[发明专利]一种木材质量分级方法

说明书

本发明涉及图像数据处理技术领域，具体涉及一种木材质量分级方法，该方法获取木材表面灰度图像后建立灰度直方图，将出现频率最高的灰度值作为灰度图像背景，以小于背景灰度值但又接近背景灰度值的像素点为目标像素点，计算目标像素点的灰度值波动程度和梯度方向信息，以灰度值波动程度以及梯度方向信息得到对目标像素点进行聚类时的聚类权重完成木材活节识别，根据所识别的木材活节的数量、大小和位置信息对木材质量分级；本发明解决了现有聚类方法无法对木材活节进行准确识别的缺陷，且较现有其它识别方法更高效准确。所以，本发明该方法可集成为生产领域的人工智能系统，作为人工智能优化操作系统、人工智能中间件等，用于计算机视觉软件开发。

技术领域

本发明涉及图像数据处理技术领域，具体涉及一种木材质量分级方法。

背景技术

当前新材料领域，出现了以木材代替钢材用于商业和民用建筑的超级木材，超级木材是由单板加工成条材后，用树脂粘合在一起并用微波固化形成的，由于其代替钢材用于建筑，所以其形成后的强度大小显然应基本接近甚至超越钢材。但由于超级木材是由天然木材加工得到的，所以木材质量的好坏，会直接影响最终所得超级木材的质量，同时还会影响超级木材生产过程中的加工生产难度。

树木在生长过程中，由于生长的生理过程、遗传因子的作用或者在生长过程中受到外界环境影响，会形成木节也即节子。其中，节子包括活节，因活节相较于树木正常区域更加坚硬难以切割，所以由树木加工得到的锯材或单板这些木材，其下一步加工难易程度，直接受到木材所包括的活节数量、大小的影响；同时，活节会导致木材纹理产生紊乱，活节附近的木材也容易产生裂纹，从而导致下一步加工出的产品存在质量缺陷的可能提高且不美观。所以，木材所含活节的数量以及大小，直接决定了木材的质量等级，从而影响超级木材成品质量。

为了准确判断木材所含活节的数量以及大小从而准确对木材质量进行分级，现有技术一般采用人工视检、图像阈值分割、神经网络算法等质量分级方法。但人工视检效率低，且容易漏检错检；图像阈值分割方法在木材活节与木材正常区域的差别不大时，便难以完成有效的分割，识别准确率较低；采用神经网络算法进行木材质量分级则需要大量的训练数据，同时该种方法的泛化能力与鲁棒性均较差。

也即，现有木材质量分类方法，存在着效率低、计算量大以及识别准确率低的问题，亟需一种高效、准确的木材质量分级方法。

发明内容

本发明提供了一种木材质量分级方法，用以解决现有技术无法高效、准确地完成木材质量分级的问题，所采用的技术方案具体如下：

本发明的一种木材质量分级方法，包括以下步骤：

获取木材表面灰度图像；

建立灰度图像的灰度直方图，计算每个灰度值出现的频率，以出现频率最大的灰度值作为灰度图像的背景灰度值；

计算灰度图像中，灰度值小于背景灰度值的所有像素点的关注度，像素点的灰度值越接近背景灰度值，则其对应的关注度越大，选取关注度大于设定关注度阈值的像素点作为目标像素点；

通过以目标像素点为中心点建立滑窗的方法，计算每个目标像素点的灰度值波动程度，目标像素点的灰度值波动程度越大，则目标像素点为木材活节区域像素点的可能性越大；

在所有目标像素点中随机选取一个目标像素点作为中心点，找出距中心点的距离不大于设定半径的所有其它目标像素点，计算所述其它目标像素点与中心点连线方向上的方向向量，将其作为第一方向向量；计算所述其它目标像素点自身的灰度值变化梯度方向，将其作为第二方向向量，计算所述第一方向向量与所述第二方向向量之间的方向相似性，当所述方向相似性越好，则说明对应的所述其它目标像素点在所述设定半径下为木材活节区域像素点的可能性越大；

将所述灰度值波动程度以及所述方向相似性作为均值漂移聚类的权重，对目标像素点进行聚类，从而确定木材活节的位置、大小以及数量；