基于圖像處理的家具表面死節缺陷檢測方法研究

■程玉柱 李趙春 Cheng Yuzhu & Li Zhaochun

(1.2.南京林業大學機械電子工程學院，江蘇南京 210037）

木材家具質量檢測一直是成品出廠、市場質量抽查、用戶監督的重要手段。木家具產品缺陷主要有：開裂、腐朽、節子、甲醛超標、形變等。而死節是影響家具的美觀和使用的一種重要缺陷。實現木材死節缺陷的大小及位置自動檢測是提高成品家具檢測效率的前提，也為數字化質量評價提供重要手段。而木材表面缺陷圖像分割是該技術中的難點之一，而成品家具表面的油漆常常導致反光，以及復雜背景噪聲，會降低圖像分割質量[1-4]。木材表面缺陷自動檢測主要利用圖像灰度化、二值化、濾波、形態學處理并結合模式識別算法，進行識別[5-6]。非負矩陣分解(NMF)對分塊圖像矩陣提取系數。CV模型是一種主動輪廓圖像分割算法[7]，已廣泛應用于航空圖像、醫學圖像、紅外圖像、農林圖像等多種圖像分割應用中，此算法還在發展和完善中，算法采用水平集求解[8]。針對成品家具表面光照不均勻和復雜背景的木材死節缺陷圖像，提出了一種基于NMF與CV模型的檢測算法，實現缺陷目標提取。

1 檢測方法

1.1 非負矩陣分解與CV模型圖像分割

本文將非負矩陣分解(NMF)與主動輪廓模型(ACM)相結合，提出了一種基于NMF粗分割與ACM細分割的檢測方法，利用此方法解決成品家具表面的死節缺陷圖像檢測。具體算法流程如圖1所示。首先輸入家具表面死節缺陷彩色RGB圖像,然后對RGB彩圖或灰度圖進行NMF分解，對分解后的基向量進行K-均值聚類，得到初始分割，確定目標范圍和初始水平集，最后用CV模型進行演化并獲得死節缺陷目標。

1.2 NMF

非負矩陣分解是將一個矩陣Y分解成兩個非負矩陣，兩個矩陣分別為字典矩陣A和系數矩陣X，即：

最小化算法采用交替最小二乘法求解

1.3 K-均值

將公式(4)中的x作為樣本進行2分類，則聚類中心定義為

式中為聚類均值，為列表數目，k=1，2。

新的聚類中心確定后，每個樣本值與中心聚類重新計算，找到最小的歐氏距離。

1.4 CV分割

CV模型是基于Mumford-Shah模型的一種主動輪廓模型。圖像為輸入圖像，為封閉曲線，能量泛函為

■圖1 算法流程圖

■圖2 家具表面死節缺陷彩圖

■圖3 圖像分塊原理

■圖4 圖像分塊結果

2 死節缺陷圖像檢測

針對成品家具死節缺陷圖像，本文選取木床家具背板上的死節圖像進行檢測，通過1張正面拍攝圖片進行檢測過程詳細說明，驗證算法的有效性。彩圖經顏色NMF分解、K-均值聚類、CV圖像分割等步驟得到缺陷檢測結果。圖2為背板節子缺陷RGB彩色原圖。從圖中可以看出，家具圖片背景復雜，有白色的墻紙，墻紙上面還有少量污漬，背板有不同木板組成，且具有不同深淺度的顏色。由于油漆及外部光線等因素，拍攝圖片過程中，反光影響較大，導致圖片中光照不均勻，增大了圖像分割的難度，很難用閾值法直接完整地提取缺陷目標。

2.1 NMF

首先對圖2進行圖像灰度化，利用函數rgb2gray實現，然后對灰度圖進行分塊，塊大小為5＊5，則圖像塊總數為（m%5）＊(n%5），其中m，n分別為原圖尺寸，%為求余操作，余數部分去除。圖3為圖像分塊示意圖。

圖4為圖像分塊結果圖，其中a子圖為灰度圖，b子圖為分塊后組成的新矩陣，可以看到節子部分的數據和背景有較大的差異。利用公式(1-4)對圖4（b）進行NMF分解，得到系數矩陣X。

2.2 K-均值聚類

對圖4（b）的矩陣進行NMF分解，得到系數矩陣X。利用nnmf(A,k)函數實現，并選擇合適的參數，其中A為輸入分塊后的矩陣，k=1。利用公式（5-6）對系數矩陣X進行聚類，聚類采用kmeans函數實現。令聚類數目為2，得到分類結果并用reshape與imresize函數，實現變形和圖像放大，其結果如圖5（a）所示。

2.3 CV圖像分割

為了使式(8)能量最小化，采用半隱式數值解法，如公式(9)，求解得到圖像的零水平集，決定像素的歸屬(目標或背景)，得到二值圖，如圖5所示，為水平集分割結果，5（b）為人工分割的理想圖，5（c）為CV分割圖。

3 結果分析

為了準確評價圖像分割質量，采用有監督客觀評價方法，人工分割出理想目標[9-10]，并將此作為基準，如圖5(b)。定義標準目標圖像和分割圖像分別為相似度定義為

正確率定義為

則錯分率定義為

漏分率定義為

利用式(10-13)對圖5（c）進行計算，得到計算結果SD=80.49%、Dice=89.19%、ER=0.16%、NR=19.38%。從各值看出，綜合而言，提出的非負矩陣分解與主動輪廓模型分割具有成品家具表面死節缺陷檢測能力。

從圖4可以看出，本文提出的NMF算法能夠將統計局域信息，進行數據降維，降低光照影響，去除無用的復雜背景，為后續的分割與檢測奠定了基礎。通過K-均值聚類算法去除圖中存在光照不均勻區域，粗定位目標位置范圍，然后通過CV模型演化能夠精確分割出家具表面死節缺陷目標，提取出缺陷目標。由于死節邊緣與木材背景像素變化不明顯，人工分割圖5（b）和算法分割圖5（c）都存在邊緣不準確的問題，如何加強算法的邊緣的定位能力，提高目標檢測質量是進一步需要解決的問題。

4 結語

①非負矩陣分解與K-均值能有效地粗定位待分割的成品家具表面死節目標，為木材缺陷檢測提供一個有效的預定位方法。

②試驗結果表明，非負矩陣分解算法用于家具表面死節缺陷圖像的粗分割是可行的，能夠有效去除一些復雜背景和光照的影響，且CV分割能較好地提取死節缺陷目標。

③采用的算法抗噪性好，可實現自動分割，分割準確率較高。但算法在缺陷邊緣定位和圖像塊特征提取方面仍存在改進之處。