基于激光三角測距的鋸材表面缺陷檢測方法

張未,呂志娟,徐兆軍,朱南峰

(南京林業大學材料科學與工程學院，南京 210037)

基于激光三角測距的鋸材表面缺陷檢測方法

張未,呂志娟,徐兆軍,朱南峰*

(南京林業大學材料科學與工程學院，南京 210037)

為實現自動在線檢測鋸材表面鈍棱和裂紋等缺陷，提出了一種全新的基于激光三角測距和計算機圖像處理相結合的木材表面缺陷檢測方法。激光發射器發射扇形光源至傳送臺上的試件表面，從另一角度由相機對試件表面的激光光斑進行成像。通過圖像處理，能自動識別裂紋及鈍棱缺陷輪廓線，并得到外材面材寬和裂紋寬度尺寸信息。以7塊含鈍棱的毛邊鋸材和7塊含裂紋的鋸材進行試驗，結果表明：在入射激光線與物鏡光軸的夾角為60°的情況下，鋸材外材面寬度和裂紋寬度檢測值與實際值的誤差均值都不超過±1 mm，證實了研究提出的鋸材表面缺陷檢測模型及構建的檢測裝置的高精度和可靠性。該技術能為木材加工中的自動優選下鋸提供基礎數據，可用于鋸材優選自動化加工生產線。

激光三角測距；木材表面缺陷；在線檢測；圖像處理；霍夫變換

隨著經濟和社會的快速發展，我國木材需求量逐年增多，木制品已經是人們生活中不可缺少的物品。木制品的加工基本都是從原木剖解成一定厚度的鋸材開始，由于木材自然生長的特性和鋸解加工及干燥過程的影響，鋸材表面通常都會有鈍棱和裂紋等表面損傷缺陷，這些缺陷直接影響鋸材的利用價值。如果缺陷去除不徹底，將影響鋸材的等級和使用；如果缺陷去除過多，則會造成浪費，因此，幾乎所有鋸材廠都需要對鋸材表面缺陷進行檢測后才開始加工[1]。目前，我國絕大部分鋸材廠仍采用人工目視的方法進行缺陷標記和齊邊等工作，工人的手工操作嚴重影響了加工精度和效率，造成木材資源的浪費，且不能進行大規模工業自動化生產[2]。若要提高木材資源利用率，提升木材產品的質量，就要精確和連續地檢測出木材表面的缺陷。因此，開發出新型和實用的木材表面缺陷自動檢測技術具有重要意義。

近幾十年來，研究人員一直在探索木材表面缺陷自動識別方法。一些早期的研究開發了掃描系統，認為如果知道鋸材的寬度信息，就可以確定一個最佳的鋸切方案[3-5]。為了識別鈍棱和裂紋等木材表面缺陷，一些學者已經開發出了基于激光掃描技術的檢測方法[6-9]，也有研究通過應用和改進計算機視覺識別技術對鋸材形狀及其表面缺陷進行檢測[10-13]，但都沒有真正實現在線檢測木材表面缺陷尺寸信息。

筆者針對鈍棱和裂紋等木材表面缺陷，提出了一種全新的基于激光三角測距和計算機圖像處理相結合的木材表面缺陷檢測方法。利用一束扇形激光聚焦在被測物體表面，然后從另一角度對物體表面的激光光斑進行成像，通過大津算法[14-15]、概率霍夫變換[16-17]等圖像處理和識別技術，獲得鋸材外材面材寬與裂紋寬度尺寸信息。通過含有鈍棱和裂紋的鋸材試驗檢測，對檢測模型與方法進行驗證和分析，為實現鋸材齊邊與優選下鋸、自動化和智能化木材加工、木材資源利用率最大化提供新的木材表面缺陷檢測方法。

1 材料與方法

1.1 試驗材料

試驗所用試件為7塊含有鈍棱的杉木(Cunninghamialanceolata)毛邊鋸材(簡稱毛邊鋸材)和7塊含有裂紋的非洲金絲柚(Testuleagabonensis)鋸材(簡稱裂紋板)，毛邊鋸材及裂紋板如圖1所示。毛邊鋸材厚度分別為20，25，30，35，40，45和50 mm，試件編號為A1～A7。裂紋板厚度及數量同毛邊鋸材，試件編號為B1～B7。

圖1 毛邊鋸材及裂紋板Fig. 1 The unedged sawn timber and crack plate

1.2 試驗設備

試驗裝置主要由相機、激光光源、機架、控制裝置和計算機等構成。D-660-010-0250-L01-S-90-S-S-2型激光光源，波長660 nm，出光扇角90°，功率10 mW，Prophotonix公司提供；GS3-U3-23S6C-C型相機，分辨率1 920×1 200，每秒最大采集162幀，USB3接口，Point Grey公司提供；ML-U1614MP9型鏡頭，焦距24 mm，Nikon公司提供。檢測裝置結構如圖2所示，試驗裝置如圖3所示。

1.控制裝置；2. 被測試件；3. 傳送帶；4. 激光光源；5. 相機；6. 采集卡；7. 計算機圖2 檢測裝置結構圖Fig. 2 Structure diagram of detection device

圖3 試驗裝置圖Fig. 3 Diagram of the test device

1.3 試驗原理

1.3.1 厚度測量數學模型

從幾何光學角度推導檢測數學模型，認為成像系統滿足近軸光學條件，不考慮相機和鏡頭的畸形、相差等因素，相機成像過程可簡化為針孔相機成像。

激光發射器發射扇形光源，照射到水平傳送臺上，測量時先將激光線在相機中成像并調至最清晰，成像原理如圖4所示。激光發射器發射激光光源至被測試件表面，O點是鏡頭透鏡的中心，即光心；B點是沒有試件時激光照射到傳送臺上的點，此時檢測厚度值為0 mm；B點在相機成像平面上的像點是B′，BB′的連線通過光心垂直于透鏡，即光軸。當放置試件時，激光照射在試件表面A點處，此時，在相機成像平面上的像點是A′。kc為相機常數，f為相機鏡頭焦距，θ為入射激光線與物鏡光軸的夾角。設：

圖4 厚度測量原理簡化圖Fig. 4 Diagrammatic sketch for thickness measurement

x=AB

(1)

y=A′B′

(2)

L=OB

(3)

L′=OB′

(4)

x′=AC

(5)

L″=OC

(6)

在式(1)～(6)中：x為被測試件的實際厚度值，mm；y為相機成像中的厚度值，像素；L為未放置試件時成像的物距，L′為像距，L″為放置試件后成像的物距。當相機位置固定時，L、f和θ均為固定值，即可推導出：

(7)

式中：k1為高度方向分辨率，即試件在相機成像上的厚度y與實際厚度x的線性關系系數，mm/像素。從公式(7)可以看出，高度方向空間分辨率由檢測系統中透鏡焦距f、未放試件時的物距L和入射激光線與光軸的夾角θ共同決定。

1.3.2 寬度測量數學模型

寬度測量原理簡化圖見圖5，即圖4的俯視圖。由厚度方向測量模型推理中可以看出，當在水平傳送臺上放置厚度為x的試件時，成像的物距由OB變成了OC。設k2為未放置試件時的寬度方向空間分辨率，即此時相機成像中單位像素的寬度值；設k2′為x高度處寬度方向的空間分辨率，即可推導出：

圖5 寬度測量原理簡化圖Fig. 5 Diagrammatic sketch for width measurement

(8)

從公式(8)可以看出，當相機位置固定時，寬度方向空間分辨率主要由未放置試件時的寬度分辨率k2、入射激光線與光軸的夾角θ和試件厚度x共同決定。

1.4 試驗方法

激光發射器發射扇形激光光源至傳送臺上的試件表面，從另一角度由相機接收試件表面的反射光，對試件表面的激光光斑進行成像，通過圖像處理與識別獲得鋸材外材面材寬和裂紋寬度尺寸信息。圖像處理與識別分析流程如圖6所示，分析流程大致如下：

圖6 圖像處理與識別分析流程圖Fig. 6 Analytical flowcharts of image processingand recognition

1)在檢測系統中，首先獲取未放入試件時的圖像，此時被視為對厚度為0 mm的試件進行檢測，圖像中的激光輪廓線作為試驗測量中試件厚度檢測的基準線。其次獲取被測試件輪廓圖像，并提取紅色通道。

2)采用大津自適應算法對圖像進行二值化處理，并只保留鋸材輪廓線。

3)對二值化后的圖像取中心線，采用霍夫變換來選取直線，檢測出一系列直線族。

4)鈍棱輪廓線和外材面輪廓線的斜率不同，裂紋處輪廓線與外材面輪廓線的厚度不同，利用這個差異特征識別鈍棱和裂紋缺陷輪廓線，濾去直線族中斜率大于給定值的直線段，最終得到鋸材外材面輪廓線信息。

5)結合標定所得的測量計算公式以及檢測所得的圖像中試件厚度和寬度像素值，經計算可得鋸材外材面材寬和裂紋寬度尺寸信息。

根據上述的檢測模型和圖像處理與識別方法，首先利用標定量塊對試驗系統進行厚度方向和寬度方向的標定，得到試件厚度測量計算公式和寬度分辨率測量計算公式。其次進行試驗測量，在待測鋸材的外材面上沿寬度方向畫一條記號線。為了驗證模型的正確性和檢測的精度，在傳送帶靜止狀態下，使激光線與記號線重合，在此位置上檢測系統獲得外材面材寬和裂紋寬度尺寸檢測值。用游標卡尺測量記號線的長度以及記號線方向上裂紋的寬度，并認為是準確的，即為實際值。最后比較檢測值與實際值之間的差值，即檢測誤差值，來衡量檢測系統的可靠性和精確度。

2 結果與分析

毛邊鋸材和裂紋板放至檢測工位，入射激光線與物鏡光軸的夾角為60°時，由相機接收試件表面的反射光并成像，得到鋸材輪廓圖像，如圖7a、b所示。提取紅色通道，將圖像中的所有紅色像素點提取出，并采用大津算法進行二值化處理，在圖像中的光強服從正態分布基礎上，利用閾值將圖像分離成前景和背景兩個圖像信息，得到圖7c、d，鋸材輪廓線信息和表面劇烈散射信息都被完整提取出。對二值化后的圖像取中心線，為克服由木材表面粗糙所引起的激光散射干擾問題，采用霍夫變換改進方法，即概率霍夫變換，通過遍歷所有的點來選取直線，與經典霍夫變換相比，概率霍夫變換在處理木材表面圖像中明顯具有較快的速度。經過霍夫變換處理的圖像，消除了激光散射干擾，檢測出一系列直線族，圖像中僅剩一條清晰的木材表面輪廓線。

輪廓線上相鄰像素點的坐標分別設置為(x1，y1)和(x2,y2)，像素點間線段的斜率為δ，若|δ|gt;0.1，則認為該線段非外材面輪廓線并濾去該線段，以此類推得到鋸材外材面輪廓線，如圖7e、f所示，得到鋸材外材面以及裂紋位置信息。

最后將圖像導入開發的專用計算軟件，得出鋸材外材面材寬以及裂紋寬度尺寸信息。在整個圖像處理流程中，根據木材表面粗糙的特殊性質，處理方法均選取適于這種特點的各種最優算法并進行組合，圖像處理速度較快，識別精度較高，可直接用于木材實際生產與加工的自動化檢測。

圖7 毛邊鋸材及裂紋板圖像Fig. 7 Images of unedged sawn timber and crack plate

檢測試驗中進行7塊含鈍棱的毛邊鋸材和7塊含裂紋鋸材的測量。由于木材的天然特性，同一鋸材表面不同截面的輪廓線都不盡相同，為驗證此方法在木材檢測方面的普遍適用性，設定每一塊毛邊鋸材和裂紋板外材面上的檢測數目均為55條線，檢測得出55個檢測值和檢測誤差值。經統計分析得到的每一塊鋸材的檢測誤差平均值和相對誤差平均值如表1所示。由表1可見，毛邊鋸材外材面材寬檢測的相對誤差平均值均在±1%以內，裂紋板裂紋寬度檢測的相對誤差平均值均在±6%以內，鋸材外材面材寬和裂紋寬度檢測誤差均值都不超過±1 mm，檢測精度完全滿足GB/T 4822—2015《鋸材檢驗》標準的寬度檢量要求。試驗結果表明，本研究提出的木材表面缺陷檢測模型及構建的檢測裝置，對鋸材外材面材寬和裂紋寬度尺寸的檢測可以滿足我國鋸材檢驗標準。實際生產中，設置匹配的相機快門與拍攝像素、傳送帶運動速度等參數，就可用于自動化優選下鋸生產線中，為木材加工中的優選下鋸提供基礎數據。

表1 毛邊鋸材與裂紋板檢測誤差平均值與相對誤差平均值Table 1 The mean value of detection error andrelative error for the unedged sawntimber and crack plate

3 結 論

以激光三角測距為基礎，建立了板材厚度和寬度的測量模型，通過標定，得到不同厚度的鋸材表面寬度方向空間分辨率，并通過試驗證明了模型的正確性。

根據鋸材鈍棱和裂紋的特征信息，結合一系列圖像處理方法，在線獲得了圖像中毛邊鋸材外材面材寬和裂紋板裂紋寬度信息。以不同厚度的7塊毛邊鋸材板和7塊裂紋板進行試驗，檢測誤差均值都不超過±1 mm。

基于激光三角測距的鋸材表面缺陷檢測方法的研究，能實現自動在線精確地識別鈍棱和裂紋等表面損傷缺陷，并得到鋸材外材面材寬和裂紋寬度尺寸信息，檢測精度滿足木材加工需求，可用于自動優選下鋸生產線，并為優選下鋸提供鋸材和裂紋等尺寸信息。

[1]陳永光, 王國柱, 撒潮, 等. 木材表面缺陷邊緣形態檢測算法的研究[J]. 木材加工機械, 2003, 14(3):18-22.

CHEN Y G, WANG G Z, SA C, et al. A study of morphology arithmetic for lumber surface defects’ edge detection[J]. Wood Processing Machinery, 2003, 14(3):18-22.

[2]WU L T, XU X D, SHEN C. Eye detection and tracking using IR source[J]. Optoelectronics Letters, 2006, 2(2):145-147.

[3]CONNERS R W, CHO T H, NG C T, et al. A machine vision system for automatically grading hardwood lumber[J]. Industrial Metrology, 1992, 2(3/4):317-342.

[4]CONNERS R W, KLINE D E, ARAMAN P A, et al. Machine vision technology for the forest products industry[J]. Computer, 1997, 30(7):43-48.

[5]KHALID M, LEE E L Y, YUSOF R, et al. Design of an intelligent wood species recognition system[J]. International Journal of Simulation System, Science and Technology, 2008, 9(3):9-19.

[6]LEE S M, ABBOTT A L, SCHMOLDT D L. Surface shape analysis of rough lumber for wane detection[J]. Computers and Electronics in Agriculture, 2003, 41(1/2/3):121-137.

[7]THOMAS L, SHAFFER C A, MILI L, et al. Automated detection of severe surface defects on barked hardwood logs[J]. Forest Products Journal, 2007, 57(4):50-56.

[8]韓玉杰, 朱國璽, 田中千秋. 木材表面缺陷的激光在線檢測技術[J]. 木材工業, 2002, 16(3):28-29.

HAN Y J, ZHU G X,CHIAKI T. Method of on-line detecting wood surface defects by laser[J]. China Wood Industry, 2002, 16(3):28-29.

[9]胡傳雙, 廖紅霞, 趙俊石,等. 基于激光掃描成像技術的鋸材裂縫和孔洞缺陷視覺識別系統[J]. 木材加工機械, 2008,19(5):7-11.

HU C S, LIAO H X, ZHAO J S, et al. Locating and identifying splits and knots on sawn lumber by a laser scanning technology[J]. Wood Processing Machinery, 2008, 19(5):7-11.

[10]李紹成, 王寶金, 丁建文,等. 基于圖像的原木去彎截斷方法[J]. 林業科技開發, 2014, 28(6):127-129.

LI S C, WANG B J, DING J W, et al. Research on method for log cutting off by image optimizing[J]. China Forestry Science and Technology, 2014, 28(6):127-129.

[11]馬慧良, 馬巖. 原木形狀識別技術的探討[J]. 林業科技, 2005, 30(1):37-39.

MA H L, MA Y. Discussion about the inspecting technique of the log’s shape[J]. Forestry Science amp; Technology, 2005, 30(1):37-39.

[12]高珊, 謝婉欣, 王立海,等. 應用紅外熱像技術檢測木材孔洞缺陷[J]. 林業科技開發, 2013, 27(5):98-101.

GAO S, XIE W X, WANG L H, et al. An experiment on application of infrared thermal imaging for non-destructive testing of wood defects[J]. China Forestry Science and Technology, 2013, 27(5):98-101.

[13]衛宏, 丁建文, 曹平祥,等. 基于圖像處理的樹干彎曲度自動測量方法[J]. 林業科技開發, 2012, 26(6):70-73.

WEI H, DING J W, CAO P X, et al. An automatic trunk curvature measuring method based on image-processing technology[J]. China Forestry Science and Technology, 2012, 26(6):70-73.

[14]OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man amp; Cybernetics, 1979, 9(1):62-66.

[15]SHA C S, HOU J, CUI H X. A robust 2D Otsu’s thresholding method in image segmentation[J]. Journal of Visual Communication and Image Representation, 2016, 41:339-351.

[16]DUDA R O, HART P E. Use of the hough transformation to detect lines and curves in pictures[J]. Ipsj Magazine, 1972, 15(1):11-15.

[17]MUKHOPADHYAY P, CHAUDHURI B B. A survey of hough transform[J]. Pattern Recognition, 2015, 48(3):993-1010.

Detectingmethodforsurfacedefectofswantimberbasedonlasertriangulation

ZHANG Wei, LYU Zhijuan, XU Zhaojun, ZHU Nanfeng*

(College of Materials Science and Engineering, Nanjing Forestry University, Nanjing 210037, China)

In order to achieve the automatic online detection of wood surface defects, such as wane and crack, a new method based on laser triangulation and computer image processing for surface defects of sawn timber was proposed. The laser triangulation measurement was conducted by a laser beam focused on the object surface to be measured, and the laser spots on the timber surface were imaged from another angle. Through the image processing, the profile of wane and crack defects were identified and removed, the profile of external face was retained, and the information of the external face and crack width were obtained. The experiments were carried out with seven pieces of unedged sawn timber with wane and seven pieces of sawn timber with crack. The results showed that, when the incident angle of the laser beam was 60°, the average error of the measurement for external face and crack width were all not more than ±1 mm, indicating that the proposed detection model and the detection device for surface defects of sawn timber had high detection accuracy. This detecting model for surface defects of sawn timber can meet the requirements of the sawn timber detection, provide the basic data for the optimum sawing in the wood processing, improve the utilization ratio of wood resources, and can be directly used in the automatic and intelligent production line of wood processing.

laser triangulation; wood surface defects; on line detection; image processing; hough transformation

2017-04-14

2017-06-16

江蘇省科技支撐計劃項目(BN2015142)。

張未，女，研究方向為生物質材料測試技術。

朱南峰，男，教授。E-mail:znanf@njfu.edu.cn

S784

A

2096-1359(2017)06-0116-05