采用高光谱成像技术对香梨的表面损伤缺陷进行准确高效的无损检测。选用80个库尔勒香梨为研究对象,采集400~1000 nm波段内完好样本和损伤样本的高光谱图像;利用统计分析的方法,选择863 nm处的高光谱图像建立掩模图像;运用主成分分析方法降低香梨高光谱数据的维度,选择损伤区域与背景区域光谱差异最为明显的第二主成分图像,将其和第四主成分图像进行比值处理,进一步增强损伤区域与背景区域的差异;最后经自适应阈值分割、形态学运算,提取香梨表面损伤区域。结果表明,该方法能够有效识别出香梨的表面损伤,准确度、精度和召回率分别为93.75%、87.50%和100%。

表面缺陷检测在木材的选择和利用中具有重要作用。提出了一种基于木材表面图像的灰度和纹理特征的木材节子缺陷检测与定位方法。首先,将图像分成相同大小的子图,计算每个子块图像的灰度直方图,以灰度最大熵作为判断依据对各子块图像进行初步识别;然后利用局部二值模式算法提取初步识别结果中各子块图像的纹理特征,并使用支持向量机分类算法进行节子图像的精确识别;最后将识别为节子图像的各子块图像拼接起来,得到最终识别结果。实验结果表明,所提方法能够得到较好的识别结果。采用混淆矩阵作为评价标准时,识别准确率可达到95%。

为了实现木板材依据节子进行自动化分级, 利用近红外光谱技术对针叶材表面节子进行检测。比较了光谱预处理和建模方法对节子识别的影响, 研究了单一树种板材节子识别模型对其他树种板材节子识别的适应性, 建立了混合树种板材的节子识别模型, 并利用连续投影算法(SPA)进行了节子特征波长优选。结果显示, 一阶导数光谱结合最小二乘支持向量机(LS-SVM)所建单一和混合节子识别模型性能最优。连续投影算法优选了15个特征波长变量, 仅占全波长变量的0.87%, 所建LS-SVM简化模型对测试集的敏感性、特异性和识别准确率分别为0.990, 0.954, 97.44%。实验结果表明, 近红外光谱技术联合SPA与LS-SVM可以对多种针叶材板材的表面节子进行快速准确检测, 连续投影算法是提取板材表面节子缺陷特征的有效方法, 能简化模型并提高模型预测精度。