2009）在《基于模糊理论的木材X射线图像分析与处理》文中研究说明木材无损检测是一门新兴的、综合性的、非破坏木材内部结构的检测方法,在不损坏木材表面和结构的前提下,准确地检测出木材内部缺陷,是充分利用森林资源的重要手段,对科学用材、合理选材,有着重要的意义。本文利用X射线作为检测手段,进行木材的无损检测,主要是利用了X射线的透射过物体之后产生的射线强度的差异来判断木材的缺陷所在,在木材的另一端利用图像接收装置对图像进行接收,将图像数字化处理后送入到计算机中存储。应用计算机数字图像处理技术和模糊理论对木材X射线图像进行处理,有效的对中空、腐朽缺陷的图像进行处理。本文处理的是对象是X射线数字化得到的数字图像,图像中含有大量的噪声,所以要对图像进行预处理。本文首先对木材X射线图像进行直方图均衡化、滤波、图像增强等预处理,使得处理后的图像的效果更佳,更便于后续的处理和分析。针对X射线在成像的过程中受到各种因素的影响,而使要分割的目标和背景之间一般有带有一定的相似性和不确定性,而且木材X射线图像对比度差的特点和固有的模糊性,模糊分析的应用更符合实际图像的特性,能得到较好的处理效果。最后讨论了木材X射线图像模糊处理,对木材中空和腐朽图像进行了模糊增强处理,并针对木材X射线图像对比度差的特点和固有的模糊性,重点讨论了模糊c-均值聚类（FCM）算法,将FCM应用到木材X射线图像的分割处理中,并在具体处理图像中进行验证,取得较好的分割效果。试验结果表明此方法检测木材内部缺陷效果明显。该方法同样适用于木材其他内部缺陷的检测,本文的研究为木材缺陷的研究和处理提供了一种新的理论应用方法。
孙丽萍[7]（2008）在《木材含水率在线检测融合体系及仿真技术研究》文中研究指明木材是全球应用最广的工程材料,是当今世界四大原材料（钢材、水泥、木材、塑料）中唯一可以再生和循环利用的绿色材料。而木材干燥是木材加工利用的基础研究之一。在木材干燥过程中外界的环境参数和木材本身的物理参数都可能影响木材含水率的变化,如何快速有效的建立各种参数与含水率之间的对应关系,是木材干燥的重要基础研究内容之一,也是实现木材干燥全自动控制,提高干燥质量,减少能量消耗,缩短干燥时间的先决条件,木材干燥是一个复杂的强耦合、非线性的动力系统,其木材干燥的关键是木材含水率参数的检测。近年来,随着多传感器信息融合理论及其应用技术研究的快速发展,多传感器融合技术已经成为一个重要的研究领域。针对木材含水率检测问题的特点,多传感器信息融合克服单一传感器在线检测时准确度低,测量数据变异大,全面性和系统性差等缺点。本研究即以此为基点,探讨了多传感器信息融合方法及其在木材干燥含水率在线检测的应用。在吸取发达国家和国内先进技术的基础上,以木材含水率检测为依据,在比较和选取传感器的同时,设计了以单片机为核心的木材含水率检测电路和控制系统的主控制器。采用双CPU结构的设计简化了硬件电路,完成构建木材含水率测试系统,实现了木材干燥含水率在线检测系统的硬件设计。深入分析木材干燥机理及木材干燥过程中的强耦合关系,依据多传感器信息融合技术,构建出符合木材干燥过程的木材含水率在线检测的分层融合体系。利用多传感器数据进行目标的状态估计,通过数学方法寻求与观测数据最佳拟合的状态向量,对多传感器的数据进行多级别、多方面、多层次的处理,这个过程是对多源数据进行检测、结合、相关、估计和组合,以达到精确的状态估计和身份估计。干燥窑内高温、高湿以及风机运行等恶劣的环境因素直接影响木材含水率传感器的检测值,导致出现粗大数据检测值和实际值的偏差,存木材含水率融合体系中,数据层融合利用底层传感器数据的检测（温度传感器和湿度传感器）和状态估计,采用与常规滤波的涵义及方法不同的最优估计方法Kalman滤波和被誉为调和分析发展史上的“数学显微镜”小波包变换方法。从Kalman滤波和小波包变换方法的仿真分析中可见,小波包在检测突变信号方面具有很大的优势,而Kalman滤波在处理实时数据上具有很好的效果。在特征层处理中把经过数据层处理的数据利用改进的最小二乘支持向量机和偏最小二乘回归的数据融合算法,得到木材干燥含水率的预测,并对预测模型进行了仿真和误差分析,结果表明偏最小二乘回归可以实现很好的预测效果。对于类似木材干燥的非线性回归问题,可用基于核函数的支持向量机算法。支持向量机具有依据有限样本训练获得良好的泛化能力,并且是一个通用的学习机,它将原空间映射到一个高维的特征空间里,使原分类问题在特征空间里成为一个线性可分的问题。由于木材含水率的变化与多种参数相关,通过支持向量机的改进算法建立影响木材含水率变化的输入输出模型,同时剔除对木材含水率变化影响甚小或者不影响的参数。最后,依据木材干燥在线检测的分层融合体系基本框图,基于Matlab图形用户界面（GUI）建立了木材含水率存线检测试验仿真平台。数据融合技术与人工智能的发展,是提高木材含水率实时在线检测的一个新的有效途径,通过对影响木材含水率环境参数和物理参数的研究,建立一种木材含水率存线检测的分层融合体系和功能模型,将数据融合技术、人工智能理论和支持向量机算法有机的结合,对提高我国木材干燥控制系统的智能化程度,提高木材干燥质量和干燥速率,具有重要现实的意义和科学价值。
苏畅[8]（2008）在《基于计算机视觉的木材表面缺陷检测研究》文中提出木材是一种不可或缺的资源性产品,它在国民经济中占有极其重要的地位。然而,木材的表面缺陷影响了木材的质量和使用。要提高木材的利用率,木材表面缺陷检测就显得尤其重要。目前,国内木材表面缺陷检测还采用的是人工方式,在检验样品量较大时,很难快速准确的得到结果。而从国外引进的木材检测系统存在价格太高,机器配置和操作方式不能很好的适应我国具体生产状况。因此,研制适合我国国情的木材表面缺陷检测系统有着重要的社会意义和实用价值。本文在对国内外木材表面缺陷自动检测技术发展历程的学习和研究的基础上,针对木材缺陷的种类和特点,着重研究了木材表面缺陷自动检测的理论方法和算法。这些方法包括如何对木材缺陷图像进行分割、特征提取和分类识别,具体如下：1、在分析了传统的表面缺陷分割方法的不足的基础上,提出一种基于小波与数学形态学的缺陷检测方法。首先用多尺度小波对缺陷图像进行分解,滤除缺陷图像中的干扰信息,然后进行小波重构,在重构图像上进行形态学bottom-hat变换,结合阈值处理和区域生长检测出各种木材缺陷。该方法具有高效准确的特点,能够满足木材加工过程缺陷检测的实际需求。2、从木材表面图像中得到相应的缺陷分割图后,通过对木材缺陷的分类研究建立木材缺陷特征提取策略,从而提出一组包括缺陷几何特征、不变矩特征、灰度纹理特征、区域描绘特征在内的木材缺陷的处理特征,并对所提取的特征进行特征选择,找出对分类贡献大者作为后续的分类输入,以为识别垫定良好的基础。3、研究了LS-SVM原理及其多类分类方法,初步探讨了LS-SVM技术在木材缺陷检测中的应用。文中对节子、裂纹、虫眼三类木材缺陷进行了分类识别,对240个缺陷样本进行测试时,识别率达到94.67%。并且与神经网络、模板匹配方法进行了比较。本文通过大量实验数据验证和分析,证实了本文研究方法的可行性、有效性和所具有的优势,成功地将机器视觉处理技术应用于木材表面缺陷检测中,本文的研究工作有较强的实用价值。
唐哲[9]（2008）在《船板检测检验中的问题与分析处理》文中研究指明介绍了船板检测检验中的存在的问题,分析了其产生的原因,并介绍了采取的改进措施和发展前景。
程伟[10]（2007）在《基于机器视觉的旋切单板检测系统研究》文中认为胶合板的等级在很大程度上取决于旋切单板的表面质量,目前旋切单板的检测通常采用人工目测的结果进行裁剪和分级,大大降低了生产效率,增加了生产成本,将人工智能技术引入生产,将可以有效地克服人工检测所带来的缺点,对于提高我国胶合板行业自动化水平起到很好的推进作用。本文基于图像处理技术及人工智能技术,结合旋切单板的特点,对旋切单板表面的缺陷进行有效识别和分类,形成基于国家标准的旋切单板表面缺陷识别和分类的检测系统。论文主要研究内容与工作如下:1.通过对旋切单板表面缺陷图像进行分析,提出一系列适合旋切单板表面缺陷检测的图像增强和图像分割的有效改进算法,并据此完成对缺陷目标的识别和标记。2.分析了旋切单板表面上的各类缺陷的形状、颜色及纹理特征,本文提出了基于节子缺陷图像颜色累加直方图百分数分布特征值的特征参数,从而为缺陷的准确识别和分类提供特征集。3.在人工参与识别和分类时,由于主观性和背景知识的影响容易使得缺陷的识别和分类产生较大误差,因此,提出以非监督学习的自组织映射（SOM）的神经网络作为分类器,选择能够较好地描述节子特征的图像颜色直方图分布特征值作为特征集,实现对节子缺陷的识别和分类,应用G-SOM软件验证了自组织映射（SOM）网络作为缺陷分类器的有效性。4.旋切单板的纹理有时会对缺陷的检测产生干扰,本文提出一种改进的模糊C聚类均值（FCM）算法的旋切单板表面缺陷检测方法,该方法考虑了类内样本密度和类间距离作为综合参数,从而可以获得合理的初始聚类中心。该算法可以准确的检测出旋切单板表面纹理和缺陷信息。5.构建一套基于机器视觉旋切单板检测实验系统,在实验系统上进行了CCD相机的标定、传送设备的调试、缺陷的识别分类以及特征参数计算等工作,从而验证系统设计的可行性和正确性。
二、用图象处理法检测板材节子的理论研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用图象处理法检测板材节子的理论研究（论文提纲范文）
（1）基于LBP特征提取的木材缺陷快速识别算法研究（论文提纲范文）
| 0 引言 |
| 1 林木缺陷检测 |
| 2 支持向量机理论 |
| 3 LBP特征提取技术 |
| 4 基于LBP特征提取的算法设计 |
| 4.1 选取训练集 |
| 4.2 训练阶段 |
| 4.3 测试阶段 |
| 5 实验及测试 |
| 6 结语 |
（2）基于目标定位与光谱技术的实木板材表面缺陷识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 木材无损检测技术的研究现状 |
| 1.2.2 近红外光谱技术在木材检测领域的研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 1.5 本文组织结构 |
| 2 近红外分析的基本理论与数据采集 |
| 2.1 近红外检测基础理论 |
| 2.1.1 漫反射原理 |
| 2.1.2 光谱分析过程 |
| 2.1.3 近红外光谱数据处理方法 |
| 2.1.4 近红外光谱技术的常用建模方法 |
| 2.2 实验样本的选择与制备 |
| 2.3 数据采集系统与过程 |
| 2.3.1 图像采集系统 |
| 2.3.2 近红外光谱采集系统 |
| 2.3.3 缺陷图像的采集 |
| 2.3.4 光谱数据采集 |
| 2.4 本章小结 |
| 3 基于视觉的缺陷目标快速定位方法研究 |
| 3.1 引言 |
| 3.2 缺陷图像预处理 |
| 3.2.1 图像缩放 |
| 3.2.2 HSV颜色空间变换 |
| 3.2.3 图像滤波 |
| 3.3 图像分割算法研究 |
| 3.3.1 数学形态学分割技术 |
| 3.3.2 分水岭变换 |
| 3.3.3 Grabcut分割技术 |
| 3.3.4 基于快速收敛和分形理论的Grabcut目标自动检测 |
| 3.4 结果与分析 |
| 3.5 本章小结 |
| 4 光谱数据的样本集划分及预处理 |
| 4.1 引言 |
| 4.2 样本集划分 |
| 4.2.1 改进的K-S算法 |
| 4.2.2 样本集划分结果 |
| 4.3 常用光谱预处理方法研究 |
| 4.3.1 数据平滑 |
| 4.3.2 标准正态变量变换 |
| 4.3.3 多元散射校正 |
| 4.3.4 导数 |
| 4.3.5 小波变换 |
| 4.4 预处理方法的比较与选择 |
| 4.5 本章小结 |
| 5 光谱数据的特征提取方法研究 |
| 5.1 引言 |
| 5.2 光谱特征提取方法研究 |
| 5.2.1 主成分分析 |
| 5.2.2 无信息变量消除法 |
| 5.2.3 连续投影算法 |
| 5.2.4 遗传算法 |
| 5.3 稀疏降维方法的特征提取 |
| 5.4 结果与分析 |
| 5.4.1 全光谱DPLS |
| 5.4.2 PCA-DPLS |
| 5.4.3 UVE-DPLS |
| 5.4.4 SPA-DPLS |
| 5.4.5 GA-DPLS |
| 5.4.6 SRE-DPLS |
| 5.5 本章小结 |
| 6 近红外光谱的实木表面缺陷识别模型研究 |
| 6.1 引言 |
| 6.2 BP神经网络 |
| 6.3 支持向量机 |
| 6.4 压缩感知模型 |
| 6.4.1 数学表达 |
| 6.4.2 稀疏表示 |
| 6.4.3 测量矩阵 |
| 6.4.4 信号重构 |
| 6.4.5 传统压缩感知模型设计 |
| 6.5 CPSO-OMP改进的压缩感知分类器模型设计 |
| 6.6 结果与分析 |
| 6.6.1 BPNN实验结果与分析 |
| 6.6.2 LS-SVM实验结果与分析 |
| 6.6.3 传统CS及CPSO-OMP-CS实验结果与分析 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（3）基于聚类分析的木材缺陷识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 聚类分析方法 |
| 1.2.2 图像特征提取方法 |
| 1.2.3 木材缺陷识别 |
| 1.3 本论文的主要工作 |
| 1.4 论文结构 |
| 第二章 聚类理论 |
| 2.1 聚类思想 |
| 2.1.1 聚类过程 |
| 2.1.2 距离测定 |
| 2.1.3 聚类准则 |
| 2.2 几种主要聚类方法 |
| 2.2.1 划分法(pa rtitioning methods) |
| 2.2.2 层次法(hiera rchical methods) |
| 2.2.3 基于密度的方法(density-based methods) |
| 2.2.4 基于网格的方法(grid-based methods) |
| 2.2.5 基于模型的方法(model-based methods) |
| 2.3 聚类有效性 |
| 2.4 当前聚类算法中面临的关键性问题 |
| 2.5 本章小结 |
| 第三章 木材图像特征提取方法 |
| 3.1 图像的表示 |
| 3.1.1 灰度图象的表示 |
| 3.1.2 彩色图像的表示 |
| 3.2 图像的颜色矩特征提取方法 |
| 3.2.1 图像颜色矩 |
| 3.2.2 图像的颜色矩特征 |
| 3.2.3 基于颜色矩的木材图像特征提取 |
| 3.2.4 性能标准 |
| 3.2.5 木材表面缺陷识别算法步骤 |
| 3.2.6 实验结果与分析 |
| 3.3 基于GLCM的特征提取方法 |
| 3.3.1 灰度共生矩阵 |
| 3.3.2 灰度共生矩阵的特征参数 |
| 3.3.3 生成步长d对特征参数的影响 |
| 3.3.4 图像灰度级Ng对特征参数的影响 |
| 3.3.5 相关系数 |
| 3.3.6 基于GLCM的纹理特征提取 |
| 3.3.7 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于BIRCH的木材缺陷识别 |
| 4.1 BIRCH算法 |
| 4.2 CF树的建立 |
| 4.3 参数估计 |
| 4.3.1 分支因子 |
| 4.3.2 阈值 |
| 4.4 非缺陷类判别 |
| 4.5 实验结果与分析 |
| 4.5.1 木材缺陷识别算法流程 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于Affinity Propagation聚类的木材缺陷识别 |
| 5.1 AP算法 |
| 5.2 AP算法的工作过程 |
| 5.3 基于AP算法的木材缺陷识别 |
| 5.4 AP算法存在的问题 |
| 5.5 改进的木材缺陷识别方法 |
| 5.6 实验结果与分析 |
| 5.6.1 数据准备 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小结 |
| 第六章 总结与评价 |
| 6.1 特色与创新 |
| 6.2 下一步的研究工作 |
| 参考文献 |
| 攻读学位期何发表的学术论文 |
| 详细摘要 |
| Abstract |
（4）木材表面缺陷图像识别的算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 木材表面缺陷检测的研究现状及发展趋势 |
| 1.2.1 木材缺陷的常用检测方法 |
| 1.2.2 国内外研究现状 |
| 1.2.3 木材检测技术的发展与展望 |
| 1.3 木材表面缺陷特征及存在形式 |
| 1.3.1 木材缺陷种类 |
| 1.3.2 木材缺陷对木材质量的影响 |
| 1.4 课题的主要研究内容和创新 |
| 第二章 木材表面缺陷图像的增强预处理 |
| 2.1 图像增强概述 |
| 2.2 木材缺陷图像灰度变换 |
| 2.2.1 木材缺陷图像灰度化处理 |
| 2.2.2 木材缺陷图像灰度变换 |
| 2.3 木材缺陷图像平滑 |
| 2.3.1 邻域平滑 |
| 2.3.2 中值滤波 |
| 2.3.3 加权有向平滑滤波 |
| 2.4 图像锐化 |
| 2.4.1 微分算子 |
| 2.4.2 Sobel算子 |
| 2.4.3 拉普拉斯算子 |
| 2.5 本章小结 |
| 第三章 图像分割 |
| 3.1 基于区域的图像分割 |
| 3.1.1 并行区域分割技术 |
| 3.1.2 串行区域分割技术 |
| 3.2 基于边缘的图像分割 |
| 3.2.1 梯度算子 |
| 3.2.2 Canny边缘检测算子 |
| 3.2.3 几种边缘检测算子的比较 |
| 3.3 结合特定理论工具的分割技术 |
| 3.3.1 基于人工神经网络的分割技术 |
| 3.3.2 基于小波分析和变换的分割技术 |
| 3.3.3 基于数学形态学的分割技术 |
| 3.4 本章小结 |
| 第四章 特征提取 |
| 4.1 纹理特征提取 |
| 4.1.1 灰度共生矩阵 |
| 4.1.2 Haralick特征 |
| 4.2 色彩特征提取 |
| 4.2.1 颜色直方图 |
| 4.2.2 颜色矩 |
| 4.3 主成分分析 |
| 4.3.1 主成分分析的原理 |
| 4.3.2 主成分分析的基本步骤 |
| 4.4 基于主成分分析的算法实现 |
| 4.4.1 基于主成分分析的降维算法 |
| 4.4.2 基于主成分分析的降维结果 |
| 4.5 本章小结 |
| 第五章 支持向量机的分类器设计 |
| 5.1 分类器简介 |
| 5.2 SVM算法原理 |
| 5.3 核函数的选择 |
| 5.4 基于SVM的识别结果 |
| 5.4.1 基于纹理特征的木材缺陷图像识别 |
| 5.4.2 基于主成分分析法的综合纹理特征和颜色特征的木材缺陷图像识别 |
| 5.4.3 三类木材缺陷识别结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 详细摘要 |
| Abstract |
（5）基于数学形态学的木质材料实时无损检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 无损检测技术与发展方向 |
| 1.2.1 无损检测 |
| 1.2.2 无损检测的发展及其常规技术 |
| 1.2.3 无损检测新技术及发展方向 |
| 1.3 木材缺陷无损检测的现状与发展趋势 |
| 1.3.1 木材缺陷及其分类 |
| 1.3.2 木材无损检测的主要方法与研究现状 |
| 1.3.3 木材无损检测技术关注的问题及发展方向 |
| 1.4 数字图像处理技术及其在木材检测中的应用 |
| 1.4.1 数字图像处理及其发展概况 |
| 1.4.2 数字图像处理的研究内容 |
| 1.4.3 数字图像处理技术在木材检测中的应用 |
| 1.5 数学形态学在图像处理中的应用与发展 |
| 1.5.1 数学形态学及其发展 |
| 1.5.2 数学形态学在图像处理中的应用进展 |
| 1.5.3 数学形态学在图像处理中的发展趋势 |
| 1.6 本论文的研究内容 |
| 2 木质材料实时成像无损检测系统 |
| 2.1 木质材料射线无损检测的基本原理 |
| 2.2 木质材料实时成像无损检测系统建立 |
| 2.2.1 现有木材无损检测系统存在的主要问题 |
| 2.2.2 木质材料实时成像无损检测系统的优化 |
| 2.3 木质材料实时成像无损检测系统实验环境设计 |
| 2.4 机械装置与检测平台的设计 |
| 2.4.1 机械装置的设计方案 |
| 2.4.2 检测平台的设计方案 |
| 2.4.3 高频高压微焦点X射线发生器和图像增强器的应用 |
| 2.5 三窗口主控台及其控制功能 |
| 2.6 本章小结 |
| 3 木质材料实时成像无损检测图像处理软件系统研究 |
| 3.1 图像采集卡简介及选取 |
| 3.2 图像处理软件工作平台的开发 |
| 3.2.1 图像处理软件工作平台的功能要求 |
| 3.2.2 图像处理平台功能详解 |
| 3.3 工作平台的主要特点 |
| 3.4 图像处理平台在木质材料检测中的应用 |
| 3.5 本章小结 |
| 4 木质材料缺陷X射线图像的预处理 |
| 4.1 数字图像处理技术概述 |
| 4.1.1 数字图像基本概念 |
| 4.1.2 木材缺陷图像的数字化 |
| 4.1.3 木材缺陷图像的数字表达 |
| 4.1.4 木材缺陷图像的数字存储方式 |
| 4.1.5 数字图像的文件格式 |
| 4.1.6 数字图像处理的主要方法 |
| 4.2 数字图像的直方图变换 |
| 4.2.1 直方图 |
| 4.2.2 木材缺陷射线图像直方图均衡化 |
| 4.2.3 木材缺陷射线图像直方图规定化 |
| 4.3 数字图像的滤波处理 |
| 4.3.1 滤波技术简介 |
| 4.3.2 空域法滤波 |
| 4.3.3 频域法滤波 |
| 4.4 滤波技术在木材射线图像处理中的应用 |
| 4.5 数字图像的边缘检测技术 |
| 4.5.1 微分算子法 |
| 4.5.2 拉普拉斯高斯算子 |
| 4.5.3 Canny算子 |
| 4.6 边缘检测技术在木材射线图像处理中的应用 |
| 4.7 本章小结 |
| 5 数学形态学在木质材料实时成像系统中的应用 |
| 5.1 数学形态学与数字图像处理 |
| 5.2 数学形态学的基本概念 |
| 5.3 二值形态学的基本操作 |
| 5.3.1 二值腐蚀 |
| 5.3.2 二值膨胀 |
| 5.3.3 二值开运算 |
| 5.3.4 二值闭运算 |
| 5.4 灰度形态学 |
| 5.4.1 灰度膨胀与腐蚀运算 |
| 5.4.2 灰度形态学开闭运算 |
| 5.4.3 形态学梯度算子 |
| 5.4.4 形态学Top-Hat变换 |
| 5.5 基于形态学的边缘检测算子 |
| 5.6 多尺度自适应权值形态边缘检测算子 |
| 5.6.1 结构元素的选取 |
| 5.6.2 多尺度自适应权值形态边缘检测算子的实现过程 |
| 5.7 多尺度自适应权值形态算子在木质材料检测中的应用 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（6）基于模糊理论的木材X射线图像分析与处理（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究的背景和意义 |
| 1.2 数字图像处理的发展现状和应用 |
| 1.3 基于模糊理论的图像处理 |
| 1.3.1 模糊图像处理概述 |
| 1.3.2 模糊理论图像处理的必要性和合理性 |
| 1.4 本文的主要研究内容 |
| 2 X射线木材无损检测技术 |
| 2.1 无损检测技术简介 |
| 2.1.1 无损检测技术的发展和分类 |
| 2.1.2 无损检测的目的和意义 |
| 2.2 木材无损检测 |
| 2.2.1 木材缺陷及其对木材加工的影响 |
| 2.2.2 木材无损检测的方法 |
| 2.3 X射线无损检测的方法 |
| 2.3.1 X射线检测木材内部缺陷的原理 |
| 2.3.2 木材无损检测系统硬件系统 |
| 2.4 X射线室的总体设计和工作流程 |
| 2.5 本章小结 |
| 3 基于MATLAB的木材缺陷图像的预处理 |
| 3.1 MATLAB图像处理工具箱介绍 |
| 3.1.1 MATLAB的特点 |
| 3.1.2 MATLAB的主要功能 |
| 3.1.3 图像处理在MATLAB中的实现 |
| 3.2 木材X射线图像的灰度变换增强 |
| 3.2.1 直方图均衡化 |
| 3.2.2 木材X射线图像的灰度变换增强Matlab实现 |
| 3.3 木材X射线图像的滤波处理 |
| 3.3.1 空域滤波技术 |
| 3.3.2 木材缺陷X射线图像频域增强 |
| 3.4 木材X射线缺陷图像常规边缘检测 |
| 3.5 本章小结 |
| 4 木材缺陷图像的模糊增强处理 |
| 4.1 模糊理论概述 |
| 4.2 模糊图像处理的数学基础 |
| 4.2.1 模糊集合的概念 |
| 4.2.2 模糊集合的表示方法 |
| 4.2.3 特殊的模糊集合 |
| 4.2.4 模糊集合的运算和性质 |
| 4.2.5 几种常用的模糊分布 |
| 4.3 基于灰度级的模糊增强 |
| 4.3.1 模糊增强效果的评价 |
| 4.3.2 基于灰度级的模糊增强算法 |
| 4.3.3 模糊增强方法的Matlab实现 |
| 4.4 本章小结 |
| 5 木材缺陷图像的模糊分割处理 |
| 5.1 模糊聚类分析概述 |
| 5.2 聚类分析的数学模型 |
| 5.3 基于目标函数的模糊聚类分析 |
| 5.3.1 聚类目标函数 |
| 5.3.2 模糊c均值聚类算法 |
| 5.4 模糊聚类分析在木材X射线图像分割中的应用 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）木材含水率在线检测融合体系及仿真技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 存在的问题 |
| 1.3 研究方案的提出 |
| 1.4 研究的目的和意义 |
| 1.5 研究的内容 |
| 2 木材含水率测试系统设计 |
| 2.1 木材含水率检测技术研究现状 |
| 2.2 木材含水率检测系统总体结构 |
| 2.3 木材干燥含水率存线检测系统的设计 |
| 2.3.1 木材含水率传感器的比较与选取 |
| 2.3.2 木材含水率检测电路设计 |
| 2.3.3 木材干燥控制系统主控制器的设计 |
| 2.4 本章小结 |
| 3 木材含水率在线检测分层融合体系 |
| 3.1 数据融合理论 |
| 3.1.1 数据融合的基本原理 |
| 3.1.2 数据融合的关键技术 |
| 3.1.3 数据融合结构 |
| 3.1.4 数据融合系统的功能模型 |
| 3.1.5 数据融合算法 |
| 3.1.6 数据融合的结构模型 |
| 3.1.7 数据融合层次问题 |
| 3.1.8 数据融合技术的应用 |
| 3.2 木材干燥工艺的特征 |
| 3.3 木材含水率存线检测融合体系的构建 |
| 3.4 本章小结 |
| 4 数据层融合方法 |
| 4.1 引言 |
| 4.2 基于Kalman滤波的数据层融合方法 |
| 4.2.1 Kalman滤波基本原理 |
| 4.2.2 Kalman滤波的仿真分析 |
| 4.3 基于小波分析的数据层融合方法 |
| 4.3.1 小波分析的概述 |
| 4.3.2 小波分析的基本理论 |
| 4.3.3 一维小波和小波包的仿真分析 |
| 4.4 本章小结 |
| 5 特征层融合方法 |
| 5.1 引言 |
| 5.2 基于支持向量机的特征层融合 |
| 5.2.1 最优分类超平面 |
| 5.2.2 软间隔分类超平面 |
| 5.2.3 核函数 |
| 5.2.4 支持向量机回归方法 |
| 5.2.5 基于最小二乘支持向量机的木材含水率在线估计 |
| 5.2.6 仿真分析 |
| 5.3 基于偏最小二乘回归的数据融合 |
| 5.3.1 偏最小二乘发展趋势 |
| 5.3.2 偏最小二乘基本思想 |
| 5.3.3 偏最小二乘建模数学原理 |
| 5.3.4 基于样条函数的偏最小二乘非线性回归方法 |
| 5.3.5 仿真分析 |
| 5.4 本章小结 |
| 6 木材含水率在线检测融合试验及仿真研究 |
| 6.1 引言 |
| 6.2 试验步骤 |
| 6.2.1 试材的选择 |
| 6.2.2 试验设备、仪器和工具 |
| 6.3 试验方法 |
| 6.3.1 含水率检验板的挑选和使用 |
| 6.3.2 含水率试验板的挑选和使用 |
| 6.3.3 试验用检测板的挑选和使用 |
| 6.4 木材含水率在线检测仿真平台的建立 |
| 6.5 仿真研究 |
| 6.5.1 木材含水率融合系统数据层仿真 |
| 6.5.2 木材含水率融合系统特征层仿真 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间参加的科研工作、发表的学术论文 |
| 致谢 |
（8）基于计算机视觉的木材表面缺陷检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 计算机视觉技术的现状与发展 |
| 1.2.1 模式识别技术及其发展现状 |
| 1.2.2 图像模式识别技术的研究现状和发展 |
| 1.2.3 基于计算机视觉的表面检测技术研究现状与发展 |
| 1.3 木材表面缺陷检测技术研究现状与发展 |
| 1.4 本文主要研究内容 |
| 2 木材表面图像缺陷区域的分割 |
| 2.1 数字图像处理分割方法 |
| 2.2 数学形态学理论 |
| 2.3 基于数学形态学的木材表面图像分割 |
| 2.3.1 图像预处理 |
| 2.3.2 图像数学形态学处理 |
| 2.3.3 区域生长 |
| 2.3.4 实验结果与分析 |
| 2.4 木材缺陷的基本检量 |
| 2.5 本章小结 |
| 3 木材表面缺陷的特征提取与选择 |
| 3.1 木材表面缺陷图像特征提取 |
| 3.1.1 几何形状特征 |
| 3.1.2 不变矩特征 |
| 3.1.3 灰度纹理特征 |
| 3.1.4 区域描绘特征 |
| 3.2 木材缺陷图像特征选择 |
| 3.3 本章小结 |
| 4 基于LS-SVM的木材表面缺陷识别 |
| 4.1 支持向量机 |
| 4.1.1 最优分类超平面 |
| 4.1.2 支持向量机 |
| 4.2 最小二乘支持向量机 |
| 4.2.1 最小二乘支持向量机的实现 |
| 4.2.2 最小二乘支持向量机多类分类方法 |
| 4.3 基于最小二乘支持向量机的木材表面缺陷识别 |
| 4.3.1 LS-SVMlab工具箱介绍及分类识别步骤 |
| 4.3.2 木材表面缺陷的LS-SVM分类器设计 |
| 4.3.3 仿真结果和分析 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）船板检测检验中的问题与分析处理（论文提纲范文）
| 一、船板检测检验中存在的问题 |
| 二、加强船板检测检验的措施 |
| 1. 完善检测检验工艺 |
| 2. 核查板材质量 |
| 3. 注重板材表面缺陷 |
| 4. 加强装配检查及焊前检验 |
| 5. 确保焊接工艺的正确应用 |
| 6. 充分运用高新检测技术 |
（10）基于机器视觉的旋切单板检测系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的研究目的和意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究目的 |
| 1.1.3 课题的研究意义 |
| 1.2 课题的国内外研究现状 |
| 1.3 课题的主要研究内容 |
| 2 旋切单板图像采集系统设计 |
| 2.1 光源系统 |
| 2.1.1 光源的特点和要求 |
| 2.1.2 光源的照射方式 |
| 3.1.3 光源的种类与选择 |
| 2.1.4 LED光源设计 |
| 2.2 相机镜头 |
| 2.3 线阵CCD相机 |
| 2.3.1 CCD的特征参数 |
| 2.3.2 线阵CCD的选择 |
| 2.3.3 线阵CCD驱动器 |
| 2.3.4 相机的标定 |
| 2.3.5 智能相机 |
| 2.4 图像采集卡 |
| 2.5 图像采集软件 |
| 2.6 旋切单板机械传送装置 |
| 2.6.1 电机和变频器的选择 |
| 2.6.2 机械传送装置的设计 |
| 2.7 本章小结 |
| 3 旋切单板表面缺陷图像处理算法研究 |
| 3.1 图像噪声分析 |
| 3.2 图像增强算法研究 |
| 3.2.1 图像平滑算法研究 |
| 3.3.2 缺陷图像的锐化 |
| 3.3 图像分割算法研究 |
| 3.3.1 基于边缘检测的图像分割 |
| 3.3.2 基于区域的图像分割 |
| 3.3.3 基于数学形态学的图像缺陷检测 |
| 3.3.4 基于图论的图像分割 |
| 3.3.5 其他的分割方法 |
| 3.3.6 旋切单板表面缺陷图像分割算法的应用 |
| 3.4 目标标记 |
| 3.5 本章小结 |
| 4 旋切单板表面的缺陷的类型和特征提取 |
| 4.1 旋切单板表面缺陷的类型和样本库 |
| 4.1.1 旋切单板表面缺陷的类型 |
| 4.1.2 旋切单板缺陷的样本库 |
| 4.1.3 旋切单板的外观特征 |
| 4.1.4 旋切单板典型缺陷的特征评价 |
| 4.2 旋切单板表面缺陷图像特征的提取 |
| 4.2.1 形状特征 |
| 4.2.2 颜色特征 |
| 4.2.3 纹理特征 |
| 4.2.4 相似性度量方法 |
| 4.3 特征的提取 |
| 4.3.1 缺陷的特征分析 |
| 4.3.2 基于颜色直方图的缺陷特征提取 |
| 4.3.3 缺陷图像的一般直方图 |
| 4.3.4 累加直方图百分数分布特征值 |
| 4.3.5 缺陷的特征选择和筛选 |
| 4.4 本章小结 |
| 5 基于自组织映射网络的旋切单板缺陷检测研究 |
| 5.1 基于SOM的分类器设计 |
| 5.1.1 SOM网络基本原理 |
| 5.1.2 SOM网络的运行原理和学习算法 |
| 5.1.3 SOM网络的设计 |
| 5.2 基于SOM的旋切单板缺陷识别研究 |
| 5.3 本章小结 |
| 6 基于模糊C均值聚类的旋切单板表面纹理检测 |
| 6.1 纹理的描述 |
| 6.2 纹理图像的检测 |
| 6.2.1 纹理图像的特征提取 |
| 6.2.2 纹理图像的分割方法 |
| 6.3 基于改进模糊C均值聚类算法的旋切单板表面纹理检测 |
| 6.4 旋切单板表面纹理图像检测分析 |
| 6.5 本章小结 |
| 7 基于机器视觉的旋切单板检测实验系统的研发 |
| 7.1 硬件部分 |
| 7.2 软件部分 |
| 7.2.1 旋切单板缺陷样本库 |
| 7.2.2 图像采集软件 |
| 7.2.3 缺陷图像处理与分析软件 |
| 7.2.4 缺陷图像检测软件 |
| 7.3 本章小结 |
| 8 基于机器视觉旋切单板检测系统的应用分析 |
| 8.1 经济性分析 |
| 8.2 机器视觉系统应用配套的相关问题分析 |
| 8.3 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 附录 旋切单板健全部分与典型缺陷的一般直方图和累加直方图 |
| 攻读博士期间发表的论文和科研成果 |
| 详细摘要 |
四、用图象处理法检测板材节子的理论研究（论文参考文献）
- [1]基于LBP特征提取的木材缺陷快速识别算法研究[J]. 叶雯. 电子元器件与信息技术, 2019(10)
- [2]基于目标定位与光谱技术的实木板材表面缺陷识别研究[D]. 梁浩. 东北林业大学, 2017(02)
- [3]基于聚类分析的木材缺陷识别研究[D]. 吴东洋. 南京林业大学, 2011(05)
- [4]木材表面缺陷图像识别的算法研究[D]. 朱蕾. 南京林业大学, 2011(05)
- [5]基于数学形态学的木质材料实时无损检测研究[D]. 孔超. 东北林业大学, 2010(10)
- [6]基于模糊理论的木材X射线图像分析与处理[D]. 李永生. 东北林业大学, 2009(10)
- [7]木材含水率在线检测融合体系及仿真技术研究[D]. 孙丽萍. 东北林业大学, 2008(10)
- [8]基于计算机视觉的木材表面缺陷检测研究[D]. 苏畅. 中南林业科技大学, 2008(02)
- [9]船板检测检验中的问题与分析处理[J]. 唐哲. 中国水运(下半月), 2008(04)
- [10]基于机器视觉的旋切单板检测系统研究[D]. 程伟. 南京林业大学, 2007(10)