基于图像处理的单板表面缺陷区域检测
对于单板外观质量的部分因素的评价，目前主要是通过视觉观察由业内专家做出评价或分级，然而，该方法缺乏客观性，而且是未量化的;其发展趋势是通过机器视觉，实现外观质量的在线评价。在木材表面缺陷自动检测方面，图像处理技术应用较广。国内外学者，应用图像处理技术和数学形态学理论，通过对木材表面缺陷图像进行灰度化、二值化、滤波、形态学处理，应用模式识别算法，对木材表面主要缺陷(节疤)进行自动检测和识别，实现对木材表面缺陷的分类和评价，检测效果较好。在单板表面缺陷检测方面，学者主要针对节疤、孔洞等开展研究，并在算法方面取得了一定的研究成果。
本文利用Matlab图像处理工具，对单板的表面缺陷进行区域检测研究，提取缺陷区域特征参数，通过区域统计分析计算，输出图像中缺陷区域总面积。
1 方案设计
本文对四张有代表性的单板图像开展了检测实验，如图1所示。每幅图像的分辨率为753*1165pixel。其中A 板存在许多细小的孔洞和中型节疤，B板则存在4块较大的节疤，C板存在较为明显的裂缝，D板无明显缺陷。对单板图像开展图像预处理、图像分割、去噪、特征提取等方面研究，建立基于图像处理技术的单板表面缺陷的图像处理方法，检测出节疤、孔洞、裂缝等主要缺陷区域，并提取缺陷区域数目、大小、位置等特征信息，通过数据分析，实现对单板外观质量的评价。主流程设计如图2所示。
2 图像二值化
图像的二值化使图像变得简单，数据量减小，能凸显出感兴趣的目标的轮廓，有利于图像的进一步处理。其基本原理为将所有灰度大于或等于阈值的像素判定为属于特定物体，其灰度值用255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景区域。设定阈值是图像二值化处理最主要的工作，为了得到更加清晰的缺陷区域的图像，最主要的工作是了解缺陷区域的灰度值和正常区域的差别。利用matlab中的 imtool工具，即可在图像中截取缺陷区域的灰度信息，经过反复检测和实验，最后将阈值设置为50，即灰度值高于 50则为正常单板表面，低于50为缺陷区域。二值化图像如图3所示。
3 图像去噪
数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，减少数字图像中噪声的过程称为图像去噪。为了使单板二值图中的缺陷区域更加明显，则需要去掉图像中的细小噪声点，采用形态学方法可以有效去掉单板图像中的噪点。
腐蚀和膨胀是常用的去噪方法之一。膨胀即给图像中的对象边界添加像素。在操作中，输出图像中所有给定像素的状态都是通过对输入图像的相应像素及邻域使用一定的规则进行确定。在膨胀操作时，输出像素值是输入图像相应像素邻域内所有像素的最大值。在二进制图像中，如果任何像素值为1，那么对应的输出像素值为1。腐蚀即删除对象边界某些像素。在操作中，输出图像中所有给定像素的状态都是通过对输入图像的相应像素及邻域使用一定的规则进行确定。在腐蚀操作中，输出像素值是输入图像相应像素邻域内所有像素的最小值。在二进制图像中，如果任何一个像素值为0，那么对应的输出像素值为0。
单板图像去噪后的结果如图4所示。可以看到对比于图3所示的单板图片，去噪后的图片更加清晰地突出了缺陷区域，去除了部分干扰区域。
4 提取特征参数
利用regionprops函数(get the proper ties of region)获取所需要的特征参数。regionprops函数是M at l ab中用来度量图像区域属性的函数。它的返回值STATS是一个长度为max(L(:))的结构数组,结构数组的相应域定义了每一个区域相应属性下的度量。 properties可以指定属性特征，本文提取区域的数量、面积、位置坐标信息。
利用properties函数可以得到以上四幅单板图像的特征参数表格，其中D板无缺陷区域，故其他三块单板图像各项特征参数如表1所示。
经过处理后的单板图像可以直接反应出其是否存在缺陷区域，而表1提取出的三个特征参数可以识别出缺陷区域的数目、面积和位置。由表1可以直观地反映出 A、B、C、D四块单板的质量情况。就缺陷区域总面积来讲，A、B、C和D板分别为789pixel、1130pixel、534pixel 和0pixel，单从缺陷区域面积来讲，B板较A、C板更大。但对于缺陷区域数目，A板共28个缺陷区域，包括较多的节疤和孔洞，而B板存在4块面积较大的节疤，C板存在一条较长的裂缝，D板表面光滑无明显缺陷。根据单板的不同使用要求即可挑选最适合的单板材料，根据单板图像缺陷区域的定位，也可在使用中有效地避开这些缺陷。
5 总结
本文应用图像处理技术获取单板图像表面缺陷信息，通过图像分割、形态学处理，提取节疤、孔洞等主要缺陷区域，通过区域特征信息分析和计算，实现对单板外观质量的量化评价。该研究在提高单板的使用价值和商品价值的同时，也可提高单板的利用率，节约资源能源，对实现可持续发展具有重要的意义。
