导读:本文包含了木材缺陷论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:缺陷,木材,神经网络,卷积,算法,层析,图像。
木材缺陷论文文献综述
张浩然,张岱,武登科,周鹏程,东佳毅[1]（2019）在《基于马尔科夫随机场的木材缺陷图像分割算法》一文中研究指出针对木材中存在的死节缺陷问题,提出了一种基于马尔科夫随机场的图像分割算法。首先将彩图从RGB空间分别转换到HSV/HSI/Lab/Luv/YUV/YCbCr空间中去;然后依次得到HSV空间中的V通道、HSI空间中的I通道、Lab空间中的L通道、Luv空间中的L通道、YUV空间中的Y通道和YCbCr空间中的Y通道的灰度图;再对每个灰度图进行Otsu分割,得到分割二值图,从中选取最佳的颜色通道和初始分割结果;最后利用马尔科夫随机场模型进行多通道图像分割。试验结果表明,在多种颜色空间中合理选择各组合通道,并利用马尔科夫随机场模型,能够有效实现木材死节提取,性能指标SD、Dice、ER、NR数值分别为96. 60%、98. 27%、1. 74%、1. 74%。(本文来源于《林业机械与木工设备》期刊2019年11期）
徐梓敬,贾培,吴楠,徐凯宏[2]（2019）在《GA-SVM在木材缺陷识别中的应用》一文中研究指出为无损识别出木材内部的缺陷状况,研究以带有孔洞、腐朽和节子缺陷的圆盘试样作为研究对象,采用电学信号采集和测量功能的PXI平台进行16电极传感器、相邻激励模式的电阻层析成像(ERT)技术测量内部数据。针对得到的木材断层208个电压数据,采用主成分分析法(PCA)对作为输入变量的电压数据进行处理,并利用遗传算法(GA)优化权值和阈值,孔洞、腐朽和节子数据各45组,进行支持向量机(SVM)算法训练,完成木材内部缺陷图像的识别。结果表明:GA-SVM算法对孔洞、腐朽和节子的识别率分别为94. 55%,96. 36%,92. 73%,解决了木材内部缺陷的识别问题,达到最佳的预测结果。(本文来源于《传感器与微系统》期刊2019年09期）
崔明光,张秀梅,韩维娜[3]（2019）在《基于卷积神经网络的木材缺陷识别》一文中研究指出跨层卷积神经网络模型由输入层、两个交替的卷积层、池化层、全连接层和输出层组成。池化层输出到全连接层,将网络的高层次特征和低层次特征相结合构造分类器。在网络中加入Dropout技术,以防止过拟合的发生。(本文来源于《长春工业大学学报》期刊2019年04期）
李绍丽,苑玮琦,杨俊友,李德健[4]（2019）在《基于局部二值差异激励模式的木材缺陷分类》一文中研究指出针对木板表面裂缝和矿物线的区分问题,提出一种基于局部二值差异激励模式(LB_DEP)的方法。首先经预处理分割潜在缺陷区域,然后通过几何参数筛选呈线状的裂缝和矿物线。接着基于LBP与韦伯定律,建立反映图像纹理结构位置与差异激励关联关系的LB_DEP直方图。最后提取LBP和LB_DEP直方图特征,并融合特征数据,形成的特征向量作为SVM分类器的输入用于缺陷分类。提出的两种特征提取方法分别为"H-chi-square"法和"H-PCA"法,均在自建的数据集上进行了评估。结果显示,在两种特征提取方法下,本文算法分别获得了93. 7%和95. 8%的Recall,及95. 0%和96. 5%的Precision。与相似研究相比,Recall和Precision分别至少提高了3%和5%,且算法耗时均为毫秒级别,表现出方法的优势和有效性。(本文来源于《仪器仪表学报》期刊2019年06期）
崔明光[5]（2019）在《基于卷积神经网络的木材缺陷识别方法研究》一文中研究指出对木材缺陷的识别和鉴定是木材物理学与木材环境学的重要组成部分,它具有重要的科学研究意义和实用价值,如何高效准确的对木材缺陷进行识别,这成为一直困扰木材学界的一个难题。采用传统的人工目视检测以及图像处理方法已经难以胜任,所以寻找一种可以替代传统方法的技术,对木材缺陷的识别和分类研究具有重要的意义和应用价值。为了深入研究关于木材缺陷的图像处理及模式识别问题,针对木材缺陷的特征性和图像提取问题,采用卷积神经网络算法对木材缺陷的图像进行识别和分析,引入卷积神经网络来解决这一难题具有理论和实践的双重可行性。本文针对木材的缺陷识别问题,采用卷积神经网络算法对木材的缺陷图像进行识别,做出的工作如下:首先,由于选取的树木的种类很多,且缺陷各不相同,使得每一种样本的数量较少,想要对每一种样本进行识别,采用传统的卷积神经网络方法是难以做到的。针对这一问题,提出了一种跨层的卷积神经网络模型,该模型与传统卷积神经网络的不同之处在于,该模型可以将网络的低层次特征加入到分类器中,使卷积神经网络的识别效率变的更高。其次,对木材缺陷的识别,由于缺陷图像过于复杂,包含的参数过多,使得识别过程缓慢。针对这一问题,采用改进的随机梯度下降法对卷积神经网络进行优化,使网络的学习率随着网络的变化而自适应的改变,优化后的网络能准确的识别出图像中的缺陷,提高识别效率。最后,将改进的随机梯度下降算法应用到跨层卷积神经网络模型当中,可以进一步优化网络,引入跨层思想提高了改进卷积神经网络的准确率。优化的算法能提高网络的收敛速度,将这两种方法进行结合,可以更加有效地对木材缺陷进行识别。实验结果表明:根据木材表面缺陷图像特征,运用改进的卷积神经网络,来解决木材表面缺陷识别问题,使网络在识别精度上达到更高的水平。(本文来源于《长春工业大学》期刊2019-06-01）
罗微,孙丽萍[6]（2019）在《利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类》一文中研究指出根据木材缺陷类型及视觉特点的不同,将木材缺陷分为6类,加上正常无缺陷木材共分7类;实验将图像样本转化为灰度图后生成680个训练样本数据集和94个测试样本数据集。在分析单一方向梯度直方图(HOG)特征及局部二值模式(LBP)采用不同核函数对木材缺陷分类性能的基础上,提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类。融合特征经主成分分析并降维,利用支持向量机的4种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能。结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能;采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类,分类准确率分别可达98.9%和97.8%,木材缺陷可实现自动检测分类。(本文来源于《东北林业大学学报》期刊2019年06期）
刘英,周晓林,胡忠康,于亚斌,杨雨图[7]（2019）在《基于优化卷积神经网络的木材缺陷检测》一文中研究指出针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。(本文来源于《林业工程学报》期刊2019年01期）
张瑞峰,夏坡坡[8]（2019）在《基于CNN的典型木材缺陷图像识别研究》一文中研究指出为提高木材缺陷的正确识别率,该研究基于卷积神经网络算法的识别方法,提出了一种采用渐近式学习方法来确定训练样本数目的识别算法,文中给出对应的神经网络结构图。在Matlab2010a进行试验,结果表明:该算法不需要对原始图像进行复杂的预处理,便能够识别多种木材缺陷的类型,算法精度较高且复杂度比较小,能够节约算法的时间,具有更好的鲁棒性,也克服了传统算法中的诸多固有缺点。该研究与采用径向基核函数的支持向量机算法相比较,渐近方式的CNN,识别木材缺陷的正确率更高,能够达到90%以上,可为进一步的木材识别开发提供技术支持。(本文来源于《现代化农业》期刊2019年01期）
丁伟彪,王宝金[9]（2019）在《木材缺陷检测技术研究概况与发展趋势》一文中研究指出木材缺陷是降低木材商品价值的非正常和不规则部分,它们会降低木材强度,影响加工和装饰质量或外观,因此如何有效且快速地检测出木材缺陷,探索合理及先进的检测方法,一直是相关科研工作者的努力方向。从基本原理和国内外研究现状对目前主要使用的木材缺陷检测方法(包括超声波检测法、X射线检测法、红外检测法以及计算机视觉检测法)进行了介绍和总结,并从检测技术联机化、仪器开发智能化、领域应用多元化这叁个方面对发展趋势进行了展望。(本文来源于《林业机械与木工设备》期刊2019年01期）
张瑞峰[10]（2018）在《基于机器视觉的木材缺陷无损检测研究》一文中研究指出基于机器视觉的木材缺陷检测技术,对提高锯材质量、锯材等级分选、加速木材加工自动化有重大意义。木文以常见的木材缺陷如:死节、活节、虫眼及裂痕图像为研究对象,对木材缺陷的机器视觉无损检测进行了深入的研究。主要内容包括:(1)木材缺陷的分割:图像分割是木材表面缺陷检测的关键步骤,本文针对传统算法的分割不足,提出了基于RGB颜色空间下的两两分量线性分割图像算法。由试验分析可得,无论什么缺陷类型,对于发生颜色改变的缺陷都会有较好的分割效果,且活节与死节的正确分割率可以达到87.5%。(2)木材缺陷类型的识别:缺陷种类识别通常是基于神经网络的识别,本文对卷积神经网络与BP神经网络分别进行缺陷识别测试,并对两种网络识别效果进行比对,通过试验数据可得到:卷积神经网络识别的缺陷类型准确率达到85%以上,而BP神经网络的算法识别率为80%,此外CNN网络不需要繁杂的预处理过程,且其具有用时少、鲁棒性强的优点,所以本文采用卷积神经网络对木材缺陷进行识别。(3)木材缺陷的定位:采用CMOS工业相机在恒定光强的灯箱中获取木材缺陷图像。本文标定算法参考张正友标定法以及Camera Calibration开发包,从而得到相机的内参、外参及畸变系数。利用标定结果对图像进行矫正并做定位试验。本文通过寻找不规则缺陷图像的重心,对缺陷进行定位。通过将算法识别到的重心与实际人工测量的重心进行对比,多次数据分析得到:两者误差在(-1.10cm,0.92cm)之间。通过结合重心的坐标以及缺陷外接矩形便可以到达精确剔除缺陷的目的。本文通过对木材缺陷的分割、识别以及定位,可以为工业的木材缺陷检测提供系统的解决方案,拓展了机器视觉在木材缺陷检测方面的应用。(本文来源于《浙江农林大学》期刊2018-12-15）
木材缺陷论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为无损识别出木材内部的缺陷状况,研究以带有孔洞、腐朽和节子缺陷的圆盘试样作为研究对象,采用电学信号采集和测量功能的PXI平台进行16电极传感器、相邻激励模式的电阻层析成像(ERT)技术测量内部数据。针对得到的木材断层208个电压数据,采用主成分分析法(PCA)对作为输入变量的电压数据进行处理,并利用遗传算法(GA)优化权值和阈值,孔洞、腐朽和节子数据各45组,进行支持向量机(SVM)算法训练,完成木材内部缺陷图像的识别。结果表明:GA-SVM算法对孔洞、腐朽和节子的识别率分别为94. 55%,96. 36%,92. 73%,解决了木材内部缺陷的识别问题,达到最佳的预测结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
木材缺陷论文参考文献
[1].张浩然,张岱,武登科,周鹏程,东佳毅.基于马尔科夫随机场的木材缺陷图像分割算法[J].林业机械与木工设备.2019
[2].徐梓敬,贾培,吴楠,徐凯宏.GA-SVM在木材缺陷识别中的应用[J].传感器与微系统.2019
[3].崔明光,张秀梅,韩维娜.基于卷积神经网络的木材缺陷识别[J].长春工业大学学报.2019
[4].李绍丽,苑玮琦,杨俊友,李德健.基于局部二值差异激励模式的木材缺陷分类[J].仪器仪表学报.2019
[5].崔明光.基于卷积神经网络的木材缺陷识别方法研究[D].长春工业大学.2019
[6].罗微,孙丽萍.利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类[J].东北林业大学学报.2019
[7].刘英,周晓林,胡忠康,于亚斌,杨雨图.基于优化卷积神经网络的木材缺陷检测[J].林业工程学报.2019
[8].张瑞峰,夏坡坡.基于CNN的典型木材缺陷图像识别研究[J].现代化农业.2019
[9].丁伟彪,王宝金.木材缺陷检测技术研究概况与发展趋势[J].林业机械与木工设备.2019
[10].张瑞峰.基于机器视觉的木材缺陷无损检测研究[D].浙江农林大学.2018
论文知识图
