在木材工业中，木材质量检测具有重要的实用意义，它是木材分级和木材定价的重要参考依据。在木材质量检测的诸多指标中，木材树种和木材缺陷是两项重要的检测指标。近20多年来，伴随着计算机硬件软件的快速发展，传统的人工主观检测已经被基于图像处理、模式识别、光谱分析等新兴的无损检测所取代。无损检测具有检测精度高、自动化程度高、重复性好等优点。本书共分10章，系统地介绍了木材树种和缺陷无损检测的传统经典方法和近年的主流方法，同时也总结了作者10年来的相关研究成果。
样章试读
目录
- 目录
前言
第1章 引论 1
1.1 木材质量检测的意义 1
1.2 木材树种及常见缺陷的定义说明 1
1.3 木材树种及缺陷检测的研究发展概述 2
参考文献 3
第2章 板材树种显微细胞图像分类识别 4
2.1 概述 4
2.1.1 国内研究概述 4
2.1.2 国外研究概述 5
2.1.3 板材材种分类识别 5
2.2 系统硬件及软件构成 7
2.2.1 系统硬件组成与配置 7
2.2.2 系统软件设计 8
2.3 板材细胞形状特征提取与分类识别 10
2.3.1 细胞图像预处理 10
2.3.2 板材细胞图像分割 14
2.3.3 细胞外轮廓定型 21
2.3.4 基准细胞模拟 33
2.4 细胞纹理特征提取与分类识别 36
2.4.1 纹理图像研究方法 37
2.4.2 Contourlet变换理论 40
2.4.3 板材细胞图像分类识别 48
参考文献 53
第3章 木材树种颜色特征分类识别 55
3.1 颜色空间和颜色特征 55
3.1.1 颜色空间 55
3.1.2 颜色特征 59
3.2 基于CIE 1976 L*a*b*色差的木材分类识别 61
3.2.1 基于CIE 1976 L*a*b*色差的木材颜色特征提取 61
3.2.2 基于CIE 1976 L*a*b*色差的木材分类测试结果 63
3.3 基于颜色矩的分类识别 64
3.3.1 颜色矩特征的选取 64
3.3.2 基于颜色矩特征的分类实验结果 65
3.4 基于直方图的分类识别 65
3.4.1 颜色直方图特征的选取 65
3.4.2 基于颜色直方图特征的分类实验结果 66
3.5 基于主颜色的分类识别 67
3.5.1 主颜色的概念 67
3.5.2 主颜色的特征提取及分类结果 68
参考文献 70
第4章 木材树种纹理特征分类识别 71
4.1 木材纹理特点及定量化 71
4.1.1 木材纹理的特点 71
4.1.2 木材纹理定量化分析的意义 71
4.2 木材纹理特征量检测 71
4.2.1 木材纹理灰度的自相关特性 72
4.2.2 木材纹理灰度差值的变动特征 73
4.2.3 木材纹理的灰度差分统计 75
4.2.4 小结 76
4.3 木材纹理空域特征分析 77
4.3.1 木材纹理特征的空间灰度共生矩阵分析 77
4.3.2 纹理特征参数的筛选与归类 78
4.3.3 木材纹理特征主成分的分级统计 80
4.4 木材纹理频域特征分析 83
4.4.1 快速傅里叶变换功率谱 83
4.4.2 应用快速傅里叶变换分析木材纹理特征 85
4.5 基于木材纹理的树种识别 87
4.5.1 模式分类的基本原理和过程 87
4.5.2 人工神经网络 88
4.5.3 木材分类判别的网络设计及效果测试 88
4.6 木材纹理的检索匹配 90
4.6.1 基于图像内容检索匹配算法的优点 90
4.6.2 基于昀大相似原理的判别方法 91
4.6.3 木材纹理内容相似性检索实例及分析 93
4.7 基于纹理特征融合的木材树种分类识别 98
参考文献 99
第5章 采用光谱特征进行木材树种分类识别 101
5.1 利用近红外光谱进行红木种类识别 101
5.1.1 仪器设备与数据采集 101
5.1.2 实验结果讨论与分析 102
5.2 利用近红外光谱进行针叶材和阔叶材分类识别 104
5.2.1 仪器设备与数据采集 104
5.2.2 实验结果讨论与分析 105
5.3 采用光谱反射率特征和特征选择进行木材树种分类识别 107
5.3.1 实验系统与材料 108
5.3.2 光谱反射率曲线的滤波和采样波长特征选择 108
5.3.3 室内照明光源的昀优化设计 110
5.3.4 分类器设计 112
5.3.5 实验结果与分析 113
5.3.6 结论及后期工作 114
5.4 采用高光谱遥感技术进行森林树种分类识别 115
5.4.1 光谱特征法 115
5.4.2 光谱匹配法 119
5.4.3 统计分析法 119
参考文献 120
第6章 基于多特征融合的木材树种分类识别研究 121
6.1 数据融合引言 121
6.2 融合处理中需要考虑的问题 121
6.3 融合方法概论 123
6.3.1 信号级融合方法 123
6.3.2 像素级融合方法 125
6.3.3 特征级融合方法 133
6.3.4 决策级融合方法 134
6.4 模式识别与信息融合 136
6.4.1 视觉信息融合 136
6.4.2 视觉与触觉融合 137
6.4.3 视觉与红外信息融合 138
6.4.4 自动目标识别 138
6.4.5 移动机器人的感知信息融合 139
6.5 采用颜色纹理及光谱特征进行木材树种的分类识别 140
6.5.1 木材表面分类特征提取 140
6.5.2 模糊BP神经网络设计 142
6.5.3 实验分析与讨论 144
参考文献 149
第7章 采用显微高光谱成像技术进行木材树种分类识别 151
7.1 基于支持向量机复合核函数的高光谱显微成像木材树种分类 151
7.1.1 引言 151
7.1.2 材料与方法 152
7.1.3 实验结果与讨论 154
7.1.4 结论 158
7.2 基于阔叶木材横截面微观结构的高光谱图像木材树种识别方法 159
7.2.1 引言 159
7.2.2 材料与方法 161
7.2.3 实验结果与讨论 165
7.2.4 结论 171
7.3 对光照变化不敏感的微观高光谱图像木材树种识别算法研究 172
7.3.1 引言 172
7.3.2 材料与方法 172
7.3.3 实验结果与讨论 179
7.3.4 结论 188
参考文献 188
第8章 基于声波处理的木材树种分类识别 191
8.1 基于超声波信号的木材树种分类识别 191
8.2 基于应力波的木材树种分类识别 192
参考文献 203
第9章 木材缺陷的定性检测 204
9.1 基于光谱特征的木材缺陷种类识别 204
9.2 采用层析成像法进行木材缺陷检测 208
9.3 基于图像处理的木材缺陷检测识别 213
参考文献 219
第10章 木材缺陷的定量检测 221
10.1 采用3D扫描技术进行木材凹陷类缺陷的定量检测 221
10.1.1 木材缺陷的 3D扫描和处理 221
10.1.2 缺陷分割 223
10.1.3 木材缺陷定量计算 224
10.1.4 实验结果与分析 226
10.2 基于超声和小波变换的木材缺陷定性和定量检测 228
10.3 采用超声波传播场进行木材缺陷定量检测 232
10.4 木材树种及缺陷检测的总结与展望 236
参考文献 237
京公网安备 11010102004214号