基于机器视觉的木材颜色分选文献综述
摘要：木材表面品质是木材质量评定的主要内容之一，木材颜色是反映木材表面品质重要的特征参数。随着硬件和机器视觉技术的不断发展，机器视觉与木材产业的结合越来越紧密。本文概述了机器视觉在木材颜色自动识别的国内外发展现状，介绍了木材的图像采集系统和分选系统，以及诸如局部二值模式、局部匹配模式、局部向量化、高斯金字塔等特征提取方式。阐述了各种机器学习分类算法，诸如支持向量机、自调整MLP分类器、反向传播的神经网络算法、FNN神经网络以及更快的R-CNN网络Faster R-CNN等深度学习分类算法的研究状况，指出深度学习是机器视觉与木材加工产业进一步结合的重要技术，木材加工产业应提高自动化，智能化水平，提高木材加工的效率和利用率，从而实现我国林业可持续发展。
关键词：人工智能算法，木材无损检测，木材分类，木材颜色
木材具有很多优良的性质，如调湿特性、隔声吸音特性、对热、电的绝缘性等，使得木材在家具行业中有着广泛的运用。木材表面品质是木材质量评定的主要内容之一，包含了木材颜色、纹理、缺陷等特征评定。木材颜色是木材表面重要的特征参数，能够反映木材表面的特性和人心理的感觉。木材表面品质直接关系到木制品的质量、等级、价格和木材加工企业的经济效益。
目前我国木材生产过程中对于木材的分类多为人工分选，人工分选有很多缺点：人工检测速度受到很大的制约；人眼的可视宽度有限，木材宽度超过了人眼范围，检测准确率下降；受人主观因素影响很大，检测的精度不强；人的劳动强度非常大，极易疲劳，长时间工作会使得检测效率大大下降。而使用计算机对木材进行分选可以提高分选的速度和准确性。
1 基于机器视觉木材检测识别技术概述
机器视觉是一项综合技术，综合利用图像处理、机械工程技术、控制、光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术等多项技术。现在基于机器视觉的木材检测识别技术主要分为两大类，一种是微观的木材切片细胞分析处理方法，另一种是宏观的木材表面特征分析处理方法[1]。
微观的木材切片细胞分析处理法主要利用光学显微镜采集木材切片细胞图像，利用图像处理技术提取细胞分布特征、几何量、形态量特征及纹理特征等几类特征进行细胞种类识别。操作实验的时间较长、成本很高，很难应用于在线检测，而且很难区分解剖结构比较相似的木材。
宏观的木材表面特征分析处理法是提取木材表面的模式特征进行种类的分类识别，它还可以细分为图像分析处理法和光谱分析处理法[2, 3]。数字图像分析处理法是利用计算机对图像进行处理并提取图像特征参数（如颜色、形状、纹理等特征）用来进行不同模式的识别分析技术。对于图像的采集可以采用单目视觉，双目视觉[4]甚至多目视觉。目前对于图像的颜色特征提取主要有以下几种方法：颜色直方图[5]、颜色矩、颜色聚合向量[6]、颜色相关图等方法，此外还可以使用颜色传感器并联对木材进行扫描识别[5]。分类算法主要有决策树，人工神经网络[7]，遗传算法，KNN(K-Nearest Neighbour K-近邻)算法，支持向量机（Support Vector Machine,SVM）算法，朴素贝叶斯算法（Naive Bayesian Model,NBC），深度学习（Deep Learning[8, 9]）等方法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
