双树复小波特征融合的板材压缩感知协同检测与分选

第１９卷第８期　２０１５年８月　电　机　与　控　制　学　报　

Ｅｌｅｃｔｒｉ　Ｃ　Ｍａｃｈｉｎｅｓ　ａｎｄ　Ｃｏｎｔｒｏｌ　Ｖｏ１．１９　Ｎｏ．８　

Ａｕｇ．２０１５　

双树复小波特征融合的板材压缩感知协同检测与分选　李超　，　张怡卓　，　于慧伶。，　曹军　（１．东北林业大学机电工程学院黑龙江哈尔滨１５００４０；２．东北林业大学机械工程博士后流动站黑龙江哈尔滨１５００４０；　３东北林业大学信息与计算机工程学院黑龙江哈尔滨１５００４０）　

摘要：提出一种对板材表面缺陷和纹理进行协同快速准确检测的算法。根据双树复小波所特有的　方向性和时移不变性，研究了板材表面图像的双树复小波特征提取及融合算法，对板材表面图像进行　３级双树复小波分解得到４０个特征向量，并通过遗传算法优选出２３个关键特征，优选后的特征能够　较为完整地表达板材图像的复杂信息并减小数据冗余。最后采用压缩感知理论，将优选后的特征向　量作为样本矩阵列，构造出训练样本数据字典，通过最小残差完成对板材表面信息的分类识别。实验　对木材表面存在的弦切纹、径切纹、活结和死结等４类柞木样本进行了检测，正确率分别为９１．８％、　１００％、９６．４％和９１．８％，该算法能够以９５％的平均识别率完成板材表面缺陷、纹理的协同检测。　关键词：在线检测；协同分选；双树复小波；遗传融合；压缩感知　ＤｏＩ：１０．１５９３８／ｊ．ｅｍｃ．２０１５．０８．０１２　中图分类号：ＴＮ９１１．７３　文献标志码：Ａ　文章编号：１００７—４４９Ｘ（２０１５）０８—００８１—０７　

Ｄｕａｌ—ｔｒｅｅ　ｃｏｍｐｌｅｘ　ｗａｖｅｌｅｔ　ｆｅａｔｕｒｅ　ｆｕｓｉｏｎ　ａｎｄ　ｗｏｏｄ　ｂｏａｒｄ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｄｅｔｅｃｔｉｏｎ　ｂｙ　ｃｏｍｐｒｅｓｓｅｄ　ｓｅｎｓｉｎｇ　

ＬＩ　Ｃｈａｏ　一，ＺＨＡＮＧ　Ｙｉ—ｚｈｕｏ　，ＹＵ　Ｈｕｉ　１ｉｎｇ　，ＣＡＯ　Ｊｕｎ　（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｅａｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５００４０，Ｃｈｉｎａ；２．Ｐｏｓｔ．Ｄｏｃｔｏｒａｌ　Ｍｏｂｉｌｅ　Ｓｔａｔｉｏｎ　ｏｆ　Ｍｅｃｈａｎｉｃｓ，Ｎｏｒｔｈｅａｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５００４０，Ｃｈｉｎａ；３．Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｅａｓｔ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｒｂｉｎ　１５００４０，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａ　ｑｕｉｃｋ　ａｎｄ　ａｃｃｕｒａｔｅ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｍｅｔｈｏｄ　ｆｏｒ　ｗｏｏｄ　ｄｅｆｅｃｔｓ　ａｎｄ　ｔｅｘｔｕｒｅ　ｗａｓ　ｐｒｏ．　ｐｏｓｅｄ．Ａｓ　ｄｕａｌ—ｔｒｅｅ　ｃｏｍｐｌｅｘ　ｗａｖｅｌｅｔ　ｈａｓ　ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ａｐｐｒｏｘｉｍａｔｅ　ｓｈｉｆｔ　ｉｎｖａｒｉａｎｃｅ　ａｎｄ　ｇｏｏｄ　ｄｉｒｅｃ—　ｔｉｏｎａｌ　ｓｅｌｅｃｔｉｖｉｔｙ，ｄｕａｌ—ｔｒｅｅ　ｃｏｍｐｌｅｘ　ｗａｖｅｌｅｔ　ｆｅａｔｕｒｅ　ｗａｓ　ｅｘｔｒａｃｔｅｄ　ｆｒｏｍ　ｗｏｏｄ　ｂｏａｒｄ　ｉｍａｇｅ　ａｎｄ　ｔｈｅ　ｆｕｓｉｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ｄｉｓｃｕｓｓｅｄ．Ｔｈｒｅｅ－ｌｅｖｅｌ　ｄｕａｌ—ｔｒｅｅ　ｃｏｍｐｌｅｘ　ｗａｖｅｌｅｔ　ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｗａｓ　ｃａ￣ｉｅｄ　ｏｕｔ　ｔｏ　ｔｈｅ　ｓｕｒｆａｃｅ　ｉｍａｇｅ　ａｎｄ　４０　ｆｅａｔｕｒｅｓ　ｗｅｒｅ　ｇｏｔ，ｔｈｅｎ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ（ＧＡ）ｗａｓ　ｕｓｅｄ　ｆｏｒ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ａｎｄ　２３　ｆｅａ—　ｔｕｒｅｓ　ｗｅｒｅ　ｃｈｏｓｅｎ．Ｆｅａｔｕｒｅ　ｆｕｓｉｏｎ　ｃａｎ　ｂｅｔｔｅｒ　ｅｘｐｒｅｓｓ　ｔｈｅ　ｓｕｒｆａｃｅ　ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　ｍｅａｎｗｈｉｌｅ　ｈｅａｖｉｌｙ　ｒｅ—　ｄｕｃｅ　ｔｈｅ　ｄａｔａ　ｒｅｄｕｎｄａｎｃｙ．Ｆｉｎａｌｌｙ，ｗｏｏｄ　ｓｕｒｆａｃｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗａｓ　ｃｏｍｐｌｅｔｅｄ　ｂｙ　ｕｓｉｎｇ　ｃｏｍｐｒｅｓｓｅｄ　ｓｅｎｓ．　ｉｎｇ（ＣＳ），ｏｐｔｉｍｉｚｅｄ　ｄｉｍｅｎｓｉｏｎａｌ　ｆｅａｔｕｒｅ　ｖｅｃｔｏｒ　ｗａｓ　ｕｓｅｄ　ａｓ　ｓａｍｐｌｅ　ｍａｔｒｉｘ　ａｎｄ　ｄａｔａ　ｄｉｃｔｉｏｎａｒｙ　ｏｆ　ｔｒａｉｎｉｎｇ　ｓａｍｐｌｅｓ　ｗａｓ　ｃｏｎｓｔｒｕｃｔｅｄ，ｔｈｅｎ，ｗｏｏｄ　ｓｕｒｆａｃｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗａｓ　ｃｏｍｐｌｅｔｅｄ　ｂｙ　ｕｓｉｎｇ　ｌｅａｓｔ　ｒｅｓｉｄｕａｌ　ａｔ　ｌａｓｔ．　Ｆｏｕｒ　ｔｙｐｅｓ　ｏｆ　Ｘｙｌｏｓｍａ　ｓａｍｐｌｅｓ：ｒａｄｉａｌ　ｔｅｘｔｕｒｅ，ｔａｎｇｅｎｔｉａｌ　ｔｅｘｔｕｒｅ，ｌｉｖｅ　ｋｎｏｔ　ａｎｄ　ｄｅａｄ　ｋｎｏｔ　ｗｅｒｅ　ｕｓｅｄ　ｆｏｒ　

ｅｘｐｅｒｉｍｅｎｔ，ｔｈｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｏｆ　ｔｈｅ　ａｂｏｖｅ　ｆｏｕｒ　ｔｙｐｅｓ　ｗｅｒｅ　９１．８％，１００％，９６．４％ａｎｄ　９１．８％　ｒｅｓｐｅｃｔｉｖｅｌｙ．ａｎｄ　ｔｈｉｓ　ｓｙｓｔｅｍ　ｃｏｕｌｄ　ｃｏｍｐｌｅｔｅ　ｔｈｅ　ｄｅｆｅｃｔｓ　ａｎｄ　ｔｅｘｔｕｒｅｓ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｗｉｔｈ　ａｎ　ａｖｅｒａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｏｆ　９５％．　竺　！坐！竺　坐ｏｒａｔｉＶｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｆｅａｔｕｒｅ　ｆｕｓｉｏｎ，ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ；ｏｎｌｉｎｅ　ｓｏｒｔｉｎｇ；ｃｏｍｐｒｅｓｓｅｄ　ｓｅｎｓｉｎｇ　收稿１３期：２０１４—０９—１８　基金项目：林业公益项目（２０１３０４５１０）；黑龙江省自然科学基金（Ｃ２０１４０５，Ｃ２０１５０５４）；博士后科研启动基金（ＬＢＨ—Ｑ１４ｏ１４）　作者简介：李超（１９８２一），女，博士，讲师，研究方向为模式识别与智能系统；　张怡卓（１９７８一），男，博士，副教授，研究方向为图像处理与模式识别；　于慧伶（１９８Ｏ一），女，博士，副教授，研究方向为图像处理与模式识别；　曹　军（１９５６一），男，博士，教授，研究方向为智能控制与智能检测。　通讯作者：张怡卓　８２　电机与控制学报　第１９卷　０　引　言　实木产品以物美价廉、环保耐用等优势获得了　广阔的市场前景，然而其表面的缺陷与纹理严重影　响到了地板质量和等级。智能化的在线检测与识　别，为实木板材检测和等级分选提供了新的思路和　方法，可以在不损坏木材的前提下实现表面缺陷检　测与纹理分类，拥有非常广阔的研究和应用价值。　板材表面缺陷和纹理的计算机视觉检测过程主　要包括图像获取、特征提取、特征选择和分类器设　计。其中，特征提取与选择、分类器的选用直接影响　分类速度与精确度。特征提取方法主要包括结构分　析法、统计法、模型法和信号处理方法。Ｍａｈｒａｍ等　人提出灰度共生矩阵法，局部二进制模式和统计矩　三种方法的混合使用，来进行特征缺陷提取，用主成　分分析和线性判别分析利用减少功能向量维度　。　但是，灰度共生矩阵法速度慢、效率低；王业琴　等　应用模型方法，提取了木材纹理的１２个５阶高阶马　尔可夫随机参数，采用模拟退火算法进行参数设置，　得到了最优的马尔可夫随机参数体系。但是，马尔　可夫随机场方法参数调节不方便，模型系数求解有　难度；马琳　选用信号处理方法，使用ｓｙｍ４小波基　进行２级小波分解，得到图像的ｌ５个特征，完成了　纹理分类。但是，传统二维离散小波变换有平移改　变性和有限的方向选择性两个主要缺点，使得分类　精确度不高；文献［４］选用曲波与小波进行特征提　取，通过遗传算法融合了曲波方向性与小波快速性　的特点，提高了纹理分类精确度，但是只能针对３类　纹理进行分类，不能实现纹理缺陷的协同分选。在　分类器的选择上，王晗等利用ＢＰ神经网络对木材　纹理进行分类识别＿５　；肖淑苹等用二维树形小波和　支持向量机对彩色纹理图像进行分类识别　；杨福　刚等结合二进正交小波基和支持向量机对木材纹理　进行分类识别　。　由于，板材表面纹理呈现不规则性，随机性强，　以上分选方法都有各自的局限性，针对板材表面存　在的弦切纹、径切纹、活结和死结４种类别设计了协　同检测系统，并根据检测系统中的实际问题，提出了　相应的特征提取、特征优选、及分类器设计方法。　１协同检测系统设计　实木板材缺陷检测的计算机视觉系统组成如　图１所示。系统由传送平台、ＣＣＤ摄像头、镜头、摄　像头支架、光源系统、图像采集卡及缺陷检测软件组　成。ＣＣＤ摄像头为德国Ｏｓｃａｒ　Ｆ８１０Ｃ　ＩＲＦ；为了提高　图像采集的清晰度，选用两片ＬＥＤ平行光源对检测　地板进行照明；采集的地板图像大小影响着图像处　理时间与辨识效果，且二者是一对矛盾体，前期研究　表明：在５１２×５１２，２５６×２５６和１２８×１２８三类图像　中，２５６×２５６既能保证处理时间又能有效避免误识　率，所以选用２５６×２５６的实木地板图像　进行后期　识别处理。　

Ｃｏｎｖｅｙｏｒ　图１板材检测的计算机视觉系统　Ｆｉｇ．１　Ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｄｅｆｅｃｔｓ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｗｏｏｄ　ｐｌａｔｅｓ　

双　基　图　树　薹　压　

复　缩　感思　知　分

类　器　

像　小　

选　预　波　处　特　理　征　提　取　

图２板材协同检测系统流程图　Ｆｉｇ．２　Ｗｏｏｄ　ｃｏｌｌａｂｏｒａｔｉｖｅ　ｓｏｒｔｉｎｇ　ｓｙｓｔｅｍ　ｆｌｏｗ　

板材智能化在线检测与识别系统的流程图如图　２所示，其各个环节的主要内容如下：　１）图像采集：获得一定量的实木地板试验材　料，采集大量实木地板表面图像，用于构建压缩，感　知构建数据字典。同时采集被测样本图像。　２）图像预处理：对彩色图像灰度化方法进行研　究，降低图像处理的数据量。消除图像噪声。消除　运动图像产生的模糊问题，突出图像边缘信息。　３）双树复小波特征提取：对板材表面图像进行　３级双树复小波分解，得到１个低频子代和１８个高　频子代的３８个特征参数，与图像的标准差和熵构成　４０维特征向量；　４）基于遗传算法的特征优选：利用遗传算法进　行特征优选，优选出２３个特征向量。　５）分类器设计：采用压缩感知理论，将优选后的　特征向量作为样本矩阵列，构造出训练样本数据字　典，通过最小残差完成对板材表面信息的分类识别。　６）分选结果：样本经过在线分选系统的智能化