刨花切削控制參數優化的計算機視覺方法研究

董本志，李海霞，任洪娥

（東北林業大學 信息與計算機工程學院，哈爾濱 150040）

0 引言

刨花板工藝中，刨花的形態是決定刨花板性能和用途的主要工藝因子之一,它不僅影響刨花板的熱壓工藝，而且對產品的力學強度和尺寸穩定性有著重要的影響作用，所以板材的質量很大程度上決定于木材切削所得到的刨花的質量。由于木材是各向異性材料[1]，切削木材產生的刨花受切削方向和切削速度的影響很大，因此合理控制切削過程中的速度和方向能大大提高刨花的質量。本方法采用計算機視覺技術對數控盤式刨花機的切削控制參數進行優化，通過實時檢測與分析刨花切削的工藝過程來及時的調整加工參數，以得到最佳的刨花形態。采用這種方法，不僅能提高加工質量而且能節約木材資源、降低生產成本，從而很好的滿足了現代刨花板的原料需求。目前，數控加工工藝參數優化的相關研究較多[2]，但利用計算機視覺技術進行數控加工參數優化的研究還比較初步[3]，有必要進行進一步的深入研究。對采集到的圖像序列進行預處理得到利于后期分析的目的圖像，分析處理后的目的圖像，運用基于主成分分析法的支持向量機分類方法進行分類，得到各個圖像序列與各類刨花形態之間的對應關系，從而建立刨花形態與視頻圖像序列之間的關聯模型；規整各加工控制參數與其對應的刨花形態的記錄，建立刨花形態與加工控制參數的關聯模型；由于圖像序列、刨花形態及刨花切削控制參數之間是一一對應的關系，擬合上兩步得到的模型就可以建立最終的刨花圖像序列與切削控制參數之間的關聯模型，實現刨花板工藝中刨花形態智能化控制。總體框架如圖1所示。

1 方法總體框架

圖1 方法總體框架

在設置好某一加工控制參數及系統運行方式和采樣周期后進行圖像采集并記錄加工產生的刨花的形態，主要考慮刨花的數量、尺寸及厚度；變換設置加工參數進行多次試驗實現對多幅刨花圖像序列的獲取及各加工參數下刨花形態的記錄；

其中刨花形態與圖像序列之間關聯模型的建立主要包括圖像序列的處理和圖像的分類。刨花形態與刨花切削控制參數之間關聯模型的建立主要是在熟悉刨花切削裝置和切削原理的基礎上進行實驗，分析控制參數的變換對刨花形態的影響。

2 圖像序列與刨花形態的關聯分析

2.1 圖像序列處理

設置好某一加工控制參數后啟動設備進行刨花切削，調整并固定攝像頭進行圖像采集，通過視頻處理軟件將監控所得的刨花圖像視頻轉化為連續的一幀幀圖像。運用數字圖像處理技術將幀圖像進行灰度化，通過高斯濾波對圖像去噪，從去噪的灰度圖像中選出背景圖像完成背景的建立，運用幀間差分和背景差分相結合的方法進行目標檢測[4]。由于刨花的顏色較淺，實驗發現處理后得到的圖像中刨花的顯示不太明顯，分析起來比較困難，所以需要對圖像進行進一步的處理。對圖像進行閾值分割得到刨花顯示明顯的二值化圖像，由于光照原因圖像中出現了明顯的非目標區域，影響目標的提取。反復實驗，選擇最合適的分割閾值或進行適當的形態學濾波后得到了理想的只含刨花的目的圖像，從而為后期的分析提供了較好的基礎。視頻處理模塊結構圖如圖2所示。

圖2 視頻處理模塊框圖

圖3 運動目標檢測結果

取每幀圖像大小為720×480，幀率為30的刨花降落時的視頻，進行如上所述的處理后得到的實驗結果如圖3所示。

圖3(a)～(d)為視頻序列中第79～82幀的灰度圖像，從中可以看出同一圖像序列中的刨花在監控區域內的分布很相似，由此可以得到類別特征較明顯的刨花圖像，為后期的關聯分析提供了豐富的圖像資源。(e)～(h)為目標提取的過程顯示，(e)為對獲取的圖像進行灰度化后所得的結果，(f)為運用背景差分得到的刨花顯示不太明顯的目標提取圖像，(g)為進行閾值分割后得到的含有非目標區域的二值圖像,(h)為形態學濾波后得到的只含刨花的目的圖像。

2.2 圖像分類

2.2.1 分類方法

刨花本身形態較小而且幀圖像中的刨花處于運動狀態不便于對單個的刨花進行特征提取，適合通過對樣本幀圖像進行整體分析來達到分類的目的。本文采用基于主成分分析法(PCA)的支持向量機方法(SVM)進行分類。支持向量機是Vapnik等學者在統計學習理論的基礎上提出的結構化風險最小化原則的實用算法[5]，兼顧訓練誤差和測試誤差的最小化，在處理非線性問題和高位數據問題顯示出優越的性能。基于PCA的SVM分類方法不直接根據訓練樣本確定最大分類間隔的分割超平面，而是對樣本進行PCA或核PCA變換，再利用SVM對變換后的樣本進行訓練，得到最優超平面來進行類別劃分。這種分類方法可以在不改變樣本分布特性，保持樣本分類信息的基礎上提高訓練速度和測試速度。

圖4 分類識別流程圖

圖像分類部分主要負責對目標圖像進行基于主成分分析的特征向量的提取；歸一化，是指將特征的某個屬性的取值范圍投射到一個特定范圍之內，以消除數值型屬性因大小范圍不一定而影響基于距離的分類方法結果的公正性；SVM多分類器的建立和決策，多分類器建立的重點是運用一對一的投票策略將SVM推廣至多類問題[6]和徑向基核函數(RBF)的參數優化；最終實現對圖像識別后的類別輸出。本文著重介紹基于主成分分析的特征提取過程和分類器參數優化方法，總體分類識別流程圖如圖4所示。維數從2維到12維以2為間隔進行變換，將訓練數據送入SVM進行訓練,訓練好后去測試相應的測試集數據。測試結果如表1示。從圖中可以看出,隨著特征向量維數的增加,分類的正確率也相應地增加,但在增加到一定維數后,分類的正確率反而有所下降,在維數6附近分類的正確率達到最大值(96.3% )。因此在后面的分類器設計中就采用6維的特征向量，這樣120幅刨花幀圖像所對應的每一個特征向量就變成了6維，這就使后續的分類問題變成一個在6維空間中的劃分問題，簡化了分類識別的過程。

表1 特征向量維數與識別率聯系圖

2.2.2 基于主成分分析的特征提取

特征提取是指通過已有特征的組合（變換）建立一個新的特征子集。主成分分析（PCA）即通過特征的線性組合來實現降維的方法，其實質是在盡可能好得代表原始數據的前提下，通過線性變換將高維空間中的樣本數據投影到低維空間中的一種特征抽取方法。PCA降維丟棄某些特征所損失的信息通過在低維空間中更加精確的映射可以得到補償，從而可以在低維空間中得到和高維空間中相當的識別率。為了提高處理速度可以適當的縮小圖像，本實驗將圖像縮小為200×149的圖像，特征提取的具體步驟如下：

1）建立訓練集和測試集：將整個數據集(15類，每類12幅)分成兩個部分——一個訓練集和一個測試集，將每類刨花幀圖像分成兩組，前8張放入訓練集，另外4張用作測試，這樣得到訓練集8×15幅圖像與測試集4×15幅圖像。

2）讀入訓練集圖像：將每張圖像按列存儲為1個200×149維的行向量。這樣15類圖像共組成一個12×15×200×149的2維矩陣，每行一幅刨花幀圖像。

3）利用PCA降維去除像素之間的相關性：首先要做的是將選用的120幅刨花幀圖像轉化為向量形式，進而組成樣本矩陣。運用一個快速PCA算法計算出樣本矩陣降維后的樣本特征向量組成的矩陣。對樣本進行特征向量提取時讓特征向量

2.2.3 分類器參數優化

本文采用LIBSVM軟件包來構造支持向量機，該軟件包是臺灣大學林智仁(LinChih一Jen)副教授等開發的一個簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包。建立SVM分類器時在選擇了RBF核函數的情況下總共有兩個參數需要確定，即RBF核自身的參數γ以及錯誤代價系數C。這個問題本身就是一個優化問題，變量是C和γ，目標函數值就是SVM對于測試集的識別率。但是很難寫出變量C和γ的目標函數表達式，不適合采用一般的優化策略。LIBSVM中提供了一個基于交叉驗證和網格搜索的參數選擇方法和grid.py工具來自動計算C和γ參數的值，使得分類效果最好。

圖5 SVM分類器參數設定

圖5顯示當特征向量維數取5維，錯誤代價系數C取32，參數γ值取0.0078125時，訓練集上的交叉驗證識別率為93.75%。

在得到刨花幀圖像準確分類的實驗結果基礎上，結合前期記錄的各個圖像序列實際對應的刨花形態，建立圖像序列與各類刨花形態之間的關聯。

圖6 刨花機主要結構簡易圖

3 刨花形態與控制參數的關聯分析

3.1 刨花切削裝置及切削過程

盤式刨花機主要由以下五個組成部分：進料輸送臺、進料壓輥、切削刀盤、余料壓輥和余料輸送臺。主要結構簡易圖如圖6所示，其中壓輥及壓板是保持木料切削時的平穩，切削刀盤上有3個刀片。

刨花切削的主要工序是木料進送，切削刀盤上升，進料端壓板加緊，開始切削，切削完畢后刀盤下降，余料輸送，循環切削。切削過程中主軸以速度v勻速上升同時刀盤以轉速w勻速轉動。

3.2 刨花形態與控制參數的關聯分析

切削控制參數主要考慮刀盤轉速w和主軸上升速度v,刨花形態主要考慮刨花切削產生的數量及刨花的尺寸和厚度。

主要分析以下內容：

1）刨花數量與刀盤轉速之間的關系：刀盤上的刀片數是一定的，切削時木料是固定不動的，所以切削產生的刨花數量只于刀盤的轉速有關。由實驗得知刀盤的轉速w越大時切削產生的刨花數量n越大，即w與n之間存在正向關系 。

2）刨花尺寸與刀盤轉速之間的關系：刀盤數量一定時，刨花的尺寸與橫向切削的速度即刀盤的轉速有關。由實驗得知刀盤的轉速w越大時刨花的尺寸s越小，即w與s之間存在反向關系 。

3）刨花厚度與主軸上升速度之間的關系：刨花的厚度與主軸上升的速度有關，由實驗得知主軸上升的速度v越大時切削產生的刨花厚度h越大，即v與h之間存在正向關系。

4）最終歸總切削控制參數與刨花形態之間存在函數關系 。

4 參數優化結果分析

為了便于分析，選用同樣性能的木材進行切削，依據傳統刨花切削方法進行切削，采用人工檢測的方法進行刨花形態的測量，得到圖7(a)中的刨花成品。對切削過程進行監控，獲取視頻圖像，運用本文提出的方法在確定最佳刨花形態標準的情況下進行刨花切削控制參數的優化，得到圖7(b)中的刨花成品。

圖7 刨花成品對比

由圖可知(a)中刨花成品的長度、寬度及厚度差異較大，不是理想的刨花板原料。(b)中刨花成品的形態比較均勻，經測量其長度在55～80mm之間,寬度在31～65mm之間，達到了輕質刨花板的刨花最佳形態要求。

5 結論

針對目前刨花板工藝的技術要求，提出利用計算機視覺技術與數控技術相結合的方法來實現刨花切削工藝的智能化。優化結果表明本文提出的方法能夠很好的控制切削產生的刨花形態，不僅提高了工藝的精確度和靈敏度，而且降低了生產成本，具有很高的經濟價值。

[1] 馬巖.微米木纖維低密度輕質板制造技術探討[J].木材工業, 2006, 20(4): 19-21.

[2] 徐劍.基于粒子群算法的雙工位切削參數優化[J].制造業自動化, 2011, 33(9): 42-44.

[3] 鄭魁敬.數控機床的圖像監控技術研究[J].制造業自動化, 2005.27(9): 60-62.

[4] 李廣倫, 殳偉群.視頻監控系統中運動目標的實時檢測[J].計算機工程, 2009, 35(17): 217-219.

[5] 張淑雅, 趙一鳴.基于SVM的圖像分類算法與實現[J].計算機工程與應用, 2007, 43(25): 40-43.

[6] 趙春暉.多類支持向量機方法的研究現狀與分析[J].智能系統學報, 2007, 2(2): 11-17.