为了更好地对板材表面的节子和虫眼进行快速有效的分割，对局部二值拟合（ｌｏｃａｌ ｂｉｎａｒｙ ｆｉｔｔｉｎｇ，ｌｂｆ）模型进行了深入研究，从而提出一个改进的ｌｂｆ模型，即在ｌｂｆ模型的基础上，添加一个新的水平集线性正则化项，与此同时引入一个以高斯函数为核函数的局部二值拟合能量。改进算法能够克服ｌｂｆ模型的分割缺点，使得分割过程对初始轮廓的大小和位置不敏感，同时增强算法的抗噪性，能够分割出灰度不均匀的图像。经实验验证，该算法可以比较完整地提取出单一目标和多目标的板材节子和虫眼的图像，以及对应得出与缺陷图像相对应的水平集演化图像。

木材表面缺陷会严重影响木材的质量、性能和使用价值，对木材表面缺陷分割检测有利于提高木材的利用率，节约现有木材资源，缓解森林资源短缺的压力。针对传统的Ｃ－Ｖ（Ｃｈａｎ－Ｖｅｓｅ）模型算法不能分割灰度不均匀图像的缺点，本文采用Ｃ－Ｖ模型与形态学结合的方法与传统的Ｃ－Ｖ模型算法进行对比试验。与此同时，根据Ｃ－Ｖ模型和Ｃ－Ｖ模型结合形态学方法的不足之处，在Ｃ－Ｖ模型基础上，引入局部拟合函数和高斯核函数，提出了一种基于Ｃ－Ｖ模型的改进算法，能够有效地克服Ｃ－Ｖ模型的不足。通过对木材表面缺陷图像分别采用传统Ｃ－Ｖ模型算法、Ｃ－Ｖ模型与形态学结合的方法和改进的Ｃ－Ｖ模型算法进行多组针对单一目标的木材表面缺陷．．．

为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用Smart Eye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarp a(SPF)等4种板材的近红外光谱(1 0001 650 nm),比较了光谱预处理方法、建模方

摘 要：针对木材表面存在纹理、凹凸结构、边缘颗粒和弱边缘等特点，对其直接运用 Snake 模型进行分割难以得到有效边缘提取，因此提出运用改进的 GVF Snake 模型和维纳滤波相结合对其进行分割。首先对木材图像进行维纳滤波使得纹理变得平缓，同时可以使得缺陷边缘得到有效保留，再对其进行 GVF Snake 模型分割。该算法对初始轮廓的选择敏感度降低，拓展性增强，可以使得轮廓曲线更加快速地收敛到缺陷边缘，避免陷入局部最优现象，提高对弱边缘和凹凸图像分割效果，分割结果更加清晰、连贯，具有良好的实时性。为木材表面缺陷的分割提供一种更为有效的方法，拓宽了 snake 模型的应用范围。

针对木材表面存在纹理、凹凸结构、边缘颗粒和弱边缘等特点,对其直接运用Snake模型进行分割难以得到有效边缘提取,因此提出运用改进的GVF Snake模型和维纳滤波相结合对其进行分割。首先对木材图像进行维纳滤波使得纹理变得平缓,同时可以使得缺陷边缘得到有效保留,再对其进行GVF Snake模型分割。该算法对初始轮廓的选择敏感度降低,拓展性增强,可以使得轮廓曲线更加快速地收敛到缺陷边缘,避免陷入局部最优现象,提高对弱边缘和凹凸图像分割效果,分割结果更加清晰、连贯,具有良好的实时性。为木材表面缺陷的分割提供一种更为有效的方法,拓宽了snake模型的应用范围。

【目的】针对板式家具零件表面缺陷人工检测过程存在的检测效率低、准确率低、检测结果无法数字化存储等问题，提出了一种基于图像分割和深度学习算法的饰面人造板表面缺陷的检测方法。【方法】利用工业相机采集人造板图像，构建缺陷数据集，采用全局阈值和局部动态阈值算法分割表面缺陷与图像截取，通过将ReLU6非线性激活函数替代ReLU函数，并引入倒残差结构的方法，优化MobileNetv 2深度学习网络，进行缺陷识别与分类。【结果】该方法对饰面人造板表面崩边和划痕缺陷的检测精确率分别达到了93.1%和97.5%，召回率分别为95.3%和97.6%，单张板件平均检测用时为163 ms。【结论】本研究提出的方法具有较高精度与稳定性，可解决传统人工检测方法的准确率低、效率低等问题，为家具板材表面缺陷的自动化检测提供新思路。图6表3参21

【目的】提出一种自适应快速阈值图像分割算法,为人造板表面缺陷在线检测提供支持。【方法】首先将整幅图像划分成若干子区域,通过计算子区域的方差对缺陷进行定位,提取出缺陷所在区域,只对缺陷区域进行图像分割,解决小面积目标难以准确分割的问题。然后对缺陷区域的一维灰度直方图进行处理,直方图平滑后去除掉不显著波峰,根据处理后保留的主要波峰数量和位置自适应地确定分割阈值个数以及每个阈值的分割区间,实现当图像中出现多种类型缺陷时算法自动确定分割阈值个数。最后,通过分析Otsu算法,将阈值穷举搜索改进为条件搜索并限定搜索方向,在每个分割区间内使用改进的Otsu算法对阈值进行搜索,提高搜索速度。【结果】对板面存在油污、大刨花、胶斑、杂物、松软5种类型缺陷的人造板表面图像进行分割,在板面缺陷数量、类型不固定的情况下,算法可以自适应地确定分割阈值个数,在15 ms内将各种类型缺陷从人造板表面图像中分割出来,平均分割准确率达97%。【结论】自适应快速阈值分割算法能够快速、准确将缺陷从人造板表面图像中分离出来,在执行速度和分割效果上均满足在线缺陷检测系统的要求,可为人造板表面缺陷在线检测提供新思路。

利用计算机视觉技术检测木板材表面缺陷。提出了一种基于混合纹理特征的表面缺陷检测算法,能准确、鲁棒地检测出木板材表面图像中是否有缺陷。首先,分别使用灰度共生矩阵方法、Gabor滤波方法和几何不变矩方法提取了10个优化后的图像纹理及尺度、平移、旋转不变特征;然后,对特征向量进行有效组合;最后,基于融合后的混合纹理特征向量,应用BP人工神经网络对样本集进行训练和检测。实验表明,该方法能准确地对木板材表面缺陷进行检测,平均检测成功率达96.2%。

【目的】为解决人工及传统数字图像处理方法对木板材表面缺陷识别效果差、效率低等问题，并提高木材利用率。以深度学习模型为基础，构建木板材表面缺陷检测系统，旨在拓展深度学习模型在木板材缺陷检测领域的应用。【方法】基于“Wood Defect Database”公开数据集中的839张木板材缺陷图像，使用Imgaug数据增强库对数据集进行扩充；通过在主干特征网络部分引入SE注意力机制，使用focus、FPN+PAN结构构建YOLOv5木板材表面缺陷目标检测框架，进而采用迁移学习思想改进训练方式，将训练过程分为两个阶段（冻结阶段和解冻阶段）。然后将构建的模型与当前主流深度学习目标检测模型进行对比，最后利用混淆矩阵、Loss值变化曲线、模型大小、检测时间以及均值平均精确率等指标评价模型。【结果】提出了一种基于YOLOv5模型对木板材表面缺陷中活节、死节、裂缝、孔洞的检测方法。模型对死节、活节、裂缝、孔洞识别结果的均值平均精确率分别约为98.66%、99.06%、98.10%和96.53%，并与当前主流检测模型进行比较，改进的模型具有更好的精确率、召回率和综合平均准确率，分别为97.48%、96.53%和98.22%。模型单幅图像平均检测时间为10.3 ms，最大检测耗时20.5 ms，检测效果与泛化特性较好，模型所占内存仅13.7 MB，易于移植。【结论】实验表明改进的YOLOv5模型可用于检测木板材表面主要缺陷。且模型对木板材表面缺陷的识别效果优于其他5种主流检测模型。在维持原有检测精度的基础上，提高了小目标缺陷的识别能力，减少了木板材缺陷漏检的情况，实现在复杂场景下快速检测。

针对目前草莓采摘机器人草莓图像分割运算量大、耗时多等问题,根据CIE-XYZ颜色模型及其色度图,提出了一种在RGB彩模型中进行草莓图像色调分割的方法。该方法无需彩色模型转换,时间复杂性能较Lab彩色模型下a通道阈值分割算法与BP神经网络分割算法优越。对该算法进一步改进后,只需加减运算,无需乘除运算。试验结果表明:该算法能很好地实现成熟草莓果实与图像背景的分离,并较好的保存草莓轮廓信息,分割效率>85%;进一步对分割后的图像进行形态学处理,如膨胀、腐蚀等,有效消除了孔洞现象。

[目的]为克服光照不均引起的低对比度、反光、阴影、光斑及遮挡等对大田复杂背景下小麦冠层图像分割的干扰。[方法]本文设计了一种结合脉冲耦合神经网络(Pulse Coupled Neural network,PCNN)与同态滤波的自适应图像增强和基于L*a*b*颜色空间α角度模型的K均值聚类分割算法。首先,将小麦冠层图像转换到HSI颜色空间,采用自适应算法对HSI空间的I分量进行增强处理,适当调节饱和度S分量,补偿光照强度分布不均,去除阴影及拉大对比度;其次,将增强处理后的图像映射到L*a*b*颜色空间,提取

对于有特定发展趋势和特征的数据样本,Fisher最优分割法仅考虑样本组内方差,忽视了其特定变化规律函数,分割结果有时差强人意。文章提出了一种基于多种函数拟合的自适应最优分割法,对具有发展规律的数据样本可以很好地找到其分割点,并直观给出其特征函数。该方法增加了对数据样本分割的适应性,提升了对复杂数据的分类准确性,且为函数分段拟合提供了具体方法。

【目的】本研究旨在有效解决果皮有缺陷的水果图像在去除背景时部分缺陷被误分割为背景,以及水果表面缺陷难以有效分割提取的问题。【方法】以I分量图来构建掩模模板,根据其灰度直方图信息,通过双峰法选择单一阈值(T=75)分以纽荷尔脐橙为研究对象,提出基于HSI颜色空间模型法去除背景割背景并填充孔洞得到掩模模板Imask,然后掩模模板Imask与I分量图通过点乘运算得到去除背景的I分量图;提出基于多尺度高斯函数图像亮度校正算法对去除背景后的I分量图像进行亮度校正,通过构建多尺度高斯函数滤波器,将去除背景后的I分量图与构建的多尺度高斯函数进行卷积运算即得到去除背景后的I分量图像表面光照分量图,最后将去除背景后的I分量图与得到的光照分量图进行点除运算即得到去除背景后的I分量图像亮度校正图;然后采用单一全局阈值法对脐橙表面缺陷进行提取。【结果】基于HSI颜色空间模型法去除背景,可在有效去除背景的同时完好保留脐橙的表面信息,有利于后续操作;基于多尺度高斯函数的图像亮度校正算法分别对6种常见脐橙缺陷进行图像亮度校正后采用单阈值法提取缺陷,使不同灰度等级的脐橙表面缺陷一次性分割成功,其中分割率最高为100%,最低为88.5%,整体达92.7%。通过试验分析后发现造成部分误分割或漏分割的原因主要在于部分缺陷果缺陷处颜色较轻,与正常区域灰度差较小,从而造成漏分割;还有部分缺陷果由于缺陷面积小,在图像形态学处理过程被误认为是噪声而被去除;同时发现正常果的误判率也达到了10.8%,经分析发现误判的正常果表皮组织区域的褶皱位于图像的边缘区域,从而被误认为是边缘区域的缺陷,导致误判。【结论】基于HSI颜色空间模型法去除背景及基于多尺度高斯函数的图像亮度不均校正算法对纽荷尔脐橙图像背景分割和去除背景后的I分量图像表面亮度校正均取得了较好的效果,能有效识别脐橙缺陷区域,为脐橙精确分级提供了技术支持,也为其他果品表面缺陷快速检测提供了一种新思路。

针对矩形件二维板材剪切下料问题，提出一种多块排样方式的二维板材下料优化模型与求解算法。为了均衡考虑排样方式的计算复杂度和板材利用率，将多块排样方式的块数定为八块。通过3次一分为二剪切操作将板材分割成八个矩形块，并将每个块剪切成方向相同的同种矩形件。构造八块排样的优化模型及算法是按照排样价值最大原则来确定所有可能尺寸的块中矩形件的最优布局和板材的最优八块划分。提出的列生成算法迭代调用上述八块排样算法生成一系列下料方案，选择耗费板材最少的一个下料方案作为最终解。通过采用文献基准例题和实际生产实例验证了本文算法，实验结果表明：八块排样算法的排样价值高于3种文献排样算法，并且，八块排样方式的下料算法板材利用率高于已有文献给出的下料算法。本文给出算法计算时间可满足实际应用需要。