董本志，李海霞，任洪娥

（東北林業(yè)大學(xué) 信息與計算機工程學(xué)院，哈爾濱 150040）

0 引言

刨花板工藝中，刨花的形態(tài)是決定刨花板性能和用途的主要工藝因子之一,它不僅影響刨花板的熱壓工藝，而且對產(chǎn)品的力學(xué)強度和尺寸穩(wěn)定性有著重要的影響作用，所以板材的質(zhì)量很大程度上決定于木材切削所得到的刨花的質(zhì)量。由于木材是各向異性材料[1]，切削木材產(chǎn)生的刨花受切削方向和切削速度的影響很大，因此合理控制切削過程中的速度和方向能大大提高刨花的質(zhì)量。本方法采用計算機視覺技術(shù)對數(shù)控盤式刨花機的切削控制參數(shù)進行優(yōu)化，通過實時檢測與分析刨花切削的工藝過程來及時的調(diào)整加工參數(shù)，以得到最佳的刨花形態(tài)。采用這種方法，不僅能提高加工質(zhì)量而且能節(jié)約木材資源、降低生產(chǎn)成本，從而很好的滿足了現(xiàn)代刨花板的原料需求。目前，數(shù)控加工工藝參數(shù)優(yōu)化的相關(guān)研究較多[2]，但利用計算機視覺技術(shù)進行數(shù)控加工參數(shù)優(yōu)化的研究還比較初步[3]，有必要進行進一步的深入研究。對采集到的圖像序列進行預(yù)處理得到利于后期分析的目的圖像，分析處理后的目的圖像，運用基于主成分分析法的支持向量機分類方法進行分類，得到各個圖像序列與各類刨花形態(tài)之間的對應(yīng)關(guān)系，從而建立刨花形態(tài)與視頻圖像序列之間的關(guān)聯(lián)模型；規(guī)整各加工控制參數(shù)與其對應(yīng)的刨花形態(tài)的記錄，建立刨花形態(tài)與加工控制參數(shù)的關(guān)聯(lián)模型；由于圖像序列、刨花形態(tài)及刨花切削控制參數(shù)之間是一一對應(yīng)的關(guān)系，擬合上兩步得到的模型就可以建立最終的刨花圖像序列與切削控制參數(shù)之間的關(guān)聯(lián)模型，實現(xiàn)刨花板工藝中刨花形態(tài)智能化控制?？傮w框架如圖1所示。

1 方法總體框架

圖1 方法總體框架

在設(shè)置好某一加工控制參數(shù)及系統(tǒng)運行方式和采樣周期后進行圖像采集并記錄加工產(chǎn)生的刨花的形態(tài)，主要考慮刨花的數(shù)量、尺寸及厚度；變換設(shè)置加工參數(shù)進行多次試驗實現(xiàn)對多幅刨花圖像序列的獲取及各加工參數(shù)下刨花形態(tài)的記錄；

其中刨花形態(tài)與圖像序列之間關(guān)聯(lián)模型的建立主要包括圖像序列的處理和圖像的分類。刨花形態(tài)與刨花切削控制參數(shù)之間關(guān)聯(lián)模型的建立主要是在熟悉刨花切削裝置和切削原理的基礎(chǔ)上進行實驗，分析控制參數(shù)的變換對刨花形態(tài)的影響。

2 圖像序列與刨花形態(tài)的關(guān)聯(lián)分析

2.1 圖像序列處理

設(shè)置好某一加工控制參數(shù)后啟動設(shè)備進行刨花切削，調(diào)整并固定攝像頭進行圖像采集，通過視頻處理軟件將監(jiān)控所得的刨花圖像視頻轉(zhuǎn)化為連續(xù)的一幀幀圖像。運用數(shù)字圖像處理技術(shù)將幀圖像進行灰度化，通過高斯濾波對圖像去噪，從去噪的灰度圖像中選出背景圖像完成背景的建立，運用幀間差分和背景差分相結(jié)合的方法進行目標(biāo)檢測[4]。由于刨花的顏色較淺，實驗發(fā)現(xiàn)處理后得到的圖像中刨花的顯示不太明顯，分析起來比較困難，所以需要對圖像進行進一步的處理。對圖像進行閾值分割得到刨花顯示明顯的二值化圖像，由于光照原因圖像中出現(xiàn)了明顯的非目標(biāo)區(qū)域，影響目標(biāo)的提取。反復(fù)實驗，選擇最合適的分割閾值或進行適當(dāng)?shù)男螒B(tài)學(xué)濾波后得到了理想的只含刨花的目的圖像，從而為后期的分析提供了較好的基礎(chǔ)。視頻處理模塊結(jié)構(gòu)圖如圖2所示。

圖2 視頻處理模塊框圖

圖3 運動目標(biāo)檢測結(jié)果

取每幀圖像大小為720×480，幀率為30的刨花降落時的視頻，進行如上所述的處理后得到的實驗結(jié)果如圖3所示。

圖3(a)～(d)為視頻序列中第79～82幀的灰度圖像，從中可以看出同一圖像序列中的刨花在監(jiān)控區(qū)域內(nèi)的分布很相似，由此可以得到類別特征較明顯的刨花圖像，為后期的關(guān)聯(lián)分析提供了豐富的圖像資源。(e)～(h)為目標(biāo)提取的過程顯示，(e)為對獲取的圖像進行灰度化后所得的結(jié)果，(f)為運用背景差分得到的刨花顯示不太明顯的目標(biāo)提取圖像，(g)為進行閾值分割后得到的含有非目標(biāo)區(qū)域的二值圖像,(h)為形態(tài)學(xué)濾波后得到的只含刨花的目的圖像。

2.2 圖像分類

2.2.1 分類方法

刨花本身形態(tài)較小而且?guī)瑘D像中的刨花處于運動狀態(tài)不便于對單個的刨花進行特征提取，適合通過對樣本幀圖像進行整體分析來達(dá)到分類的目的。本文采用基于主成分分析法(PCA)的支持向量機方法(SVM)進行分類。支持向量機是Vapnik等學(xué)者在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上提出的結(jié)構(gòu)化風(fēng)險最小化原則的實用算法[5]，兼顧訓(xùn)練誤差和測試誤差的最小化，在處理非線性問題和高位數(shù)據(jù)問題顯示出優(yōu)越的性能?；赑CA的SVM分類方法不直接根據(jù)訓(xùn)練樣本確定最大分類間隔的分割超平面，而是對樣本進行PCA或核PCA變換，再利用SVM對變換后的樣本進行訓(xùn)練，得到最優(yōu)超平面來進行類別劃分。這種分類方法可以在不改變樣本分布特性，保持樣本分類信息的基礎(chǔ)上提高訓(xùn)練速度和測試速度。

圖4 分類識別流程圖

圖像分類部分主要負(fù)責(zé)對目標(biāo)圖像進行基于主成分分析的特征向量的提??；歸一化，是指將特征的某個屬性的取值范圍投射到一個特定范圍之內(nèi)，以消除數(shù)值型屬性因大小范圍不一定而影響基于距離的分類方法結(jié)果的公正性；SVM多分類器的建立和決策，多分類器建立的重點是運用一對一的投票策略將SVM推廣至多類問題[6]和徑向基核函數(shù)(RBF)的參數(shù)優(yōu)化；最終實現(xiàn)對圖像識別后的類別輸出。本文著重介紹基于主成分分析的特征提取過程和分類器參數(shù)優(yōu)化方法，總體分類識別流程圖如圖4所示。維數(shù)從2維到12維以2為間隔進行變換，將訓(xùn)練數(shù)據(jù)送入SVM進行訓(xùn)練,訓(xùn)練好后去測試相應(yīng)的測試集數(shù)據(jù)。測試結(jié)果如表1示。從圖中可以看出,隨著特征向量維數(shù)的增加,分類的正確率也相應(yīng)地增加,但在增加到一定維數(shù)后,分類的正確率反而有所下降,在維數(shù)6附近分類的正確率達(dá)到最大值(96.3% )。因此在后面的分類器設(shè)計中就采用6維的特征向量，這樣120幅刨花幀圖像所對應(yīng)的每一個特征向量就變成了6維，這就使后續(xù)的分類問題變成一個在6維空間中的劃分問題，簡化了分類識別的過程。

表1 特征向量維數(shù)與識別率聯(lián)系圖

2.2.2 基于主成分分析的特征提取

特征提取是指通過已有特征的組合（變換）建立一個新的特征子集。主成分分析（PCA）即通過特征的線性組合來實現(xiàn)降維的方法，其實質(zhì)是在盡可能好得代表原始數(shù)據(jù)的前提下，通過線性變換將高維空間中的樣本數(shù)據(jù)投影到低維空間中的一種特征抽取方法。PCA降維丟棄某些特征所損失的信息通過在低維空間中更加精確的映射可以得到補償，從而可以在低維空間中得到和高維空間中相當(dāng)?shù)淖R別率。為了提高處理速度可以適當(dāng)?shù)目s小圖像，本實驗將圖像縮小為200×149的圖像，特征提取的具體步驟如下：

1）建立訓(xùn)練集和測試集：將整個數(shù)據(jù)集(15類，每類12幅)分成兩個部分——一個訓(xùn)練集和一個測試集，將每類刨花幀圖像分成兩組，前8張放入訓(xùn)練集，另外4張用作測試，這樣得到訓(xùn)練集8×15幅圖像與測試集4×15幅圖像。

2）讀入訓(xùn)練集圖像：將每張圖像按列存儲為1個200×149維的行向量。這樣15類圖像共組成一個12×15×200×149的2維矩陣，每行一幅刨花幀圖像。

3）利用PCA降維去除像素之間的相關(guān)性：首先要做的是將選用的120幅刨花幀圖像轉(zhuǎn)化為向量形式，進而組成樣本矩陣。運用一個快速PCA算法計算出樣本矩陣降維后的樣本特征向量組成的矩陣。對樣本進行特征向量提取時讓特征向量

2.2.3 分類器參數(shù)優(yōu)化

本文采用LIBSVM軟件包來構(gòu)造支持向量機，該軟件包是臺灣大學(xué)林智仁(LinChih一Jen)副教授等開發(fā)的一個簡單、易于使用和快速有效的SVM模式識別與回歸的軟件包。建立SVM分類器時在選擇了RBF核函數(shù)的情況下總共有兩個參數(shù)需要確定，即RBF核自身的參數(shù)γ以及錯誤代價系數(shù)C。這個問題本身就是一個優(yōu)化問題，變量是C和γ，目標(biāo)函數(shù)值就是SVM對于測試集的識別率。但是很難寫出變量C和γ的目標(biāo)函數(shù)表達(dá)式，不適合采用一般的優(yōu)化策略。LIBSVM中提供了一個基于交叉驗證和網(wǎng)格搜索的參數(shù)選擇方法和grid.py工具來自動計算C和γ參數(shù)的值，使得分類效果最好。

圖5 SVM分類器參數(shù)設(shè)定

圖5顯示當(dāng)特征向量維數(shù)取5維，錯誤代價系數(shù)C取32，參數(shù)γ值取0.0078125時，訓(xùn)練集上的交叉驗證識別率為93.75%。

在得到刨花幀圖像準(zhǔn)確分類的實驗結(jié)果基礎(chǔ)上，結(jié)合前期記錄的各個圖像序列實際對應(yīng)的刨花形態(tài)，建立圖像序列與各類刨花形態(tài)之間的關(guān)聯(lián)。

圖6 刨花機主要結(jié)構(gòu)簡易圖

3 刨花形態(tài)與控制參數(shù)的關(guān)聯(lián)分析

3.1 刨花切削裝置及切削過程

盤式刨花機主要由以下五個組成部分：進料輸送臺、進料壓輥、切削刀盤、余料壓輥和余料輸送臺。主要結(jié)構(gòu)簡易圖如圖6所示，其中壓輥及壓板是保持木料切削時的平穩(wěn)，切削刀盤上有3個刀片。

刨花切削的主要工序是木料進送，切削刀盤上升，進料端壓板加緊，開始切削，切削完畢后刀盤下降，余料輸送，循環(huán)切削。切削過程中主軸以速度v勻速上升同時刀盤以轉(zhuǎn)速w勻速轉(zhuǎn)動。

3.2 刨花形態(tài)與控制參數(shù)的關(guān)聯(lián)分析

切削控制參數(shù)主要考慮刀盤轉(zhuǎn)速w和主軸上升速度v,刨花形態(tài)主要考慮刨花切削產(chǎn)生的數(shù)量及刨花的尺寸和厚度。

主要分析以下內(nèi)容：

1）刨花數(shù)量與刀盤轉(zhuǎn)速之間的關(guān)系：刀盤上的刀片數(shù)是一定的，切削時木料是固定不動的，所以切削產(chǎn)生的刨花數(shù)量只于刀盤的轉(zhuǎn)速有關(guān)。由實驗得知刀盤的轉(zhuǎn)速w越大時切削產(chǎn)生的刨花數(shù)量n越大，即w與n之間存在正向關(guān)系 。

2）刨花尺寸與刀盤轉(zhuǎn)速之間的關(guān)系：刀盤數(shù)量一定時，刨花的尺寸與橫向切削的速度即刀盤的轉(zhuǎn)速有關(guān)。由實驗得知刀盤的轉(zhuǎn)速w越大時刨花的尺寸s越小，即w與s之間存在反向關(guān)系 。

3）刨花厚度與主軸上升速度之間的關(guān)系：刨花的厚度與主軸上升的速度有關(guān)，由實驗得知主軸上升的速度v越大時切削產(chǎn)生的刨花厚度h越大，即v與h之間存在正向關(guān)系。

4）最終歸總切削控制參數(shù)與刨花形態(tài)之間存在函數(shù)關(guān)系 。

4 參數(shù)優(yōu)化結(jié)果分析

為了便于分析，選用同樣性能的木材進行切削，依據(jù)傳統(tǒng)刨花切削方法進行切削，采用人工檢測的方法進行刨花形態(tài)的測量，得到圖7(a)中的刨花成品。對切削過程進行監(jiān)控，獲取視頻圖像，運用本文提出的方法在確定最佳刨花形態(tài)標(biāo)準(zhǔn)的情況下進行刨花切削控制參數(shù)的優(yōu)化，得到圖7(b)中的刨花成品。

圖7 刨花成品對比

由圖可知(a)中刨花成品的長度、寬度及厚度差異較大，不是理想的刨花板原料。(b)中刨花成品的形態(tài)比較均勻，經(jīng)測量其長度在55～80mm之間,寬度在31～65mm之間，達(dá)到了輕質(zhì)刨花板的刨花最佳形態(tài)要求。

5 結(jié)論

針對目前刨花板工藝的技術(shù)要求，提出利用計算機視覺技術(shù)與數(shù)控技術(shù)相結(jié)合的方法來實現(xiàn)刨花切削工藝的智能化。優(yōu)化結(jié)果表明本文提出的方法能夠很好的控制切削產(chǎn)生的刨花形態(tài)，不僅提高了工藝的精確度和靈敏度，而且降低了生產(chǎn)成本，具有很高的經(jīng)濟價值。

[1] 馬巖.微米木纖維低密度輕質(zhì)板制造技術(shù)探討[J].木材工業(yè), 2006, 20(4): 19-21.

[2] 徐劍.基于粒子群算法的雙工位切削參數(shù)優(yōu)化[J].制造業(yè)自動化, 2011, 33(9): 42-44.

[3] 鄭魁敬.數(shù)控機床的圖像監(jiān)控技術(shù)研究[J].制造業(yè)自動化, 2005.27(9): 60-62.

[4] 李廣倫, 殳偉群.視頻監(jiān)控系統(tǒng)中運動目標(biāo)的實時檢測[J].計算機工程, 2009, 35(17): 217-219.

[5] 張淑雅, 趙一鳴.基于SVM的圖像分類算法與實現(xiàn)[J].計算機工程與應(yīng)用, 2007, 43(25): 40-43.

[6] 趙春暉.多類支持向量機方法的研究現(xiàn)狀與分析[J].智能系統(tǒng)學(xué)報, 2007, 2(2): 11-17.