Современные методы дефектоскопии пиломатериалов
Практические советы по созданию системы идентификации дефектов древесины
Современные методы автоматической дефектоскопии пиломатериалов — акустические, магнитные, рентгеноскопические, гамма-дефектоскопия и т. д. — основаны на измерении плотности древесины, ведь большинство дефектов представляют собой участки древесины другой плотности.
Подобные методы могут с определенной точностью установить наличие дефекта, гораздо труднее потом его классифицировать и определить размеры. Некоторые дефекты, такие как грибные ядровые пятна, заболонные грибные окраски и плесень, с помощью указанных методов выявить довольно сложно. Еще к трудностям дефектоскопии на основе измерения плотности можно отнести анизотропию, нестабильность и неоднородность физико-механических свойств древесины (в основном плотности и влажности). Следует также учесть, что один и тот же дефект, встречающийся у разных древесных пород, может иметь отличия. Поэтому для этой задачи лучше применять фотоэлектрический метод, с помощью которого можно фотографировать поверхность материалов, но не измерять их плотность.
После захвата видеоизображений с фото или видеокамер задаче распознавания предшествуют операции обработки данных. Это, например, операции разделения видео по кадрам, объединения изображений (для устранения дублирования изображения одного и того же дефекта или неверного определения его размера и вида), отсечения неинформативной части изображения (например, ленты транспортера), выделения границ участков дефектов (с помощью метода Собела, метода Робертса, метода Канни и т. д.). Возможны операции преобразования цветного изображения в изображение с оттенками серого цвета, фильтрации шумов, изменения контрастности, цветности и яркости, восстановление смазанных изображений и исправление неравномерности освещенности.
Перейдем к процессу распознавания дефекта. Существуют различные методы и алгоритмы распознавания образов. Одним из них является применение механизма распознавания на основе искусственных нейронных сетей (ИНС). ИНС обладают такими достоинствами, как обучаемость, абстрагирование, богатые возможности применения и простота использования. Система распознавания может быть как каскадной, где каждая нейронная сеть специализирована на отличии одного типа или вида дефекта, так и сетью-классификатором, например сетью Кохонена. Теперь выясним, на основе чего ИНС будет принимать решения о принадлежности изображения к определенному классу.
Если задаться вопросом, как человеческий глаз обнаруживает наличие дефекта пиломатериала и классифицирует его, можно выделить следующие основные, по моему мнению, критерии определения дефектов древесины:
1. Диапазоны яркостей по красной, зеленой и синей составляющей цветного изображения (RGB-составляющим) или диапазону яркостей в оттенках серого, если изображение нецветное.
2. Количество пикселей по этим диапазонам яркостей (в сущности, этот критерий похож на первый, но он создает порог по количеству значимых пикселей).
3. Геометрические формы, которые образуют пиксели этих диапазонов яркостей.
В качестве дополнительных критериев можно еще выделить текстуру поверхности пиломатериала, количество различных оттенков в пределах выделенного диапазона яркости, положение получаемых геометрических форм относительно друг друга, направления волокон и неровностей пиломатериала.
Выделенные критерии необходимо использовать в совокупности. Использование только одного критерия не всегда помогает правильно определить дефект.
Для примера рассмотрим применение в отдельности каждого из трех основных критериев. Если распознавать дефекты только по определенным диапазонам яркостей, то небольшие соринки можно принять за какой-либо дефект или не выявить такие дефекты, как, например, трещины и несросшиеся зоны у частично сросшихся, несросшихся и выпадающих сучков. ИНС, обученные распознавать только по количеству пикселей выделенных диапазонов яркостей, будут либо очень чувствительны к определенной цветовой гамме пиломатериала (что может привести к ложным определениям дефектов в зависимости от влажности пиломатериала), либо нечувствительны к таким дефектам, как сучки светлых оттенков. Распознавание по форме не сможет отличить здоровый сучок от гнилого или табачного и т. д.
a)
б)
в)
Рис. 2. Изображения участков с
дефектом:
а – участка с сучком;
б – участка без дефектов;
в – участка с трещиной
Если с распознаванием по первому (классификация значений цветовых составляющих типа [r; g; b], где r, g, b принимают значения от 0 до 255) и третьему критерию (классификация по форме) все понятно, то распознавание по второму критерию необходимо пояснить. Здесь классификация будет вестись по значениям гистограммы. Гистограмма изображения — это график, который показывает, как часто в анализируемом изображении встречаются пиксели, яркость которых принадлежит i‑му значению яркости диапазона яркостей I (рис. 1).
Применение гистограммы может вводиться для уменьшения времени обработки изображения. Если разрешение получаемой с видеоизображения нецветной фотографии 640 х 480 точек, на этой площади умещается 307 200 пикселей. ИНС не смогут быстро обучаться при таком количестве входов, а уменьшение размера изображения может привести к потере информативности данного снимка. Но если взять за основу гистограмму нецветного изображения, то количество обрабатываемых входов обычно равно 256. Сравним похожие участки пиломатериала. Гистограммы изображений участков пиломатериала с дефектом (рис. 2а, в) будут содержать больше темных пикселей (рис. 3а, в) по сравнению с чистым участком, в то время как на чистом участке (рис. 2б) наиболее встречающимися пикселями будут более светлые (рис. 3б).
На этом же основании можно отличать сучки от трещин, здоровые сучки от гнилых, сросшиеся здоровые сучки от несросшихся и т. д. Например, возьмем для сравнения гистограммы изображения с трещиной (рис. 2в) и изображения с сучком (рис. 2а). Для гистограммы изображения с трещиной по сравнению с гистограммой изображения с сучком характерен более крутой подъем и, как правило, большее количество более темных пикселей.
Для того чтобы представить более адекватную обучающую выборку для ИНС, во многих случаях можно удалить неинформативную часть гистограммы. Просматривая различные гистограммы, можно сделать вывод, что при распознавании изображений с дефектом и без него фотографии с дефектом имеют много небольших групп темных пикселей с градацией яркости примерно до 110 (в приведенных выше примерах). Гистограммы чистых участков практически не содержат таких групп или содержат в крайне малых количествах (обычно это происходило вследствие зашумленности). Данное обстоятельство и используется для обнаружения дефекта на поверхности. Учитывая, что для распознавания будет нужна не вся гистограмма, а только первые 100–120 градаций яркости, можно удалить неинформативную часть для правильности распознавания, экономии времени и вычислительных ресурсов компьютера (особенно это целесообразно при небольших выборках обучающих примеров). Аналогичные действия выполняются и при оценке пиломатериалов с дефектами, отличающимися от древесины более светлыми оттенками. Также для обнаружения дефекта можно использовать минимальные, средние и максимальные оценки яркости пикселей по строкам и столбцам матрицы изображения.
Теперь рассмотрим основные трудности при создании обучающей выборки для ИНС. Большей частью поставленной задачи является правильное обучение ИНС, для того чтобы на основе изученных примеров сеть могла правильно классифицировать любые новые, не входящие в эту обучающую выборку изображения.
Стоит особо выделить, что обучающую выборку следует формировать под одинаковым углом съемки изображения, без наложения теней, с одинаковой контрастностью, цветностью и яркостью, иначе можно получить сдвиг гистограммы относительно шкалы яркости, что может привести к неверной классификации. Теоретически эта проблема решается с помощью закладываемой в программе функции выравнивания гистограммы, но эта функция растягивает гистограмму, заполняя нулями промежутки в ней. Кроме того, нерезкие фотографии (такое происходит вследствие быстрого движения пиломатериалов через систему идентификации) могут неправильно распознаваться, поэтому в качестве дополнительной функции можно ввести в алгоритм обработки изображений функцию повышения резкости (только для нечетких фотографий). Часто на практике происходит так, что все фото отличаются качеством изображения вследствие неравномерности освещения фотографируемых участков пиломатериалов, поэтому в качестве еще одной дополнительной функции обработки изображений можно ввести функцию исправления их недостаточного качества, следствием которого стала неравномерность освещения. Вдобавок к этому на некоторых изображениях имеются различные шумы, причиной которых являются опилки на фотографируемых образцах, ворсистость поверхности материалов и особенности структуры древесины. Проблему устранения с поверхности пиломатериала, например, опилок можно решить при помощи сметающих роликов-щеток. В иных случаях нужно правильно подбирать освещение поверхности пиломатериала, а если это невозможно сделать, следует использовать методы фильтрации шумов. Надо помнить, что эти методы смазывают изображение, поэтому ими нужно пользоваться в меру, чтобы фото не получались размытыми.
При несоблюдении подобных условий велика вероятность, что ИНС неправильно обучится. Рассмотрим пример нахождения в обучающей выборке гистограмм, мешающих корректному обучению. В результате анализа причин ошибок среди отобранных гистограмм выяснилось, что основная область отличий одного класса гистограмм от другого находилась в диапазоне примерно от 69 до 79. Часть обучающей выборки в виде матрицы приведена ниже (табл.).
Рис. 4. Фотография зашумленного
участка пиломатериала
В матрице приведены количественные значения пикселей всех градаций яркости от 69 до 79 на каждой гистограмме фотографии, входящей в обучающую выборку. Серым цветом выделены те фотографии, которые содержали дефекты. Таким образом, мы можем выделить две фотографии, гистограммы которых не соответствуют остальным, — это фото 13 и 15. Теперь разберемся, почему их гистограммы не соответствуют своим классам.
Фотография 15 (рис. 4), как видно, свидетельствует о том, что в момент фотографирования участка материала на его поверхности имелись посторонние элементы, которые и являются причиной ошибки. Именно поэтому перед распознаванием пиломатериалы должны очищаться от налипшего мусора с помощью роликовых щеток.
Рис. 5. Фотография более светлого
участка пиломатериала
Фотография 13 участка материала (рис. 5), имеющего узкую трещину, оказалась более яркой (скорее всего, из-за вспышки), чем все остальные, в результате чего произошел сдвиг гистограммы вправо. При правильно поставленной системе освещения неравномерное освещение и увеличенная яркость фотографии будут отсутствовать в системе распознавания. Подобные фотографии участков материалов с тонкими трещинами и светлыми сросшимися сучками наряду с чистыми участками в дальнейшем можно пропускать через вторую, более чувствительную ИНС, увеличив контрастность изображения, или через ИНС, настроенную распознавать контуры дефектов.
Подводя итог, можно еще раз отметить, что гистограмма является достаточно информативным инструментом для распознавания определенных классов дефектов при соблюдении ряда условий отбора обучающих примеров и последующей их цифровой обработки. Конечно, распознавание по гистограммам или по цветовой гамме пиломатериала не может обеспечить определение многих дефектов по видам, поэтому дальнейшее распознавание должно проводиться по формам дефектов, которые можно вычислить либо через бинарное изображение, либо с помощью указанных методов определения контуров объектов. Например, логичным будет распознавание частично сросшихся и несросшихся сучков по дуге или окружности, а сучков с трещинами — по одиночным или крестообразным линиям.
Таким образом, используя в совокупности разные критерии определения дефектов древесины и правильно сформированные обучающие выборки для ИНС, можно добиться наилучшего результата распознавания дефектов древесины.
Владимир ИЛЮЩЕНКО
