摘 要: 【目的】 提出一种锯材外观质量量化评价方法,探索锯材外观质量数字化检测与评价分级的可行性,为实现锯材外观质量的实时在线检测提供基础理论和技术支撑。【方法】 建立由密闭暗室、光源、工业相机等组成的锯材表面缺陷在线检测系统,在稳定光环境下采集样本锯材彩色图像。基于图像处理技术开发软件试验系统,实现对锯材缺陷的检测和识别。分别建立节疤、孔洞和裂缝缺陷外观质量评价模型,并据此提出外观质量综合量化评价方法; 通过与国家标准对照,验证本研究提出方法的科学性和可行性。【结果】 量化评价方法与锯材材质指标等级进行对照,二者线性相关系数为0.85; 锯材材质指标等级除了2级和3级对应的综合量化评价值分布比较分散、等级之间数据有部分交叉外,其他等级之间对应的综合量化评价值分布几乎没有交叉。量化评价方法与集成材层板外观质量要求进行对照,二者线性相关系数为0.88; 锯材材质指标等级4级对应的综合量化评价值分布比较集中,与其他等级之间没有数据交叉; 锯材材质指标等级1级、2级和3级相邻等级对应的综合量化评价值分布比较分散,等级之间数据有部分交叉,不相邻等级间数据分布没有交叉。【结论】 综合量化评价值与依据有关国家标准确定的锯材材质指标等级、集成材层板外观质量要求的线性相关性相对较好,可为实现锯材外观质量数字化检测与评价奠定基础; 通过调整模型有关影响系数,可满足不同树种和不同应用需求,以达到较好评价效果。
关键词: 锯材; 外观质量; 量化评价; 数字化; 评价模型
图1 试验用规格材
Fig.1 Experimental dimension lumber
外观检测是现代新技术研究的热点,也是多学科交叉研究的一个技术领域,主要包含表面缺陷检测技术、表面粗糙度测量技术、表面几何形貌检测技术、表面特征信息的计算处理、新的表面加工方法以及表面的各种物理、化学和机械作用等(谢永华, 2013; 刘鑫华, 2014)。锯材表面缺陷检测是外观检测的重要组成部分,国家标准《锯材缺陷》(GB/T 4823—2013)中明确将缺陷分为生长缺陷(节子、裂纹、构造缺陷、损伤)、生物危害(变色、腐朽、蛀孔)、加工缺陷(锯割缺陷)和干燥缺陷(变形、开裂),这些缺陷的存在直接影响锯材的使用价值和经济价值,也是评价锯材质量的重要指标之一(司徒伟明等, 2017; 郎跃胜, 2015; 尹建新, 2007; 马娟娟, 2011)。目前,锯材外观缺陷检测多由人工来完成,不仅工作量大,而且易受检测人员主观因素的影响,不能保证检测的效率和精度(谢永华, 2013; 牟洪波等, 2017)。近年来,随着计算机技术的不断发展,各种检测控制新理论的出现,锯材缺陷检测技术研究也有了很大进展,但是还没有达到通用性强、适应程度高的标准(陈立君, 2015),寻求非接触、精度高、速度快、具有外观综合分析能力的检测识别方法代替人工目测,解决锯材外观缺陷的检测、识别,是木材加工行业面临的一大难题,也是值得长期探索的科研领域(宋小燕, 2015; 牟洪波等, 2017)。
本研究基于机器视觉技术,搭建锯材表面缺陷快速检测系统,建立节疤、孔洞和裂缝外观质量评价模型,提出外观质量综合量化评价方法,探索锯材外观质量数字化检测与评价分级的可行性,以期为实现锯材外观质量的实时在线检测提供基础理论和技术支撑。
1 材料与方法
1.1 试验材料
选择具有代表性、国内使用较多的落叶松(Larix gmelinii)、泡桐(Paulownia fortunei)和SPF(spurce-pine-fir,产自加拿大的主要商用软木材树种组合)规格材作为试验材料,材料横截面名义尺寸为“2×4”(实际尺寸为38 mm×89 mm),长度为1 000 mm。针对节子(材面圆形节)、裂纹(非贯通裂)、孔洞3种主要缺陷进行分级研究。
1.2 机器视觉系统
CCD(charge-coupled device,电荷耦合元件)成像以其优良的性能在图像采集领域得到广泛应用,利用微处理器(microprocessor)可实现图像的采集控制、图像实时处理和高效传输(王炳乂, 2009)。本研究锯材表面缺陷在线检测系统主要由CCD成像系统、照明系统、显示系统和图像处理软件等模块组成,如图2所示。
图2 计算机视觉系统组成示意
Fig.2 The schematic diagram of computer vision system composition
1.2.1 照明系统 锯材表面缺陷检测系统中,光源选择和设计十分关键,稳定均匀的光环境是高质量成像的前提。研究指出,封闭的照明环境可以屏蔽周围环境光线的影响(谢永华, 2013),通过目标的饱和度(saturation)、亮度(luminance)和色度(hue)选择照明光源颜色和照明方式可以有效提高成像质量(宋小燕, 2015)。
本研究选用锐鹰公司生产的LED摄影灯(photoflood lamp)LP-2005TD(45 cm×24 cm)。该光源功率(power)100 W,色温(color temperature)调节范围3 000~8 000 K,100级亮度调节; 在使用时加装透明柔光片(diffuser),使光照更加均匀。为了准确固定光照环境,采用台湾泰仕TES-136色温照度计进行试验环境光强和色温的标定。图像采集光环境色坐标(color coordinates): (Ev, x, y)=(260 lx,0.354,0.354)。
1.2.2 成像系统 采用维视数字图像有限公司生产的CCD高速彩色工业面阵相机MV-EM200C,该相机最高分辨率1 600×1 200,采集方式包括连续、外触发、软触发,输出方式GigE千兆以太网。
1.2.3 图像处理和控制 图像处理主要包括图像增强以改善图像视觉质量,提取图像特征以达到正确分类。根据实际需要,本研究选用高性能计算机,基于Matlab设计开发了锯材表面缺陷检测识别试验系统(图3),该软件具有检测输出缺陷面积(area)、位置(location)、数量(number)、离心率(eccentricity)、灰度(grayscale value)统计分析等功能。
2 外观质量评价模型构建
缺陷分布如图4所示。锯材长度为a、宽度为b、厚度为c,节疤的长轴尺寸(major axis length)为dk、面积为Ak、个数为Mk,孔洞的长轴尺寸为dh、面积为Ah、个数为Mh,裂缝的长度为l,裂缝沿长度方向距木材边缘的最小距离为dc,裂缝个数为Mc。
2.1 节疤外观质量评价模型构建
1) 构建节疤外观质量影响系数k的计算函数,如下:
(1)
式中: 1≤k1≤k2≤k3≤k4。
图3 锯材表面缺陷检测识别试验系统
Fig.3 Detection and recognition experiment system for sawn timber surface defect
2) 构建基于节疤的锯材外观质量评价值Qk的计算函数,如下:
(2)
式中: A(k)n为第n个节疤的面积; kn为第n个节疤的外观质量影响系数。
2.2 孔洞外观质量评价模型构建
图4 缺陷分布示意
Fig.4 The schematic diagram of defect distribution
绿色表示节疤,蓝色表示孔洞,红色表示裂缝。Green indicates knots, blue indicates holes, and red indicates cracks.
1) 构建孔洞外观质量影响系数h的计算函数,如下:
(3)
2) 构建基于孔洞的锯材外观质量评价值Qh的计算函数,如下:
(4)
式中: A(h)n为第n个孔洞的面积; hn为第n个孔洞的外观质量影响系数。
2.3 裂缝外观质量评价模型构建
1) 构建裂缝位置影响系数c的计算函数,如下:
(5)
式中: c1≥c2≥c3≥c4≥1.0。根据图像中裂缝沿长度方向距木材边缘的最小距离dc计算确定裂缝外观质量影响系数c。
2) 构建裂缝长度影响系数p的计算函数,如下:
(6)
式中: 1.0≤p1≤p2≤p3≤2.0。根据裂缝长度l计算确定裂缝长度影响系数p。
3) 构建裂缝外观质量评价值Qc的计算函数,如下:
(7)
式中: cn为第n个裂缝位置影响系数; pn为第n个裂缝长度影响系数; Mc为裂缝个数。
2.4 外观质量综合评价
构建锯材外观质量综合量化评价值Q的计算函数,如下:
Q=q1Qk+q2Qh+q3Qc。
(8)
式中: q1、q2、q3为0~1的综合量化评价系数,分别为节疤、孔洞、裂缝的外观质量评价值权重系数,且q1+q2+q3=1。根据不同应用需求确定q1、q2、q3的权重。
3 试验与分析
3.1 锯材外观分级标准
我国现行关于锯材(实木板材、集成材等)的国家标准(行业标准)中都涉及外观质量检测,包括节子、裂纹、虫眼(孔洞),这几种缺陷是木材的天然特性或现在加工、处理、储存工艺难以避免的,也是直接影响木材使用价值的常见缺陷。本研究依据《结构用集成材》(GB/T 26899—2011)、《阔叶树锯材》(GB/T 4817—2009)、《针叶树锯材》(GB/T 153—2009)进行测试,各标准对不同缺陷的规定如表1、2、3所示。
表1 针叶树锯材材质指标
Tab.1 Material specifications of coniferous sawn timber
表2 阔叶树锯材材质指标
Tab.2 Material specifications of broadleaved sawn timber
表3 层板外观质量要求
Tab.3 Laminate appearance quality requirements
3.2 模型测试结果与分析
对380幅锯材图像进行图像处理和检测识别(表4),软件对节疤、孔洞、裂缝缺陷的检测识别率(recognition rate)分别为81.7%、91.2%和72.6%,裂缝识别率相对较低主要是受木材纹理影响。像素为800×600×3的彩色图像处理时间约0.8 s。
选取45根规格材,对其进行外观质量分级对照,结果如表5所示。应用本研究建立的外观质量评价模型,计算出的外观质量综合量化评价值为Q; 依据国家标准GB/T 4817—2009、GB/T 153—2009锯材材质指标等级为Q1; 依据国家标准GB/T 26899—2011集成材层板外观质量要求为Q2。
表4 试验结果统计分析
Tab.4 Statistical analysis of test results
表5 质量分级对照①
Tab.5 Comparisons of quality grading
续表5
Continued
① 1) k1=100,k2=200,k3=500,k4=900; 2) h1=20,h2=50,h3=80; 3) c1=7,c2=4,c3=2,c4=1; 4) p1=1.2,p2=1.5,p3=1.8; 5) q1=0.3,q2=0.3,q3=0.4.
通过量化评价方法与锯材材质指标等级进行对照,如图5所示,二者线性相关系数(coefficient of correlation)为0.85; 锯材材质指标等级除了2级和3级对应的综合量化评价值分布比较分散、等级之间数据有部分交叉外,其他等级之间对应的综合量化评价值分布几乎没有交叉。由此可知,通过综合量化评价值,基本可以区分出锯材材质指标等级(但不能完全区分出2级和3级)。
图5 锯材材质指标等级与综合量化评价值对照
Fig.5 Quantitative evaluation value compared with
material specifications of sawn timber
通过量化评价方法与集成材层板外观质量要求进行对照,如图6所示,二者线性相关系数为0.88;锯材材质指标等级4级对应的综合量化评价值分布比较集中,与其他等级之间没有数据交叉; 锯材材质指标等级1级、2级、3级相邻等级对应的综合量化评价值分布比较分散,等级之间数据有部分交叉不相邻等级间数据分布没有交叉。总体来说,二者的线性相关性相对较好。
图6 集成材层板外观质量要求与综合量化评价值对照
Fig.6 Quantitative evaluation value compared with
quality requirements of integrated laminate
4 结论
本研究基于机器视觉技术构建图像采集系统,实现了对落叶松、泡桐和和SPF规格材的标准化图像采集,具有锯材的普遍适用性; 在Matlab平台下开发锯材表面缺陷检测识别试验系统,对节疤、孔洞和裂缝的检测识别率分别为81.7%、91.2%和72.6%。
本研究构建了节疤、孔洞和裂缝外观质量评价模型,同时提出了外观质量综合评价方法; 通过本研究评价方法与锯材材质指标等级(GB/T 4817—2009、GB/T 153—2009)、集成材层板外观质量要求(GB/T 26899—2011)进行对照,二者相关系数分别达0.85、0.88,具有较好的相关性,表明本研究提出的外观质量综合评价方法具有一定科学性和可行性。
需要说明的是,本研究构建外观质量评价模型时,采用线性阈值模型虽然取得了较好评价效果,但模型具有一定局限性,裂缝和节疤识别准确率相对孔洞较低,今后可尝试使用机器学习方法建立更适用的模型,在此基础上再次提升识别准确率; 对于锯材加工工业现场检测技术,实时性也是非常关键的指标,可作为后期研究重点。