利用三维激光扫描技术同时检测木材的缺陷和种类

抽象的

木材的等级和价格主要与木材的缺陷和木材的种类有关。本文提出了一种基于三维激光扫描点云的木材缺陷定量检测方案和木材种类定性识别方案。首先，使用Artec 3D扫描仪扫描木材表面，获得3D点云。每个3D点都包含它，， 和坐标及其RGB颜色信息。预处理后,将当前点的坐标值与设定的阈值进行比较，判断是否为缺陷点(即空洞、蜗杆洞、裂缝)。其次，采用深度优先搜索算法分割不同颜色标记的保留缺陷点;采用积分算法计算各缺陷的表面积和体积。最后，利用木材表面颜色信息进行树种识别。利用扫描点的颜色矩进行分类，但不利用缺陷点。实验表明，该方法能够准确测量木材表面空洞、蜗杆洞和裂纹的表面积和体积，测量误差小于5%，木材种类识别精度达到95%。

1.介绍

木材种类和木材缺陷是木材质量评估中的两个关键问题，以便正确判断不同木制品（例如木板，木材或板）的物理性质和商业价值[1]。一些视觉图像特征已用于木材物种识别，可分为两大类:木材表面的纹理分析[2，3.它的颜色分析[4，5]。最近，木光谱反射特性也被利用用于物种分类。文献中的更常见方案考虑振动光谱[6，7]和拉曼光谱[8]。例如，Piuri和Scotti提出了一种基于荧光光谱分析的木材种类分类方案[9]。

对于木材表面的缺陷检测，通常采用光谱分析和激光扫描方案对木材外部缺陷(如空洞、蜗杆洞、结、侵蚀等)进行定性检测[10- - - - - -12]。研究人员还提出了一种通过使用X射线，伽马射线，微波和纵向应力波来检测木内缺陷的一些方案[13- - - - - -15]。例如Wang等人利用超声波装置将小波变换和神经网络结合起来分析和识别不同类型和大小的木材内部缺陷[16]。

然而，同时进行木材种类调查和木材缺陷检测，很难对木材质量进行客观评价。事实上，木材种类检测和木材缺陷检测通常采用不同的仪器或技术。即使采用光谱分析等相同的仪器或技术对木材品种和缺陷进行检测，也存在相互干扰，导致检测精度较低。例如，如果木材表面存在较多缺陷，利用光谱反射率特征对木材单板进行树种识别，其识别精度不高。努力解决这个问题,我们使用3 d激光扫描仪器做出定性的木材品种识别和定量测量木材缺陷(例如,表面积和体积的精确测量每一个外部缺陷如腔,蠕虫隧道,和木材产品的表面裂纹)同时进行。因此，本方案提高了木材检测效能，可以为后续的木材质量评价提供更好的依据。

2.材料和方法

2.1。3D扫描

三维扫描是一种基于激光加工的无损检测技术，扫描速度快，扫描精度高。因此，它通常用于物体的三维重建。在我们的方案中，使用便携式Artec 3D激光扫描仪获取木材表面的3D点云，如图所示1．该扫描仪小型且便携，可调节闪光灯，3D扫描分辨率为0.5毫米。它与许多数据存储格式方便使用。该扫描仪配备了软件系统ARTEC Studio 9，可读取扫描仪数据，然后显示扫描对象的表面。物体的表面与仪器的校准XOY该软件自动生成物体表面，并将物体表面以OBJ格式存储。例如,图2说明Artec Studio 9中的扫描木表面。每个扫描点都包含其，， 和坐标及其RGB颜色信息。点的，， 和坐标用于缺陷检测，而其RGB信息用于物种识别。

2.2。缺陷分割

在本节中，需要执行两个步骤以对不同的缺陷进行分段。首先，每个点将坐标与设定的阈值进行比较，以确定该点是否为凹陷缺陷点(即空洞、蜗杆洞、裂纹)。其次，对保留的缺陷点进行深度优先搜索，分割出不同的缺陷;属于同一缺陷的缺陷点将用相同的数字标注并用相同的颜色显示。图中给出了详细的流程图3.，不同的缺陷用不同的颜色显示，如图所示4．

2.3。缺陷测量

对于每一个缺陷，如每个空腔或蜗杆洞，我们提出了一个积分方案来计算其表面积和体积。为了实现这个目标，我们需要将每个缺陷点扩展到一个小的表面。如图所示5，每个三个相邻的缺陷点形成三角形平面，而每个缺陷点是六个三角形平面的顶点。因此，我们应该将每个缺陷点扩展到常规六边形表面模型中，如图所示6．在图6，点是目前的处理后缺陷点，六个相邻点．我们画六个中法线，这六个中正式在六个顶点相互交叉，，，，， 和．这六个交叉点形成一个小的紫色正六边形。事实上，我们最终将每个缺陷点延伸到这个紫色正六边形中．

至于每个缺陷的表面积计算，我们应该首先计算小紫色常规六边形的面积．定义作为平行相对侧的平均距离值，例如和在，而这段距离可以近似为六个边的平均长度值．在计算出每个缺陷点的表面积(即PQRSNT)，然后我们可以总结一个缺陷的所有缺陷点的区域，以得到一个缺陷的总表面积，如图所示

对于每个缺陷的体积计算，我们同样也应该扩展一个缺陷点成六边形PQRSNT．通过这种方式，我们可以总结一个缺陷的所有缺陷点的体积，从而得到一个缺陷的总体积，如图所示 在(2)，每个缺陷点对应的体积近似为正六角形棱镜的体积，如图7．高度近似为，这是绝对值坐标缺陷点。

2.4。物种鉴定

利用木材表面颜色信息进行树种识别。每个扫描点包含它，， 和坐标及其RGB颜色信息。这里使用点的RGB颜色信息来计算颜色矩特征，用于后续的物种识别。显然，木材表面缺陷点会干扰颜色矩特征的精确计算，这些缺陷点应予以删除。幸运的是,节2.2，我们成功地提取了这些缺陷点，从而有效地克服了缺陷点的干扰。

将以下三个颜色矩用于RGB三个通道，得到9个分类特征。在分类器的设计上，采用了BP神经网络。

3.结果和讨论

3.1。缺陷检测

我们选择许多具有腔，蠕虫隧道或用于实验裂缝的木制品（图中示出了一个示例8）.利用Artec三维扫描仪获取木材表面的点云数据，采用C语言编程进行缺陷的分割和测量。图中显示了一个详细的缺陷检测结果9．

为了客观评价缺陷检测方案的测量精度，设计了一个仿真实验。我们选择一些标准的光滑表面没有任何缺陷的木板，然后我们用电钻在木板表面钻一些不同尺寸的孔。这些被钻出的孔隙是具有直径的标准圆柱体孔隙和高度．采用该方案计算了这些圆柱体孔的表面积和体积，并利用圆柱体的面积和体积公式计算了标准表面积和体积。通过这种方法，我们可以客观地确定我们的方案的测量误差，详细的误差见表1和2．通过比较可以看出，随着气缸高度的增加，我们的测量精度逐渐降低。主要测量误差来自于Artec扫描仪的扫描误差，该扫描仪进行表面扫描，其扫描误差随着凹陷缺陷高度的增加而增大。在气缸缺陷高度3 mm范围内，测量结果良好，相对误差小于5%。

3.2。物种认可

在本节中，我们对五种木材进行了树种鉴定实验Betula Platyphylla，Populus Davidiana，Pinus Sylvestris，Picea Jezoensis，和落叶松人工林(例如,Bp pd ps pj和LG.)，每种木材2000个样本(1000个样本作为训练数据集，1000个样本作为试验数据集)。本文使用Matlab 6.5编程工具，利用其神经网络工具箱进行BP网络的训练和识别。BP网络训练频率为4000次，隐层节点数为19个。该网络的训练功能是trainbr。对每种木材分别进行径向截面(RS)和切向截面(TS)。详细结果见表3.和4，可见删除缺陷点后，我们的方案识别精度优于普通基于颜色矩的方案。

4.结论

本文提出了一种基于三维扫描和信号处理的木材缺陷和树种同时检测方案。它可以从面积和体积两个方面定量地测量木材表面的凹陷缺陷。此外，我们还发现木材缺陷往往会干扰木材品种的鉴定。因此，在木材缺陷检测结果的基础上，通过删除缺陷点，提出了一种改进的基于颜色矩的木材品种识别方法。

例如，如果缺陷的高度小于3.0 mm，木材缺陷的面积和体积的测量误差大约小于5%。改进后的树种识别方案对5种树种的识别准确率约为95%。因此，我们提出的木材质量检测方案具有便携、高效的特点，可以应用于实际的木材加工厂。实际上，我们的方案可以进一步应用于其他检测领域，如在线工业产品的表面检测。

相互竞争的利益

赵鹏博士宣布没有关于本文的出版物的利益冲突。

致谢

该研究得到了国家自然科学基金的支持，授予授予。31670717和黑龙江省自然科学基金会授予授予。C2016011。它还由大学的新世纪优秀人才提供支持，赠款否。NCET-12-0809以及中央大学的基本研究资金赠款号码。2572014EB05-01。

参考文献

1. A. K. Moore和N.L. L. Owen，“实木红外光谱研究”应用光谱学评价，第36卷，第2期。1, 65-86页，2001。查看在：出版商的网站|谷歌学术
2. M. S. Packianather和P. R. Drake，“木材贴面图像分类的神经网络”。第2部分,“国际先进制造技术杂志，第16卷，第2期。6，第424-433页，2000。查看在：出版商的网站|谷歌学术
3. M. Nakamura, M. Masuda，和K. Shinohara，“木材和其他材料的多分辨率图像分析”木材科学杂志，卷。45，不。1，pp。10-18,1999。查看在：出版商的网站|谷歌学术
4. Q. Wei，Y.H. Chui，B. Leblon和S. Y. Zhang，“鉴定了黑云杉的计算机断层扫描图像中所选内部木材特征：一个比较研究”木材科学杂志(第55卷第1期)3，pp。175-180,2009。查看在：出版商的网站|谷歌学术
5. J. E.Phelps和E.Chinnnes，“黑核桃木的生长质量评估，不同地点产生的贴面的第2部分颜色分析”，木材和纤维科学，卷。15，不。2，pp.177-185,1983。查看在：谷歌学术
6. S. Tsuchikawa, Y. Hirashima, Y. Sasaki, K. Ando，“木材物理和机械性能的近红外光谱研究与中微观解剖观察”，应用光谱学，卷。59，没有。1，pp。86-93,2005。查看在：出版商的网站|谷歌学术
7. C. R. Orton, D. Y. Parkinson, P. D. Evans, and N. L. Owen，“硬木和软木中木质素/半纤维素比例的傅立叶变换红外研究”，应用光谱学，卷。58，不。11，pp。1265-1271,2004。查看在：出版商的网站|谷歌学术
8. B. K. Lavine, C. E. Davidson, A. J. Moores和P. R. Griffiths，“用于木材类型分类的拉曼光谱和遗传算法”，应用光谱学(第55卷第1期)8，页960-966,2001。查看在：出版商的网站|谷歌学术
9. V. Piuri和F. Scotti，“利用荧光光谱设计木材类型自动分类系统”，IEEE Transactions on Systems, Man, and Cybernetics Part C: Applications and Reviews，卷。40，不。3，pp。358-366,2010。查看在：出版商的网站|谷歌学术
10. P. K. Lebow, C. C. Brunner, A. G. Maristany, D. A. Butler，“用光谱反射率分类木材表面特征”，木材和纤维科学第28卷，第2期。1，第74-90页，1996。查看在：谷歌学术
11. D. E. Kline, C. Surak和P. a . Araman，“使用多传感器机器视觉技术的自动硬木分级，”农业中的计算机和电子学第41卷，第2期。1-3页，139-155页，2003。查看在：出版商的网站|谷歌学术
12. J. W. Funck，Y.Zhong，D. A. Butler，C.C.C. Brunner和J. B. Forrer，“应用于木材缺陷检测的图像分割算法”，“农业中的计算机和电子学第41卷，第2期。1-3，页157-179,2003。查看在：出版商的网站|谷歌学术
13. F. Longuetaud, F. Mothe, B. Kerautret等，“从木材x射线CT图像中自动检测和测量结:对软木样品改进算法的审查和验证，”农业中的计算机和电子学(第85卷)2, pp. 77-89, 2012。查看在：出版商的网站|谷歌学术
14. 高胜，王楠，王磊，韩建，“超声传播场在原木圆盘空腔缺陷定量识别中的应用”，农业中的计算机和电子学，卷。108，没有。3，pp。123-129,2014。查看在：出版商的网站|谷歌学术
15. V. Bucur，“树木无损检测的超声波技术”，超声学，卷。43，不。4，pp。237-239,2005。查看在：出版商的网站|谷歌学术
16. “基于小波神经网络的木材内部缺陷模式识别与尺寸确定”，农业中的计算机和电子学，卷。69，没有。2，pp。142-148,2009。查看在：出版商的网站|谷歌学术

版权

版权所有:赵鹏等。这是一篇开放获取的文章知识共享署名许可如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。