梁建勇

（安康学院电子与信息工程学院，陕西安康 725000）

随着木材工业的发展，木材加工逐渐进入自动化大规模加工模式。但是大多数板材生产企业依然选择人工方式进行板材缺陷检测。这种传统检测方式主要依靠人的视觉和经验来检测缺陷，并在发现缺陷后进行缺陷分类。然而，采用这一方式时，由于人受到主观因素影响较多，检测效率低，容易出现失误，无法有效保证质量；同时大量人工作业无法降低生产成本，削弱了企业的竞争优势。

国内外科研人员开展了许多木材缺陷检测的相关研究，常见的检测方法有X 射线检测、超声波检测、计算机视觉检测等[1-3]。用X 射线对木材进行检测，难以分辨裂纹和夹皮。超声波检测需要探头和待检测木材很贴近，同时需要解决耦合剂的问题，使用场景受到极大限制[4-6]。因此，操作方便、使用环境要求低的木板缺陷检测系统是板材加工行业的迫切需求。

文中采用图像处理技术，运用OpenCV（开源计算机视觉库）对木板表面缺陷检测进行研究并开发相关系统，能够对木材的节子、裂纹、虫洞等典型缺陷进行特征提取及类型识别，达到检测木板表面缺陷的目的。

1 系统构成

国家标准规定的木材缺陷是，凡呈现在木材上能降低其质量、影响其使用的各种缺点均为木材缺陷[7]。文中针对木材加工中常见的节子、虫洞、裂纹3种典型缺陷进行检测研究。

节子是枝丫的隐生部分，在树木生长期间形成,为木材不可避免的缺陷。裂纹是木材纤维和纤维之间分离所形成的缝隙，也称开裂，是树木在生长过程中受到自然因素、环境因素的影响，使木质破坏后产生的。虫洞是树木在成长过程中或者被砍伐后的储存阶段，经过害虫的蛀蚀所形成。这3 种典型缺陷的形态如图1 所示。

图1 3种典型缺陷的形态

实验样本来自于木材加工现场的原木板材，文中采用工业摄像头对这些木板材料进行了图像的采集，所得到的样本图片大小为640×480 px，存储格式为“.jpg”格式。文中设计的木板表面缺陷检测系统由光源、工业高清摄像头、计算机等构成。条形光源照射到被测木板表面，反射光线进入高清摄像头，通过摄像头将光学信号转化为电信号，通过传输线传送到计算机中，系统结构示意如图2 所示。

图2 系统结构示意

光源是获得高质量图像的重要因素，在机器视觉中常见的有环形光源和条形光源。环形光源可以解决对角照射的阴影问题，常在小型器件检测中使用。条形光源则常用于检测面积较大的方形物体。鉴于文中研究对象为较大的方形木板，所以选用条形光源。另外，COMS 摄像头相对CCD 摄像头对图像的处理速度更快，为了保证系统处理速度，文中选取COMS 摄像头进行图像捕捉。

2 图像预处理

在获取图像时，由于受到噪声、光照等外界因素的影响，造成原始图像的质量不高。如果直接进行图像分割及缺陷检测，会增加操作难度，得到的结果也不尽如人意。因此系统在执行图像分割与缺陷检测前，需要进行预处理，清除图像噪声、提高图像清晰度、突出特定区域、削弱背景信息。文中在图像预处理阶段，执行了如下操作：平滑滤波、灰度化处理和图像锐化。

2.1 平滑滤波

木板表面颜色、纹理往往有差别，若木板的纹理特征明显，则目标缺陷与背景相近难分辨；木板的纹理特征不明显，则目标缺陷与背景对比明显易分辨。因此，若不对图像纹理特征作弱化处理，则图像分割时，会分割出一部分背景区域，增加处理难度。因此，在预处理过程中，需要弱化木板图像的纹理特征[8]。此外，在图像的获取、传输中，会给图像带来噪声，造成图像质量降低，甚至有效特征被噪声淹没。为此，可采用平滑滤波减少噪声、提高图像质量[9]。

文中采用MeanShift均值漂移算法，OpenCV 中实现MeanShift 算法的函数为“pyrMeanShiftFiltering”，可以实现图像在色彩层面平滑滤波、中和色彩分布相近的颜色、平滑色彩细节、侵蚀掉面积较小的颜色区域，从而去除局部纹理，保留了边缘等差异较大的特征。文中分别针对椒盐噪声和高斯噪声，验证滤波算法的有效性，木板表面图像进行滤波处理前后的对比图如图3 所示，平滑滤波可以去除椒盐噪声和高斯噪声，弱化木板表面纹理特征[10]。

图3 平滑滤波处理后的对比结果

2.2 灰度化处理

文中通过获取缺陷区域的轮廓对缺陷进行识别，对缺陷部分具体颜色并不关心，因此，会在图像的预处理阶段将彩色图像转化为灰度图像，提高系统的运算速度。文中将彩色图像转变为灰度图像的算法采用加权平均值法，将彩色图像每一像素点中R、G、B 3 通道的亮度进行加权平均，作为该像素点的灰度值。灰度化后，图像将因权值不同，而呈现出不同效果[11]。该系统采用OpenCV 中的cvtColor 函数完成灰度化，在cvtColor函数中，R、G、B 3 通道的权值系数分别设置为0.114、0.587、0.29。通过验证，对木板表面图像的灰度处理可以达到预期效果，如图4 所示。

图4 灰度化后的效果

2.3 图像锐化

经过平滑滤波处理后，图像中的噪声得到了滤除，但同时带来了图像轮廓和边界变模糊的问题，给下一步的特征提取增加了难度。为此，对图像进行锐化处理。文中采用拉普拉斯算子进行锐化处理。图5 是图像锐化前后的效果对比，锐化后的图像比锐化前缺陷的边缘更加清晰。

图5 锐化处理效果

3 图像分割与缺陷定位

图像分割操作是指根据目标所具有的特征（如空间纹理、颜色、形状、灰度等）制定相关算法，将目标区域和背景区域分离开，进而使目标能够从图像中剥离出来。缺陷和背景具有灰度差异，系统可以据此对木板表面图像进行分割，这种方法称为阈值分割[12]，是一种处理速度较快的常用分割方法。对木板表面缺陷执行阈值分割操作后的效果如图6所示。

图6 缺陷分割前后的对比

经过阈值分割后，能够分割出木板表面的缺陷，但仍会分割出一些线状、块状或颗粒状的伪目标或噪声[13-15]。这些伪目标区域多呈小的线状或者颗粒状，通过对图像进行轮廓查找，用矩形框来逼近轮廓，得到包围缺陷轮廓的最小矩形框，定出缺陷的位置[16]，缺陷定位如图7 所示。

图7 缺陷定位

4 实验验证

该文研究的目的是将有缺陷木板筛选出来，并对其进行识别，判断出缺陷种类。根据前期处理工作，已获得包围木材缺陷的最小矩形，因此可以根据这些信息获得缺陷的位置、大小和形状。该研究主要识别节子、虫洞、裂纹3 种木材典型缺陷，它们在形状和颜色上各有特点。节子的形状一般是大的椭圆形，颜色有浅有深；裂纹的形状是长条形；虫洞的形状多为深色小圆点，灰度值远小于其他两种缺陷。结合以上特点，该系统根据包围缺陷矩形框的长宽比、面积以及矩形框中缺陷的灰度值来识别缺陷的类型，识别流程如图8 所示。

图8 缺陷识别流程

文中采用Visual C++的MFC 方式，开发木板表面缺陷检测系统。系统获取木板图像之后，点击“运行”按钮，系统会对载入的木板图片进行处理，并给出处理结果。当载入系统的木板图像检测出缺陷时，界面中的指示灯变为红色，缺陷组合框与文本框中会显示当前木板图像中的节子、裂纹、虫洞的个数，以及这些缺陷中心位置的坐标。当载入系统的木板图像没有检测出缺陷时，界面中的指示灯会亮绿色，缺陷组合框与文本框显示无缺陷状态。图9为有缺陷木板的识别结果。

图9 有缺陷木板的识别结果

得出识别结果后，如果想得到缺陷更直观的显示，可以在图像操作组合框中点击“阈值化”按键，获取缺陷的图形显示效果，如图10所示。实验完成了300张图片检测，经统计结果，该检测系统识别正确率为96.6%，单图平均检测时间为0.35 s。实验结果表明，该检测系统能够对木板缺陷情况进行快速有效的检测，具有较好的识别率和识别速度，满足生产实际的需求。

图10 缺陷的图形显示结果

5 结论

文中基于图像处理技术对木板表面缺陷检测进行了研究，从图像预处理、特征提取以及木板缺陷识别3 个方面入手，对木板表面图像的处理进行比较，设计了木板表面缺陷检测系统。实验结果证明，文中设计的检测系统能够对木板缺陷情况进行快速有效的检测与缺陷类型的识别。