基于圖像的木材機械加工表面質量評價研究

楊鐵濱　侯玉婷　劉一星　 薛偉

摘要：實現木材機械加工表面質量自動評價對保證木制品質量和提升其價值有重要意義。根據ASTM_D_1666-87R04標準中規定的測試方法，對樟子松、白樺、水曲柳板材進行壓刨和砂光加工試驗，得到有Raised grain、Fuzzy grain、Chip marks缺陷和無缺陷的木材試樣。掃描木材試樣以獲取其表面圖像，計算圖像的直方圖紋理特征和小波紋理特征。對每種特征分別建立基于BP神經網絡的分類器并進行訓練和測試。測試結果表明，小波紋理特征分類器的正確率達到91.3%，其評價效果優于直方圖紋理特征分類器。

關鍵詞：木材加工；表面質量；自動評價；小波紋理分析

中圖分類號：[S 777]；[TH 161+.14]文獻標識碼：A文章編號：1001-005X（2015）01-0059-04

Imagebased Evaluation of Machining Wood Surface Quality

Yang Tiebin，Hou Yuting，Liu Yixing*，Xue Wei

（College of Engineering and Technology，Northeast Forestry University，Harbin 150040）

Abstract：Automated evaluation of machining wood surface quality plays an important role in the overall quality and value of wood products.According to the test methods of ASTM_D_1666-87R04，this paper practiced planning and sanding tests on Mongolian Scotch Pine，Asian White Birch and Manchurian Ash lumbers.Raised grain，Fuzzy grain，Chip marks and defect free samples were obtained.The surface images of the sample were captured by scanning.Histogram texture features and wavelet texture features were retrieved from those surface images.Two BP ANNs were developed and tested according to these two kinds of features separately.The test results showed that the wavelet texture feature classifier achieved an accuracy of 91.3% which is much better than the performance of histogram features classifier.

Keywords： wood machining；surface quality；automated evaluation；wavelet texture analysis

收稿日期：2014-09-26

基金項目：黑龍江省博士后基金資助項目（LBH-Z09283）

第一作者簡介：楊鐵濱，博士，副教授。研究方向：森工機械與裝備。

*通訊作者：劉一星，博士，教授。研究方向：木材科學與技術。Email：yxl200488@sina.com

引文格式：楊鐵濱，侯玉婷，劉一星，等.基于圖像的木材機械加工表面質量評價研究[J].森林工程，2015，31（1）：59-62.在木材生產中，提高木制品表面質量是提升產品價值最經濟、有效的方式之一，具有重要的意義。觀測表面缺陷是評價木材機械加工表面質量的主要方法之一[1-2]。

對于特定的樹種，加工參數選擇不當，可能產生多種形式的表面缺陷。在ASTM_D_1666-87R04標準中定義了Raised grain、Fuzzy grain、Torn grain 和Chip marks四種表面缺陷。根據表面缺陷的深度、面積、數量和形式，用人工視覺的方法將表面質量分為excellent、good、fair、poor和very poor等5個等級[3]。這種方法主觀依賴性強，對檢測者的經驗要求較高，勞動強度大，不利于機械化生產。目前還沒有建立起完善的木材表面質量檢測與評價系統。

近20年來，在工業生產領域，用機器視覺的方法代替人工視覺檢測得到了廣泛的研究和應用[4-7]。但在木材加工表面質量檢測方面，還僅限于對節子等較大自然缺陷的識別[8-9]，沒有針對表面加工缺陷檢測的研究。本文開發了木材表面質量評價模型系統，為實現木材機械加工表面質量自動評價提供研究基礎。

1評價過程概述

本文所用試材原料為從木材商品市場購買的樟子松（軟木）、白樺（硬木，散孔材）、水曲柳（硬木，環孔材）原木。原木經鋸木、平刨和砂光加工成基本尺寸為200×100×10（m）的試件。每個樹種取心材部位，經長期室溫條件下氣干后加工，木材含水率為12%。加工及測試的溫度為20℃，空氣相對濕度為65%。為了獲得有加工缺陷的試樣，對每個樹種選擇3種壓刨送料速度、3種磨料粒度、4種砂光加工壓力，按表1進行加工，壓刨加工的切削深度為1 mm。每種條件加工3個試件，每個試件2個待測表面。試件加工參數與得到的缺陷類型見表1。加工后產生了Raised grain、Fuzzy grain和Chip marks三種表面缺陷（缺陷的定義及例圖見參考文獻[4]）。

表1加工參數與缺陷類型

Tab.1 Processing parameters and defect type

序號樹種加工參數壓刨送

料速度

/m·min-1砂光

磨料

粒度砂光加

工壓力

/MPa缺陷類型1樟子松880，1200.4Raised grain2樟子松12100，1500.5—3樟子松16——Raised grain4白樺880，1200.5Chip marks5白樺12100，1500.6Chip marks6白樺16——Chip marks

Fuzzy grain7水曲柳8100，1500.4—8水曲柳12——Chip marks9水曲柳1680，1200.6—10樟子松8——Raised grain11樟子松1280，1200.4—12樟子松16100，1500.5—13白樺8100，1500.6Fuzzy grain14白樺12——Chip marks15白樺1680，1200.5Chip marks16水曲柳8——Chip marks

Fuzzy grain17水曲柳1280，1200.6—18水曲柳16100，1500.4—

加工后的木材試樣用掃描儀進行掃描（CanoScan LiDE 200），掃描分辨率300dpi。從原始掃描圖像中切割出512×512像素的位圖圖像作為實驗樣品。全部試樣加工、掃描后，得到各種木材表面缺陷和無缺陷原始圖像共108幅，圖像切割后選取各類圖像240幅作為樣本，典型的試樣表面圖片如圖1所示。將上述實驗樣本圖像分成訓練樣本和測試樣本。

第1期楊鐵濱等：基于圖像的木材機械加工表面質量評價研究

森林工程第31卷

圖1典型試樣圖片

Fig.1 Pictures of the typical sample

圖像處理程序采用Matlab 7.0進行編程。木材機械加工表面質量評價的計算過程如圖2所示。分別計算圖像的直方圖紋理特征和小波紋理特征。用訓練樣本訓練BP神經網絡分類器。使用測試樣本對分類器進行測試，測試結果與人工視覺結果進行比較，計算分類正確率。

圖2表面質量評價過程

Fig.2 The evaluation process to surface quality

2研究方法

2.1特征提取

特征提取是圖像分類與檢測過程中最重要的步驟，對分類的效果有直接的影響。為了提高檢測效果，本文從圖像中提取直方圖紋理特征和小波紋理特征分別進行分類驗證，并比較兩類特征分類的準確性。

2.1.1直方圖紋理特征

根據圖像直方圖紋理特征進行紋理分析比較適用于木紋或遙感圖像等紋理細而不規則的表面[10]。這些紋理特征主要包括平均值、方差、平滑度、偏態系數、能量和熵等統計量（它們的數學定義見參考文獻[10]）。將這些特征值作為神經網絡分類器的輸入，經過樣本訓練，分類器對測試試樣的表面質量進行分類。

2.1.2小波紋理特征

近年來，小波紋理分析在圖像檢索、過程控制、缺陷識別等領域得到了廣泛的研究和應用[11-12]，是隨機紋理圖像分析的有力工具。

大小為M×N的圖像f（x，y）的離散二維小波變換為：

Wφ（j0，m，n）=1MN∑M-1x=0∑N-1y=0f（x，y）φj0，m，n（x，y）。

WiΨ（j，m，n）=1MN∑M-1x=0∑N-1y=0f（x，y）Ψij，m，n（x，y），i={H，V，D}。

二維小波分解分兩步進行，首先取f（x，y）的行的一維快速小波變換（FWT），然后取結果列的一維FWT。這樣得到4幅原圖像1/4大小的子圖像Wφ，WHΨ，WVΨ，WDΨ。分別為近似系數和水平、垂直、對角線三個方向的細節系數圖像。對近似系數圖像繼續進行上述分解過程，直到達到所需的分解深度。如果小波分解的深度為n，則小波系數矩陣中就包括3n+1個部分。

由于db4小波具有正則性、緊支性等優點，在圖像處理工程中得到廣泛應用。本文應用db4小波尺度函數和基函數對木材表面圖像進行小波分解，分解深度為3。每幅被檢測的圖像經小波變換后形成一個有10個子塊的系數矩陣。木材加工表面缺陷的3階小波變換如圖3所示。

圖3缺陷試樣小波變換

Fig.3 Wavelet transform of the defective sample

將小波系數矩陣的每個子塊內系數的方差作為圖像的小波紋理特征。這樣每個圖像轉化為10維的向量，將此10維的向量作為分類器的輸入向量，經訓練后的分類器計算，輸出該圖像的分類結果。

2.2BP神經網絡分類

圖像識別的最后一步是將特征值與其對應的類別聯系起來，這一過程稱為分類器設計。BP神經網絡由于網絡結構簡單，算法成熟，獲得了廣泛應用[5，13]。本文的直方圖紋理特征和小波紋理特征分類都采用3層BP神經網絡分類器。每個BP神經網絡由輸入層、輸出層和一個隱層構成。直方圖紋理特征分類器的輸入層、隱層和輸出層的結點個數分別為6，12和2。小波紋理特征分類器的輸入層、隱層和輸出層的結點個數分別為10、20和2。各神經元的傳遞函數分別為tansig函數和purelin函數，反傳函數為trainlm。輸出目標值[0，1]和[1，0]分別表示合格和不合格兩種評價結果。

3實驗驗證

應用上述紋理特征分類系統，對160幅3種樹種、3類表面缺陷及無表面缺陷的圖像進行分類識別，部分分類結果見表2。如果輸出值接近[1，0]則為不合格表面，如果輸出值接近[0，1]則為合格表面。如果輸出值接近[1，1]或[0，0]，則兩個輸出中最接近1的輸出置1，另一輸出置0。

上述兩種特征分類方法對不同樹種和缺陷進行了分類識別試驗，識別正確率見表3。其中直方圖特征分類器的總計識別正確率僅為75%，而小波特征分類器的識別正確率達到91.3%，比前者有顯著提高。小波特征分類器的錯誤率主要來源于將

表2圖1所示試樣的分類器輸出結果

無缺陷試樣判別為有缺陷試樣，這在生產過程中是可以容忍的，能夠通過人工輔助監督得到解決。Raised grain的識別正確率為92.5%，這種缺陷的邊緣略高于木材表面，且常常隱藏于松木的木材紋理中，不容易在垂直于檢測平面的方向發現。提高對這種缺陷的識別率，還需要進行深入的研究。對Fuzzy grain和Chip marks兩種缺陷的識別正確率都達到了95%，識別效果較好。

表3分類識別正確率

Tab.3 Correct classification rate

缺陷類型樹種測試樣

本數/個直方圖特征

識別正確率小波特征

識別正確率Raised grain樟子松4087.5%（5）92.5%（3）Fuzzy grain白樺、水曲柳4090%（4）95%（2）Chip marks白樺、水曲柳4070%（12）95%（2）無缺陷樟子松、白樺、

水曲柳4052.5%（19）82.5%（7）總計16075%（40）91.3%（14）注：括號內數字為識別錯誤試樣數。

4結論

選用樟子松、白樺、水曲柳3種常用的商品材，在加工工藝參數不同的條件下，能夠加工出有Raised grain、Fuzzy grain和Chip marks缺陷的試樣。

以3階二維小波變換的10個系數矩陣的方差值作為小波紋理特征，建立BP神經網絡分類器，其分類識別正確率達到91.3%。而同類型的直方圖紋理特征分類器，其分類識別的正確率僅為75%。測試結果表明，小波紋理特征分類器可以用于木材機械加工表面質量評價。

由于木材種類繁多，物理性質差異很大，對其它主要樹種還應建立相應的特征樣本庫。此外，模式識別分類器的種類很多，其它類型分類器用于木材表面質量評價的效果還有待進一步研究。

【參考文獻】

[1]Cristina L C，Luisa M H C.Method for evaluating the influence of wood machining conditions on the objective characterization and subjective perception of a finished surface[J].Wood Science and Technology，2008，42：181-195.

[2]Gerhard S，Jakub S，Tahiana R.Properties of wood surfacecharacterisation and measurement.A review[J].Holzforschung，2009，63：196-203.

[3]ASTM D 1666-87.Standard Test Methods for Conducting Machining Tests of Wood and WoodBase Materials[S].ASTM International，West Conshohocken，PA，2011.

[4]王紀武，高偉杰，廖方波，等.基于機器視覺的鐵路貨運木材檢尺系統開發[J].北京交通大學學報，2012，36（4）：135-138.

[5]Chen L.Study on prediction of surface quality in machining process[J].Journal of Materials Processing Technology，2008，205：439-450.

[6]楊亮慶，由昌久，呂蕾，等.木材干燥預熱處理作用及國內研究進展[J].林業機械與木工設備，2013，41（1）：17-18+32.

[7]王艷偉，孫偉圣，楊植輝，等.木 材干燥技術研究進展[J].林業機械與木工設備，2014，42（10）：9-13.

[8]杜曉晨，尹建新，祁亨年，等.基于顏色直方圖和LBPTD算子的木板材節疤缺陷區域檢測[J].北京林業大學學報，2012，34（3）：71-75.

[9]Christy A G，Senden T J，Evans P D.Automated measurement of checks at wood surfaces[J].Measurement，2005，37：109-118.

[10]Gonzalez R C，Woods R E.Digital image processing（Third Edition）[M].USA：Pearson Education，Inc，2010.

[11]劉建立，左保齊，高衛東.非織造材料外觀質量識別的小波紋理分析方法[J].計算機工程與設計，2011，32（8）：2836-2841.

[12]Liu J J，Han C H.Wavelet texture analysis in process industries[J].Korean Journal of Chemistry Engineering，2011，28（9）：1814-1823.

[13]季偉東，王克奇，張建飛，等.基于改進的粒子群算法優化開關神經網絡的木材表面缺陷識別[J].東北林業大學學報，2012，40（12）：99-102.

[責任編輯：李洋]