竹木材砂光表面粗糙度视觉检测方法、装置、设备及介质

本发明涉及视觉检测领域，具体涉及一种竹木材砂光表面粗糙度视觉检测方法、装置、设备及介质。

背景技术：

1、表面粗糙度是评估木材表面质量的核心指标之一，它直接影响产品装饰效果的美观性、表面胶合作用的稳固性，以及胶料和涂料的使用量。

2、现有的表面粗糙度检测方法主要包括接触式测量方法和非接触式测量方法。接触式测量方法一般是采用测量仪，如表面粗糙度测量仪实现接触检测，这种方法存在测量误差大、操作繁琐、在线检测困难等问题。非接触式测量方法主要是基于视觉检测，然而现有的视觉检测方法存在精度较低等问题。

技术实现思路

1、有鉴于此，本公开实施例提供一种竹木材砂光表面粗糙度视觉检测方法、装置、设备及介质，至少部分解决现有技术中存在的问题。

2、本发明实施例提供了一种竹木材砂光表面粗糙度视觉检测方法，其包括：

3、s101，获取待检测的竹木材砂光表面的初始图像，并对所述初始图像进行预处理，得到处理图像；

4、s102，对所述处理图像，计算其局部自相关函数；

5、s103，根据局部自相关函数计算其熵值；

6、s104，将所述熵值输入至预先训练好的木材砂光表面粗糙度预测模型，以输出竹木材砂光表面的粗糙度。

7、优选地，在步骤s101中，通过对所述初始图像进行灰度化，再进行降噪获得所述处理图像。

8、优选地，步骤s102具体包括：

9、在所述处理图像中取边长l×l的局部正方形灰度矩阵，并设其左上角点坐标为(x，y)；

10、获取多个纵横偏移量(hk，wk)，得到对应的多个偏移矩阵，计算未超出图像边界的偏移矩阵与局部正方形灰度矩阵的自相关函数值并求均值，即得到局部自相关函数；其中，局部自相关函数gl(x,y)的公式如下所示：

11、

12、归一化为：

13、

14、式中，n表示经过偏移后未超出图像边界的偏移矩阵的个数，max(gl)表示gl(x，y)，x＝1，2，…，(m-l)，y＝1，2，…，(n-l)的最大值。

15、优选地，纵横偏移量(hk,wk)分别取为(-l,-l)、(-l,0)、(-l,l)、(0,-l)、(0,l)、(l,-l)、(l,0)、(l,l)，从而得到对应的8个偏移矩阵。

16、优选地，l取值为40-400，l取值为5-30，单位为像素。

17、优选地，步骤s103具体包括：

18、将归一化后的取值范围为[0,1]的局部自相关函数通过线性变换映射到[0,255]范围，即将局部自相关函数看作是一张灰度图像；

19、选择局部自相关函数的点的邻域均值j(0≤j≤255)作为综合分布特征，与该点的值i(0≤i≤255)组成二元组，记作(i,j)，且满足p(i，j)＝f(i，j)/((m-l)×(n-l))，其中f(i，j)表示特征二元组(i，j)出现的频数，p(i，j)表示特征二元组(i，j)出现的概率，则局部自相关函数的熵laent的计算方法如下式所示：

20、

21、优选地，在步骤s104中：

22、基于砂光表面的局部自相关函数的熵值，将总体样本依据序号奇偶性划分为标定样本与测试样本，利用支持向量机建立木材砂光表面粗糙度预测模型；其中，支持向量机的核函数选择rbf核函数，其惩罚系数和rbf核的宽度使用标定样本进行网格搜索对参数进行自动优化选择。

23、本发明实施例还提供了一种竹木材砂光表面粗糙度视觉检测装置，包括：

24、预处理单元，用于获取待检测的竹木材砂光表面的初始图像，并对所述初始图像进行预处理，得到处理图像；

25、局部自相关函数计算单元，用于对所述处理图像，计算其局部自相关函数；

26、熵值计算单元，用于根据局部自相关函数计算其熵值；

27、粗糙度检测单元，用于将所述熵值输入至预先训练好的木材砂光表面粗糙度预测模型，以输出竹木材砂光表面的粗糙度。

28、本发明实施例还提供了一种竹木材砂光表面粗糙度视觉检测设备，该设备包括：

29、至少一个处理器；以及，

30、与该至少一个处理器通信连接的存储器；其中，

31、该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述的竹木材砂光表面粗糙度视觉检测方法。

32、本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行如上述的竹木材砂光表面粗糙度视觉检测方法。

33、综上所述，本实施例提供了一种基于局部自相关函数熵(laent)的竹木材砂光表面粗糙度方法，能够实现对竹木材砂光表面粗糙度高效、准确的非接触式检测，对实际应用具有重要的意义。

技术特征：

1.一种竹木材砂光表面粗糙度视觉检测方法，其特征在于，包括：

2.根据权利要求1所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，在步骤s101中，通过对所述初始图像进行灰度化，再进行降噪获得所述处理图像。

3.根据权利要求1所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，步骤s102具体包括：

4.根据权利要求3所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，纵横偏移量(hk,wk)分别取为(-l,-l)、(-l,0)、(-l,l)、(0,-l)、(0,l)、(l,-l)、(l,0)、(l,l)，从而得到对应的8个偏移矩阵。

5.根据权利要求4所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，l取值为40-400，l取值为5-30，单位为像素。

6.根据权利要求1所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，步骤s103具体包括：

7.根据权利要求1所述的竹木材砂光表面粗糙度视觉检测方法，其特征在于，在步骤s104中：

8.一种竹木材砂光表面粗糙度视觉检测装置，其特征在于，包括：

9.一种竹木材砂光表面粗糙度视觉检测设备，其特征在于，该设备包括：

10.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行如权利要求1至7任意一项所述的竹木材砂光表面粗糙度视觉检测方法。

技术总结
本发明提供了一种竹木材砂光表面粗糙度视觉检测方法、装置、设备及介质，方法包括：S101，获取待检测的竹木材砂光表面的初始图像，并对所述初始图像进行预处理，得到处理图像；S102，对所述处理图像，计算其局部自相关函数；S103，根据局部自相关函数计算其熵值；S104，将所述熵值输入至预先训练好的木材砂光表面粗糙度预测模型，以输出竹木材砂光表面的粗糙度。本发明提供的基于局部自相关函数熵(LAEnt)的竹木材砂光表面粗糙度方法，能够实现对竹木材砂光表面粗糙度高效、准确的非接触式检测，对实际应用具有重要的意义。

技术研发人员：刘彩梅,伍希志,祝亚,李贤军,陈林碧
受保护的技术使用者：中南林业科技大学
技术研发日：
技术公布日：2024/10/31