基于表面主要缺陷的锯材外观质量量化评价方法*

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。