[go: up one dir, main page]

RU2381442C2 - Устройство и способ для обнаружения сучка в древесине - Google Patents

Устройство и способ для обнаружения сучка в древесине Download PDF

Info

Publication number
RU2381442C2
RU2381442C2 RU2007146970/28A RU2007146970A RU2381442C2 RU 2381442 C2 RU2381442 C2 RU 2381442C2 RU 2007146970/28 A RU2007146970/28 A RU 2007146970/28A RU 2007146970 A RU2007146970 A RU 2007146970A RU 2381442 C2 RU2381442 C2 RU 2381442C2
Authority
RU
Russia
Prior art keywords
image
wood
roundness
knot
knots
Prior art date
Application number
RU2007146970/28A
Other languages
English (en)
Other versions
RU2007146970A (ru
Inventor
Нориюки ХИРАОКА (JP)
Нориюки ХИРАОКА
Original Assignee
Мейнан Машинери Уоркс, Инк.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Мейнан Машинери Уоркс, Инк. filed Critical Мейнан Машинери Уоркс, Инк.
Publication of RU2007146970A publication Critical patent/RU2007146970A/ru
Application granted granted Critical
Publication of RU2381442C2 publication Critical patent/RU2381442C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/04—Sorting according to size
    • B07C5/12—Sorting according to size characterised by the application to particular articles, not otherwise provided for
    • B07C5/14—Sorting timber or logs, e.g. tree trunks, beams, planks or the like
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
    • G01N21/8986—Wood
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/46—Wood
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Wood Science & Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Textile Engineering (AREA)
  • Multimedia (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Quality & Reliability (AREA)
  • Forests & Forestry (AREA)
  • Geometry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Chemical And Physical Treatments For Wood And The Like (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

Изобретение относится к способу, устройству и программному продукту для поиска сучков в материале на основе древесины, таком как шпон или срез кусков из необработанного лесоматериала. Средство фотографирования представленного устройства фотографирует кусок древесины, при этом средство обработки изображения вычисляет степени округлости из сфотографированных изображений куска древесины и определяет изображения с существенными степенями округлости как сучки. Дополнительно средство 1 обработки изображения отсекает участок, содержащий сучок, на сфотографированном изображении куска древесины, полагает участок, вырезанный при предварительно определенном пороге по цветовым пространствам каждого пикселя отсеченных участков, зачерненным участком и определяет черные участки с высоким отношением количества пикселей зачерненного участка к количеству пикселей отсеченного участка сучка как сухие сучки. Технический результат - обеспечение возможности точного обнаружения конфигурации сучков, поврежденных сучков или подобного. 4 н. и 4 з.п. ф-лы, 20 ил.

Description

Область техники, к которой относится изобретение
Настоящее изобретение относится к способу, устройству и программному продукту для поиска сучков в материале на основе древесины, таком как шпон или срез кусков из необработанного лесоматериала и т.п. Например, для производства клееной фанеры бревно разрезают с использованием режущего инструмента для последующего получения шпона толщиной в несколько миллиметров. Затем шпон отрезают до предварительно определенного размера и после высыхания несколько кусков шпона объединяют посредством изготовления слоистого материала с использованием клейкого вещества. При таких производственных процессах существует потребность в сортировке (например, от пяти до семи сортов) шпона на тот, который должен составлять внешние слои клееной фанеры, и тот, который должен составлять внутренние слои, в соответствии со степенями позиций, количеством и размерами и т.д. сучков, непрочных сучков, которые выпадают, трещин и других повреждений, таких как обесцвечивание, обусловленное формованием, или смола, обнаруженная на шпоне. Другими словами, шпон сортируют на тот, у которого имеются малые или отсутствуют “эстетические” повреждения, который должен использоваться в качестве внешних слоев, и на тот, который будет составлять внутренние слои, где такие “эстетические” повреждения, даже если их имеется существенное количество, являются несущественными.
УРОВЕНЬ ТЕХНИКИ
Обычно процесс сортировки досок на те, которые используют в качестве внешних слоев клееной фанеры и те, которые используют в качестве ее внутренних слоев, включает в себя определение невооруженным глазом рабочим относительно шпона, транспортируемого по конвейеру.
Дополнительно возможный вариант обычного способа автоматического обнаружения повреждений в древесине описан в Документе 1 Патента, в котором недостатки, такие как сучки, трещины, гниль и т.п. на поверхностях древесины, из которой должен быть изготовлен слоистый материал, обнаруживают с использованием линейной телевизионной камеры. Этот способ обнаружения повреждений включает в себя определение повреждений, которые должны быть удалены, на основе того, превышает ли оттенок цвета и т.п. обнаруженной поверхности некоторые сравнительные данные для составления суждения.
Документ патента 1: Патент Японии для всеобщего ознакомления 8-145914.
РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
Проблемы, которые должны быть решены посредством изобретения
Выше описан обычный способ, в котором существуют следующие проблемы.
Определение невооруженным глазом приводило к непоследовательным решениям разными людьми (неточность) и не позволяло повышать скорость конвейера (низкая производительность).
Дополнительно, так как определение повреждений с использованием линейной телевизионной камеры было основано исключительно на определении оттенков цвета, существовала проблема в том, что не могла быть точно обнаружена конфигурация сучков, повреждений и т.п.
Задача настоящего изобретения состоит в том, чтобы обеспечить возможность точного обнаружения конфигурации сучков, поврежденных сучков или подобного.
Средства решения проблем
Фиг.1 - поясняющая диаграмма устройства сортировки шпона, которая изображает полную конфигурацию устройства сортировки шпона.
Устройство сортировки шпона фиг.1 содержит устройство 1 обработки изображения, устройство 2 управления сортировщиком, панель 3 управления, ленточный транспортер 4, освещение 5 светодиода для (создания) проходящего света, освещение 6 светодиода для (создания) отраженного света, устройство 7 классификации и распределения, камеру 8 линейного датчика и шпон 9.
(1) Настоящее изобретение обеспечивает способ поиска сучков в древесине, в котором: фотографируют кусок древесины средством фотографирования; вычисляют степени округлости из сфотографированных изображений куска древесины; определяют изображения с существенными степенями округлости как сучки. Следовательно, может быть достигнуто точное обнаружение сучков в древесине.
(2) Дополнительно, настоящее изобретение (обеспечивает) способ поиска сучков в древесине, в котором: фотографируют кусок древесины средством фотографирования; вычисляют степени округлости из сфотографированных изображений куска древесины; полагают изображение с существенной степенью округлости кандидатом сучка; отсекают по меньшей мере участок, содержащий кандидата сучка на сфотографированном изображении куска древесины; изменяют пороговые уровни определения оттенков цвета для отсеченного изображения для получения порогового уровня, где максимальны и степень округлости, и стабильность размера, и определяют конфигурацию сучка. Следовательно, может быть достигнуто точное определение конфигураций сучка в древесине.
(3) Дополнительно, согласно способу поиска сучков в древесине, описанному выше (2), настоящее изобретение изменяет пороговые уровни определения оттенков цвета сфотографированных изображений куска древесины для получения степеней округлости каждого изображения; умножает изображение для каждого порогового уровня на коэффициенты, выведенные из полученных степеней округлости, и объединяет изображения, вычисленные соответственно для каждого порогового уровня для предположения объединенного изображения кандидатом сучка. Следовательно, может быть достигнуто точное обнаружение кандидатов сучка в древесине.
(4) Согласно способу поиска сучков в древесине, описанному выше (2) или (3), настоящее изобретение выполняет сглаживание оттенков цвета, которые превышают сучки на сфотографированных изображениях куска древесины; вычисляет степени округлости на сглаженных изображениях; и полагает изображения с высокими степенями округлости кандидатами сучка. Следовательно, может быть достигнуто точное и быстрое обнаружение кандидатов сучка в древесине.
(5) Настоящее изобретение (обеспечивает) способ поиска сучков в древесине, в котором: часть древесины фотографируют средством фотографирования; вычисляют степени округлости из сфотографированных изображений куска древесины; полагают изображение с существенной степенью округлости кандидатом сучка; отсекают по меньшей мере участок, содержащий кандидата сучка, на сфотографированном изображении куска древесины; полагают участок, отсеченный при предварительно определенном пороге по цветовому пространству каждого пикселя отсеченных участков, зачерненным участком; определяют черные участки с высоким отношением количества пикселей зачерненного участка к количеству пикселей кандидата сучка сухим сучком. Следовательно, может быть достигнуто точное обнаружение сухих сучков с корой в древесине.
Преимущества изобретения
Настоящее изобретение имеет следующие преимущества.
(1) Так как кусок древесины фотографируют средством фотографирования и средство обработки изображения вычисляет степени округлости из сфотографированных изображений куска древесины и определяет изображения с существенными степенями округлости как сучки, может быть достигнуто точное обнаружение сучков в древесине.
(2) Так как кусок древесины фотографируют средством фотографирования и средство обработки изображения вычисляет степени округлости из сфотографированных изображений куска древесины, полагает изображение с существенной степенью округлости кандидатом сучка, отсекает по меньшей мере участок, содержащий кандидата сучка, на сфотографированном изображении куска древесины и изменяет пороговые уровни определения оттенков цвета для отсеченного изображения для получения порогового уровня, где максимальны и степень округлости, и стабильность размера, для определения конфигурации сучка, может быть достигнуто точное определение конфигураций сучка в древесине.
(3) Так как средство обработки изображения изменяет пороговые уровни определения оттенков цвета сфотографированных изображений куска древесины для получения степени округлости каждого изображения; умножает изображение каждого порогового уровня на коэффициенты, выведенные из полученных степеней округлости; объединяет изображения, вычисленные соответственно для каждого порогового уровня; полагает объединенное изображение кандидатом сучка, может быть достигнуто точное обнаружение кандидатов сучка в древесине.
(4) Так как средство обработки изображения выполняет сглаживание на оттенках цвета, которые превышают сучки на сфотографированных изображениях куска древесины; вычисляет степени округлости на сглаженных изображениях; полагает изображение с высокой степенью округлости кандидатом сучка, может быть достигнуто точное и быстрое обнаружение кандидатов сучка в древесине.
(5) Так как средство обработки изображения отсекает по меньшей мере участок, содержащий кандидата сучка, на сфотографированных изображениях куска древесины; полагает участок, отсеченный при предварительно определенном пороге по цветовому пространству каждого пикселя отсеченных участков зачерненным участком; определяет черные участки с высоким отношением количества пикселей зачерненного участка к количеству пикселей кандидата сучка сухими сучками, может быть достигнуто точное обнаружение сухих сучков с корой в древесине.
Краткое описание чертежей
Фиг.1 - поясняющая диаграмма устройства сортировки шпона согласно настоящему изобретению.
Фиг.2 - поясняющая диаграмма устройства обработки изображения согласно настоящему изобретению.
Фиг.3 - блок-схема обработки поиска сучков согласно настоящему изобретению.
Фиг.4A и 4B - поясняющие диаграммы способа получения степени округлости согласно настоящему изобретению.
Фиг.5 - поясняющая диаграмма конфигурации сучка, преобразованной к двоичному виду согласно настоящему изобретению.
Фиг.6A, 6B, 6C и 6D - поясняющие диаграммы объединения конфигурации согласно настоящему изобретению.
Фиг.7A и 7B - поясняющие диаграммы результата объединения согласно настоящему изобретению.
Фиг.8 - блок-схема обработки поиска сучков, включающая в себя обработку сглаживания согласно настоящему изобретению.
Фиг.9 - блок-схема обработки определения конфигурации сучка согласно настоящему изобретению.
Фиг.10A, 10B, 10C и 10D - поясняющие диаграммы, использующие изображение для определения конфигурации сучка согласно настоящему изобретению.
Фиг.11 - поясняющая диаграмма трехмерного цветного распределения согласно настоящему изобретению.
Фиг.12 - поясняющая диаграмма изображения отклонения цвета согласно настоящему изобретению.
Описание символов
1 - устройство обработки изображения
2 - устройство управления сортировщиком
3 - панель управления
4 - ленточный транспортер
5 - освещение светодиода для проходящего света
6 - освещение светодиода для отраженного света
7 - устройство классификации и распределения
8 - камера линейного датчика
9 - шпон
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
(1) Описание устройства сортировки шпона.
Фиг.1 - поясняющая диаграмма устройства сортировки шпона, которая изображает полную конфигурацию устройства сортировки шпона.
Устройство сортировки шпона фиг.1 содержит устройство 1 обработки изображения, устройство 2 управления сортировщиком, панель 3 управления, ленточный транспортер 4, освещение 5 светодиода для проходящего света, освещение 6 светодиода для отраженного света, устройство 7 классификации и распределения, камеру 8 линейного датчика и шпон 9.
Устройство 1 обработки изображения является средством обработки, которое обрабатывает данные изображения из камеры линейного датчика и выводит результаты обработки, такие как классификация качества шпона, в устройство 2 управления сортировщиком. Устройство 2 управления сортировщиком является средством обработки, которое выводит сигналы управления конвейером сортировщика, такие как для работы и остановки конвейера, и сигналы управления для устройства 7 классификации и распределения в ответ на выходные данные из устройства 1 обработки изображения. Панель 3 управления является панелью для выполнения операций, таких как изменение набора значений устройства 1 обработки изображения и управление устройством 2 управления сортировщиком. Ленточный транспортер 4 является средством транспортировки для транспортировки шпона 9. Освещение 5 светодиода для проходящего света является средством освещения для обнаружения отверстий в шпоне 9 и использует освещение, такое как зеленое освещение, которое отлично по цвету от освещения 6 светодиода для отраженного цвета. Освещение из освещения 5 светодиода для проходящего света отлично от освещения 6 светодиода для отраженного света по цвету и по интенсивности для обнаружения отверстий (отверстий сучка), трещин или подобного в шпоне. Освещение светодиода для отраженного света является средством освещения для обнаружения света, отраженного от шпона 9, и обычно является белым освещением. Камера 8 линейного датчика является средством фотографирования для захвата линейных изображений шпона 9.
При работе устройства сортировки шпона, камера 8 линейного датчика фотографирует шпон 9, транспортируемый ленточным транспортером 4, и выводит данные изображения в устройство 1 обработки изображения. Устройство 1 обработки изображения обрабатывает данные изображения и выводит результаты обработки, такие как сорт качества шпона, в устройство 2 управления сортировщиком. Устройство 2 управления сортировщиком выводит сигнал управления в устройство 7 классификации и распределения для сортировки шпона 9 по сортам. Сортировку выполняют согласно количеству червоточин, отверстий или выпавших сучков, свежих сучков, сухих сучков, выемок, трещин, шариков смолы и коры, синих пятен и т.п., а также соответствующих им размеров.
(2) Описание устройства обработки изображения
Фиг.2 - поясняющая диаграмма устройства обработки изображения. Согласно фиг.2 устройство обработки изображения содержит три камеры 8a, 8b и 8c линейного датчика, компьютер 11a камеры (изображен как PC1 камеры), компьютер 11b камеры (изображен как PC2 камеры), компьютер 11c камеры (изображен как PC3 камеры), коммутирующий концентратор 12 (HUB) Ethernet (зарегистрированной торговой марки), группу компьютеров 13 обработки изображения, компьютер 14 вычислительного сервера (изображен, как PC вычислительного сервера) и устройство 15 отображения.
Камеры 8a, 8b и 8c линейного датчика являются средствами фотографирования, которые используют три камеры для фотографирования шпона в трех равных секциях в направлении, которое является перпендикулярным направлению транспортировки.
Компьютеры 11 камеры (с PC1 по PC3 камеры) поставляют данные изображения в группу компьютеров 13 обработки изображения и в PC 14 вычислительного сервера через коммутирующий концентратор 12 (HUB) Ethernet каждый раз при загрузке отдельного линейного изображения из каждой камеры линейного датчика. Коммутирующий концентратор 12 (HUB) Ethernet является средством ретрансляции данных для распределения данных изображения из камер 8a, 8b и 8c линейного датчика. Группа вычислительных устройств 13 для обработки изображения является средством обработки для обработки (обработки поиска сучка и поиска повреждения) изображений в шкале уровней серого цвета шпона посредством разделения и совместного использования обработки по вычислительным хостам (изображены как вычислительные PC1-PC8).
Хотя данные изображения сохраняют в соответствующем средстве памяти вычислительных компьютеров 13 (вычислительных PC1-PC8), обработку данных изображения используют совместно. PC 14 вычислительного сервера направляет инструкции обработки в каждый вычислительный PC группы компьютеров 13 обработки изображения и, в зависимости от результатов обработки из группы компьютеров 13 обработки изображения, выводит сигналы управления в устройство 7 классификации и распределения, которое является сортировщиком, а также в устройство отображения для отображения результатов обработки и т.п.
Устройство 15 отображения является устройством отображения для отображения результатов обработки изображения и т.п. При функционировании устройства обработки изображения PC1-PC3 камеры поставляют данные изображения в вычислительные PC1-PC8 и PC 14 вычислительного сервера каждый раз при загрузке отдельного линейного изображения из камер 8a-8c линейного датчика. Вычислительные PC1-PC8 последовательно соединяют принятые изображения. В итоге к моменту времени полной загрузки изображений компьютерами PC1-PC3 камеры каждый вычислительный PC1-PC8 фактически заканчивает синтез цветного изображения и преобразование изображения в шкале уровней серого цвета.
Изображения шпона, разделенного на 3 части, из PC1-PC3 камеры соединяют в группе компьютеров 13 обработки изображения. Каждый вычислительный PC1-PC8 оперируют восьмой частью обработки. Это обеспечивает возможность эффективного использования времени загрузки. Шпон 9 разделяют на 3 части метками, излучаемыми лазерным маркером, который не изображен. Камеры 8a, 8b и 8c линейного датчика устроены так, чтобы могло быть легко выполнено соединение изображений посредством соответствия линейных изображений, которые заканчиваются в каждой отметке лазера. Дополнительно, для повышения скорости обработки изображения, обработка поиска сучков может быть выполнена с использованием изображений в шкале уровней серого цвета, которые имеют большое количество пикселей, при этом обработка поиска сухих сучков и т.п. может быть выполнена с использованием пониженных (с уменьшенным количеством пикселей) цветных изображений.
Теперь будет описано функционирование устройства обработки изображения на двух этапах, а именно обработки при фотографировании и обработки после него.
Описание обработки при фотографировании
Данные изображения, сфотографированные камерами 8a, 8b и 8c линейного датчика, распределяют PC 14 вычислительного сервера и всем вычислительным PC1-PC8 для каждой линии и синтезируют в виде отдельного полного изображения в каждом принимающем PC. Это обеспечивает возможность эффективного использования времени фотографирования по сравнению со способом, где изображения передают после завершения фотографирования.
При обработке в PC1-PC3 камеры отдельные линейные цветные изображения загружают из камер 8a, 8b и 8c линейного датчика и обнаруживают позиции меток лазера как местоположения перехода. Тогда, совместно с этой информацией, отдельные линейные цветные изображения передают в PC 14 вычислительного сервера и во все вычислительные PC1-PC8.
При обработке в PC 14 вычислительного сервера и во всех вычислительных PC1-PC8 поступившие отдельные линейные цветные изображения синтезируют на основе вышеупомянутой информации позиций. Ко времени завершения фотографирования PC1-PC3 камеры и приема последнего отдельного линейного цветного изображения должен быть проведен синтез полного цветного изображения в PC 14 вычислительного сервера и в каждом вычислительном PC1-PC8. Как видно, так как время фотографирования используют эффективно, обработка, выполняемая для каждой отдельной линии, такая как черно-белое преобразование и обработка сжатия, могут выполняться одновременно.
Описание обработки при анализе изображения после фотографирования
При обработке в PC1-PC3 камеры PC1-PC3 камеры ожидают поступления следующей доски (шпона).
При обработке в PC 14 вычислительного сервера, на основе предварительно определенной информации, такой как размер и вид целевой доски, PC 14 вычислительного сервера выдает инструкции относительно областей, для которых должны быть сделаны вычисления, и устанавливает значения для вычислительных PC1-PC8. PC 14 вычислительного сервера непосредственно выполняет обработку обнаружения повреждений с использованием проходящего света и принимает результаты анализа из вычислительных PC1-PC8 для выполнения в итоге обработки классификации. Результаты этого изображают на устройстве 15 отображения и также выводят в устройство управления сортировщиком.
При обработке в вычислительных PC1-PC8 один вычислительный PC вычисляет отклонение цвета (в пределах цветового пространства, расстояние от цветового центра нормализовано к 1.0) поверхности с использованием пониженного цветного изображения, и обнаруживает из результатов вычисления повреждения, такие как зачерненные участки, синие пятна и сухие сучки. Другие вычислительные PC, такие как вычислительные PC поиска сучков, используют изображение в шкале уровней серого цвета для поиска сучка, что занимает наибольшее время. Вычислительные PC поиска сучков разделяют и совместно используют обработку анализа на основе областей вычисления в соответствии с областями и с информацией порогов, распределенной из PC14 вычислительного сервера. Соответственно, количество вычислительных PC определено размерами шпона (доски), которые должны быть измерены, а также временем, требуемым для вывода результатов.
Хотя в приведенном выше описании используют несколько компьютеров (PC), таких как PC камеры, PC 14 вычислительного сервера и вычислительные устройства 13 для обработки изображения внутри устройства обработки изображения, требуемое количество компьютеров может быть изменено в соответствии с объемом данных изображения или скоростью обработки компьютеров. Или обработка может быть выполнена даже одним компьютером.
(3) Описание поиска сучков
Пункты от (a) до (e), приведенные ниже, могут рассматриваться как требования для сучков, которые должны быть обнаружены.
(1) В основном темный (низкая освещенность).
(2) Более темный чем окружающие его зоны в пределах частичной области (низкая яркость).
(3) Темнота резко повышается в части границы.
(4) Вероятно, имеет округлую конфигурацию.
(5) Окружен концентрическим зерном.
Зоны, которые содержат много пунктов, которые можно применить, могут рассматриваться в качестве кандидатов сучка. Следовательно, если отмечают, что темные участки (с низкой яркостью), что является характеристикой сучков, являются обычно округлыми, то вычисляют распределение вероятности для темного участка для идентификации кандидата сучка. Другими словами, в способе, описанном в разделе, обозначенном (B) Описания способа для объединения конфигурации, для выполнения объединения кандидаты сучка могут быть определены посредством преобразования к двоичному виду изображений в шкале уровней серого цвета при изменении уровней порогов и добавления большего значения отдельным блокам, преобразованным к двоичному виду, с конфигурациями, подобными кругу. Кроме того, в поиск сучка могут быть внесены изменения в зависимости от материала древесины. Например, некоторым пунктам может быть задан больший вес, чем другим, или количество пунктов может быть уменьшено.
Фиг.3 - блок-схема обработки поиска сучка. Следующее описание будет следовать этапам обработки от S1 до S9, изображенным на фиг.3.
S1: устройство 1 обработки изображения инициализирует минимальный порог Tmin и максимальный порог Tmax для определения оттенков цвета полученного изображения в шкале уровней серого цвета, предварительно заданное количество разделения N порогового уровня, отклонение от номинальной величины Td=(Tmax-Tmin)/N и итеративную переменную I в 0, и переходит к этапу S2.
S2: устройство 1 обработки изображения изменяет порог определения оттенков цвета (T=Tmin+(Td×I)), и переходит к этапу S3.
S3: устройство 1 обработки изображения преобразует к двоичному виду изображение с порогом определения оттенков цвета T, и переходит к этапу S4.
S4: устройство 1 обработки изображения вычисляет значения степени округлости для каждой формы, преобразованной к двоичному виду, и создает объединенные данные для каждой степени округлости (в другой зоне хранения добавляют вес, обусловленный степенью округлости, для выполнения объединения для каждого пикселя, для которого была вычислена степень округлости), и переходит к этапу S5.
S5: устройство 1 обработки изображения добавляет 1 (I=I+1) к итеративной переменной I. Если итеративная переменная I не больше N (I≤N), то устройство 1 обработки изображения возвращается к этапу S2, если итеративная переменная I больше N (I>N), то устройство 1 обработки изображения переходит к этапу S6.
S6: устройство 1 обработки изображения выполняет нормализацию на объединенных данных для степеней округлости и переходит к этапу S7.
S7: устройство 1 обработки изображения создает объединенное изображение формы из нормализованных объединенных данных и переходит к этапу S8.
S8: устройство 1 обработки изображения преобразует к двоичному виду объединенное изображение формы и переходит к этапу S9.
S9: устройство 1 обработки изображения определяет кандидата сучка.
(A) Описание способа вычисления значений степеней округлости для каждой формы, преобразованной к двоичному виду
Степени округлости получают следующим образом. Фиг.4A и 4B - поясняющие диаграммы способа получения степеней округлости. Фиг.4A описывает круг, в то время как фиг.4B описывает эллипс. На фиг.4A r обозначает радиус круга. На фиг.4B a обозначает полубольшую ось, и b обозначает полумалую ось эллипса.
На диаграмме эллипса фиг.4B коэффициентом сжатия должно быть p=a/b.
Следующее известно.
<Круг>
Площадь: = πr2
Момент инерции: I=(π/4)r4
<Эллипс>
Площадь: = πab
Момент инерции: I=(π/4)a3·b
Так как момент инерции эллипса может быть записан как
I=(π/4)a3·b=(1/4π)(π2·a2·b2)·(a/b)=(1/4π)A2·p,
где p=a/b является коэффициентом сжатия, формула дополнительно может быть записана в виде следующей формулы 1.
Figure 00000001
В виде фактического измерения моменты инерции могут быть записаны как:
I' (фактическое измерение)=∑(x2+y2)·g(x,y) (сумма квадратов позиций пикселя по всем пикселям)
A' (фактическое измерение)=∑g(x,y) (по всем пикселям),
где центром блока является исходный и изображением является g(x,y).
Соответственно, при подстановке указанного в Формулу 1, коэффициент сжатия p может быть получен из следующей формулы:
Figure 00000002
Чем более сплющен эллипс, тем больше его коэффициент сжатия p. Совершенный круг имеет коэффициент сжатия p в 1,0. Теперь, при определении обратного числа 1/p в качестве степени округлости, степень округлости эллипса должна варьироваться между 0,0 и 1,0, и чем ближе форма к кругу, тем значения ближе к 1,0. Шпон получают, например, при разрезе бревна лезвием, которое параллельно продольному направлению бревна. Однако существуют ответвления во внутренней части бревен под углами, которые наклонны к продольному направлению, которые проявляются в виде сучков. Следовательно, так как конфигурации сучков, вероятно, будут скорее овальные чем круглые, зоны со степенями округлости, превышающими, например 1/8, должны считаться сучками.
Фиг.5 - поясняющая диаграмма конфигурации сучка, преобразованной к двоичному виду. Как изображено на фиг.5, конфигурации сучков, преобразованные к двоичному виду, фактически не напоминают идеальные формы, которые описаны выше, а скорее подобны изображенным на диаграмме с левой стороны фиг.5. Следовательно, процесс заполнения внутренней части выполняют от наиболее удаленной периферии для достижения условия, изображенного на правой стороне фиг.5. Получают псевдоовальный коэффициент сжатия формы, и затем осуществляют инвертирование для получения степени округлости.
Добавляя степени округлости, полученные таким образом в память, которая использует в качестве индикаторов координаты каждого пикселя черного блока фиг.5, выполняют объединение степени округлости пикселя, преобразованного к двоичному виду при некотором пороге. Это обеспечивает возможность объединения больших степеней округлости для блоков, которые ближе к кругам.
Дополнительно, выполняя вышеупомянутое объединение, при изменении порога от минимального до максимального, можно одновременно изучать плотность и конфигурацию.
(в) Описание способа объединения конфигурации
Линия контура плотности может быть получена при осуществления поиска по периферии каждого блока с использованием изображения в шкале уровней серого цвета, преобразованного к двоичному виду при определенном пороге. Порог изменяют равномерно, и изображение, преобразованное к двоичному виду, для каждого порога объединяют отдельно. Важным моментом является то, что участки с большей плотностью имеют значения для большего количества порогов, и обеспечивают возможность получения большего количества линий контура (изображения, преобразованные к двоичному виду) (эффект большего объединения).
Фиг.6A, 6B, 6C и 6D - поясняющая диаграммы объединения конфигурации. Фиг.6A иллюстрирует горизонтальный граф плотности, фиг.6B иллюстрирует изображение, преобразованное к двоичному виду при пороговом уровне 1, фиг.6C иллюстрирует изображение, преобразованное к двоичному виду при пороговом уровне 2, и фиг.6D иллюстрирует изображение, преобразованное к двоичному виду при пороговом уровне 3.
Фиг.6A представляет изображение с оттенками цвета увеличенного участка периферии сучка, и кривая является графом плотности изображения в центральном горизонтальном направлении (см. белую горизонтальную линию). При кривой a верх представляет белые уровни, в то время как низ представляет черные уровни, и указаны 1, 2 и 3 пороговые уровни (черные горизонтальные линии). На фиг.6B изображение, преобразованное к двоичному виду при пороговом уровне 1, стало изображением только черных участков ниже порогового уровня 1 и теперь имеет повышенную степень округлости (обведенное изображение). Следовательно, при выполнении объединения большие значения должны быть добавлены к каждому пикселю этого изображения. Другими словами, для каждого пикселя изображения, большие значения должны быть добавлены в адреса памяти, которые соответствуют каждой позиции пикселя. На фиг.6C, изображение, преобразованное к двоичному виду при пороговом уровне 2, стало изображением ниже порогового уровня 2 и теперь имеет повышенную степень округлости (обведенное изображение). Следовательно, это изображение должно иметь большое объединенное значение (взвешивание должно быть повышено и затем добавлено). На фиг.6D изображение, преобразованное к двоичному виду при пороговом уровне 3, стало изображением только черных участков ниже порогового уровня 3, где появились шаблоны зерна, в то время как степень округлости уменьшилась. Следовательно, для каждого пикселя этого изображения будет добавлено малое положительное значение или отрицательное значение в адреса памяти, которые соответствуют каждой позиции пикселя.
Фиг.7A и 7B - поясняющие диаграммы результата объединения. Фиг.7A иллюстрирует результирующую диаграмму, в то время как фиг.7B иллюстрирует изображение, преобразованное к двоичному виду. На фиг.7A участки сучка должны быть выделены в изображениях результатов объединения изображений, преобразованных к двоичному виду при каждом пороговом уровне. На фиг.7B получают кандидаты сучка посредством преобразования к двоичному виду изображения на фиг.7A. Кстати, фиг.7A является изображением после черно-белой инверсии.
(с) Описание сглаживания нерегулярных цветов с использованием локального среднего значения
Поверхности шпона не всегда являются моноцветными, и часто существуют нерегулярные цвета. Когда существуют сучки (на участках с оттенками цвета) в таком нерегулярно цветном шпоне, нерегулярные цвета должны быть удалены для выделения только оттенков цвета сучков. Следовательно, устройство 1 обработки изображения получает смежные средние значения для каждого пикселя и на основе их результатов корректирует светлое и темное в исходном изображении (обработка для обнаружения кандидатов сучка).
Когда исходным изображением является f(i,j), и сглаженным изображением является g(i,j), среднее окрестности изображения (i,j) может быть получено так:
Figure 00000003
где (k, l) является изображением окрестности (i,j). Выражая полную среднюю плотность изображения f, как <f>, изображение h после коррекции может быть получено следующим образом.
Figure 00000004
Используя D, в качестве максимального диаметра сучка, который должен быть обнаружен, как индикацию и, при ограничении D около m=n=2D, все нерегулярности цвета в их избытке могут быть удалены (сглажены) при сохранении участка сучка. Дополнительно, когда m и n существенно большие, для вычисления могут использоваться представительные точки (например, точки решетки) вместо всех точек в пределах окрестности.
Так как полученное сглаженное изображение h всегда нормализовано по <f>, кандидаты сучка могут быть легко определены при выполнении преобразования к двоичному виду с использованием соответствующего порога (например, 50% <f>). Использование таких способов обеспечивает возможность практического и быстрого определения кандидатов сучка.
Фиг.8 - блок-схема обработки поиска сучка, включающей обработку сглаживания. На фиг.8 устройство 1 обработки изображения выполняет обработку сглаживания принятого изображения в шкале уровней серого цвета для создания сглаженного изображения (изображения h) на этапе S11 и переходит к этапу S12. На следующих этапах S12-S20 на сглаженном изображении выполняют обработку, идентичную изображенной на фиг.3 (представлена этапами S1-S9), для определения кандидата сучка. При выполнении обработки сглаживания таким образом, количество относящейся к сучкам информации может быть уменьшено, вследствие этого обеспечивая возможность быстрого определения кандидатов сучка.
(4) Описание определения конфигурации сучка
Обработка для определения конфигурации сучка включает получение оптимальной структуры из изменений плотности около позиции сучка для более точного получения структуры сучка. Более определенно, обработка получает оптимальные пороговые значения и выполняет преобразование к двоичному виду для каждого сучка. В результате, соответственно, получают оптимальные конфигурации и размеры для каждого кандидата сучка. При этой обработке для каждого конкатенированного элемента пикселя (далее определенного, как "блок") (см. фиг.7), полученного при вышеупомянутом преобразовании к двоичному виду, выводят порог, который создает оптимальную конфигурацию, из объединенного изображения конфигурации и разностного изображения для области, которая превышает каждый блок кандидата сучка как область учетверенного размера. Так как это соответственно выполняют для каждого частичного пространства, могут быть точно определены соответствующие конфигурации сучка. В последующем описании количество пикселей блока, преобразованного к двоичному виду, определено как размер блока (или размер). Дополнительно определяют стабильность размера (S) как изменение в размере при изменении порога (изменение размера блока участка сучка при изменении порога остается малым до некоторого порога. Другими словами, участки сучка имеют высокую стабильность. Однако, как только в результате изменения порога появляется зерно, изменения размера блока становятся существенными. Это обеспечивает возможность удаления стертых шаблонов, таких как (пятна).
Фиг.9 - блок-схема обработки определения конфигурации сучка. Последующее описание будет обеспечено по этапам S21-S31, изображенным на фиг.9.
Этап S21: устройство 1 обработки изображения загружает объединенное изображение для степеней округлости (согласно с S7) шпона и переходит к этапу S23.
Этап S22: устройство 1 обработки изображения создает разностное изображение шпона для выделения участков его края и переходит к этапу S23.
Этап S23: устройство 1 обработки изображения создает изображение для определения конфигурации, складывая объединенное изображение для степеней округлости и разностное изображение (в случае вычитания, знак изменяют на отрицательный и затем складывают), и переходит к этапу S24.
Этап S24: устройство 1 обработки изображения повторяет последующие этапы S25-S31 для каждого кандидата сучка.
Этап S25: устройство 1 обработки изображения отсекает кандидат сучка из изображения в шкале уровней серого цвета всего шпона и переходит к этапу S26. Здесь отсекание выполняют на области учетверенного размера блока кандидата сучка (согласно с фиг.7).
Этап S26: устройство 1 обработки изображения изучает диапазон плотности изображения для определения конфигурации для определения порогового уровня из возможных шестнадцати уровней и переходит к этапу S27.
Этап S27: устройство 1 обработки изображения повторяет следующие шаги S28 и S29 для каждого порогового уровня (в этом случае шестнадцать раз).
Этап S28: устройство 1 обработки изображения определяет максимальный блок поиска и переходит к этапу S29.
Этап S29: устройство 1 обработки изображения измеряет степень округлости и стабильность размера и переходит к этапу S30.
Этап S30: устройство 1 обработки изображения вычисляет оптимальный пороговый уровень, при котором и степень округлости и стабильность размера максимальны (пороговый уровень, где изменение порога не приводит к существенному изменению размера), и переходит к этапу S31.
Этап S31: На основе блока для оптимального порогового уровня устройство 1 обработки изображения определяет конфигурацию сучка.
Фиг.10A, 10B, 10C, и 10D - поясняющие диаграммы использования изображения для определения конфигурации сучка. Фиг.10A иллюстрирует объединенное изображение для степеней округлости, фиг.10B иллюстрирует разностное изображение, фиг.10C иллюстрирует кандидата сучка, полученного при объединении степеней округлости, и фиг.10D иллюстрирует изображение, преобразованное к двоичному виду при оптимальном пороге.
Фиг.10A - объединенное изображение для степеней округлости, поясняемое фиг.7A. Хотя размеры сучков фактически получают с использованием этого объединенного изображения для степеней округлости, для дополнительного повышения точности линейное разностное изображение фиг.10B накладывают на изображение плотности объединенного изображения для степеней округлости. В результате края сучков выделены.
Фиг.10D изображает результат получения оптимальных порогов для каждого сучка из наложенного изображения. В этом изображении может быть сделано более точное суждение относительно более плохого сучка по сравнению с изображением кандидатов сучка, полученным при объединении степеней округлости, изображенном на фиг.10C. Дополнительно могут быть заново получены структуры сучка.
Кроме того, с использованием оптимальных порогов, если значение суждения должно быть представлено функцией, имеющей степень округлости, стабильность размера, глубину порога и размер блока кандидата сучка, то функция может быть определена так, чтобы порогом с максимальным значением суждения был максимальный порог (для различных материалов могут быть изменены подробности).
(5) Описание суждения относительно свежих и сухих сучков
Сухими сучками являются сучки, содержащие участки коры. Сухие сучки считают худшими сучками, так как сучки могут выпадать и оставлять отверстия. Дополнительно участки коры сухих сучков обугливаются в процессе сушки с использованием сушилки, что приводит к большим значениям отклонения цвета. Когда область, окружающая блок сучка, полученная ранее, имеет высокое отношение значения отклонения цвета (в этом случае используют цветное изображение), может быть сделано суждение о сучке как о сухом сучке.
Фиг.11 - поясняющая диаграмма трехмерного распределения цвета. Фиг.11 изображает трехмерное распределение цвета (RGB) области, окружающей блок сучка. Зачерненными участками и синими пятнами (ожоги, внесенные извне, почва или подобное) являются области, помеченные эллипсами. Такие области создают распределения, которые смещены относительно стандартного распределения исходного цвета шпона. Вероятно, что такие участки указывают некоторого вида повреждения. Фиг.12 является изображением, созданным только из зачерненных участков фиг.11.
Фиг.12 - поясняющая диаграмма изображения отклонения цвета. На фиг.12 изображением отклонения цвета является изображение пространственных расстояний от центрального цвета (среднего значения RGB) в пределах нормализованного цветового пространства каждого пикселя. В этом случае изображение выполняют на зачерненном участке фиг.11. При фактической обработке, с 0 (черный) в качестве общего среднего значения оттенка, устройство 1 обработки изображения для выполнения изображения умножает значения отклонения каждого пикселя на соответствующий коэффициент (для дополнительного выделения черного участка). Это обеспечивает возможность обнаружения участков с измененным цветом по причинам, отличным от натуральной древесины, таких как ожоги. Могут быть обнаружены сухие сучки, такие как участки коры, обугленные в процессе сушки с использованием сушилки, что приводит к большим значениям отклонения цвета. Результирующее изображение является таким, как изображено на фиг.12.
(6) Описание инсталляции программы
Устройство 1 обработки изображения (средство обработки изображения), устройство 2 управления сортировщиком (средство управления сортировщиком), PC1-PC3 камеры, группа компьютеров 13 обработки изображения, PC 14 вычислительного сервера, устройство 15 отображения (средство отображения) и т.п., все могут быть сконфигурированы в виде программ, выполняемых главной секцией управления (CPU) и сохраняемых в главной памяти. Программы должны быть инсталлированы на компьютере, чтобы он выполнял предварительно определенную обработку. Компьютер состоит из аппаратных средств, таких как главная секция управления, главной памяти, файлового устройства, устройства вывода, такого как устройство отображения, и устройства ввода.
Программы, согласно настоящему изобретению, инсталлируют на этот компьютер. Инсталляцию выполняют посредством заблаговременного сохранения программ на портативном (запись) носителе информации, таком как гибкий диск или магнитный оптический диск и т.п., и установки носителя информации в файловое устройство, обеспеченное в компьютере либо через устройство дисковода, обеспеченное в компьютере для обеспечения доступа носителей данных, либо через сеть, такую как LAN.
Таким образом, может быть достигнуто точное обнаружение сучков в древесине, а также точное определение конфигураций сучков в древесине. Дополнительно может быть просто обеспечено устройство для поиска сучков в древесине, которое выполнено с возможностью точного обнаружения сухих сучков.

Claims (8)

1. Способ поиска сучков в древесине, в котором фотографируют кусок древесины средством фотографирования, вычисляют степени округлости из сфотографированных изображений куска древесины и считают изображение с существенной степенью округлости кандидатом сучка, по меньшей мере, участок, содержащий кандидата сучка, отсекают на сфотографированном изображении куска древесины, и изменяют пороговые уровни определения оттенков цвета для отсеченного изображения для получения порогового уровня, где максимальны и степень округлости и стабильность размера, для определения конфигурации сучка.
2. Способ поиска сучков в древесине по п.1, в котором изменяют пороговые уровни определения оттенков цвета сфотографированных изображений куска древесины для получения степени округлости каждого изображения, умножают изображение каждого порогового уровня на коэффициенты, выведенные из полученных степеней округлости, объединяют изображения, соответственно вычисленные для каждого порогового уровня, и считают объединенное изображение кандидатом сучка.
3. Способ поиска сучков в древесине по любому из пп.1 или 2, в котором выполняют сглаживание на оттенках цвета, которые превышают сучки на сфотографированных изображениях куска древесины, вычисляют степени округлости из сглаженных изображений, и считают изображения с высокими степенями округлости кандидатами сучка.
4. Способ поиска сучков в древесине, в котором фотографируют кусок древесины средством фотографирования, вычисляют степени округлости из сфотографированных изображений куска древесины, и считают изображение с существенной степенью округлости кандидатом сучка, по меньшей мере, участок, содержащий кандидата сучка, отсекают на сфотографированном изображении, считают участок, отсеченный при предварительно определенном пороге по цветовым пространствам каждого пикселя отсеченных участков, зачерненным участком, и определяют зачерненные участки с высоким отношением количества пикселей зачерненного участка к количеству пикселей кандидата сучка, как сухие сучки.
5. Устройство для поиска сучков в древесине, содержащее средство фотографирования для фотографирования кусков древесины, и средство обработки изображения для вычисления степеней округлости из сфотографированных изображений куска древесины, считающее изображение с существенной степенью округлости кандидатом сучка, отсекающее, по меньшей мере, участок, содержащий кандидата сучка, на сфотографированном изображении, изменяющее пороговые уровни определения оттенков цвета для отсеченного изображения для получения порогового уровня, где максимальны и степень округлости, и стабильность размера, и определяющее конфигурацию сучка.
6. Устройство для поиска сучков в древесине по п.5, в котором средство обработки изображения изменяет пороговые уровни определения оттенков цвета сфотографированных изображений куска древесины для получения степени округлости каждого изображения, умножает каждое изображение пороговых уровней на коэффициенты, выведенные из полученных степеней округлости, для соответствующего объединения изображений для каждого порогового уровня, и считает объединенное изображение кандидатом сучка.
7. Устройство для поиска сучков в древесине по любому из пп.5 или 6, в котором
средство обработки изображения выполняет сглаживание оттенков цвета, превышающих сучки на сфотографированных изображениях куска древесины,
вычисляет степени округлости на сглаженных изображениях, и
считает изображения с высокими степенями округлости кандидатами сучка.
8. Устройство для поиска сучков в древесине, содержащее
средство фотографирования для фотографирования кусков древесины, и
средство обработки изображения для вычисления степеней округлости из сфотографированных изображений куска древесины, считающее изображение с существенной степенью округлости кандидатом сучка, отсекающее, по меньшей мере, участок, содержащий кандидата сучка, на сфотографированном изображении, считающее участок, отсеченный при предварительно определенном пороге по цветовым пространствам каждого пикселя отсеченных участков, зачерненным участком, и определяющее черные участки с высоким отношением количества пикселей зачерненного участка к количеству пикселей кандидата сучка, как сухие сучки.
RU2007146970/28A 2005-05-18 2006-04-28 Устройство и способ для обнаружения сучка в древесине RU2381442C2 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2005145146A JP4704804B2 (ja) 2005-05-18 2005-05-18 木材の節探査方法及び装置及びプログラム
JP2005-145146 2005-05-18

Publications (2)

Publication Number Publication Date
RU2007146970A RU2007146970A (ru) 2009-06-27
RU2381442C2 true RU2381442C2 (ru) 2010-02-10

Family

ID=37431112

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2007146970/28A RU2381442C2 (ru) 2005-05-18 2006-04-28 Устройство и способ для обнаружения сучка в древесине

Country Status (11)

Country Link
US (1) US7778458B2 (ru)
EP (1) EP1882935A4 (ru)
JP (1) JP4704804B2 (ru)
KR (1) KR101298957B1 (ru)
CN (1) CN101180536B (ru)
AU (1) AU2006249164B2 (ru)
CA (1) CA2607102C (ru)
NZ (1) NZ562958A (ru)
RU (1) RU2381442C2 (ru)
TW (1) TWI383142B (ru)
WO (1) WO2006123534A1 (ru)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013149038A1 (en) * 2012-03-28 2013-10-03 University Of Houston System Methods and software for screening and diagnosing skin lesions and plant diseases
RU2776260C1 (ru) * 2020-08-13 2022-07-15 Мейнан Машинери Уоркс, Инк. Дефектоскопическая система, способ дефектоскопии и программа дефектоскопии для деревянной доски

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008225702A (ja) * 2007-03-09 2008-09-25 Kyodo Printing Co Ltd 画像処理方法及び画像処理装置
AU2007352792B2 (en) * 2007-04-20 2012-11-15 Meinan Machinery Works, Inc. Lumber inspection method, device and program
RU2444002C2 (ru) * 2007-04-20 2012-02-27 Мейнан Машинери Уоркс, Инк. Способ и устройство для контроля пиломатериалов
TWI447382B (zh) * 2007-04-27 2014-08-01 Meinan Machinery Works Wood inspection methods and apparatus and program
TWI393878B (zh) * 2008-08-18 2013-04-21 Chunghwa Picture Tubes Ltd 面板檢測裝置及檢測面板的方法
DE102009040649A1 (de) * 2008-09-11 2010-05-20 Schott Ag Verfahren und Vorrichtung zur Erzeugung von digitalen Einzelbildern von scheibenförmigen Elementen in einem Herstellungsprozess
WO2010032562A1 (ja) * 2008-09-18 2010-03-25 インターナショナル・ビジネス・マシーンズ・コーポレーション 検査対象物の欠陥の発見を支援するシステム及び方法
KR101121068B1 (ko) * 2009-03-16 2012-06-27 대한민국 Ｘ선 스캐너를 이용한 목재의 강도 예측 방법
JP2011017565A (ja) * 2009-07-07 2011-01-27 Nagoya Univ 木材の光学式品質評価方法
CN102032868B (zh) * 2009-09-28 2013-10-02 株式会社名南制作所 原木的年轮中心检测装置以及方法
JP5392731B2 (ja) 2009-10-05 2014-01-22 川崎重工業株式会社 超音波探傷検査の判定支援装置、判定支援方法、判定支援プログラム、及び該判定支援プログラムを記録したコンピュータ読取可能な記録媒体
JP5520005B2 (ja) * 2009-10-29 2014-06-11 パナソニック株式会社 木材欠陥検出装置およびその方法
JP5520006B2 (ja) * 2009-10-29 2014-06-11 パナソニック株式会社 木材欠陥検出装置およびその方法
US8358830B2 (en) * 2010-03-26 2013-01-22 The Boeing Company Method for detecting optical defects in transparencies
ES2381723B1 (es) 2010-04-12 2013-04-26 Asociacion De Investigacion Y Desarrollo En La Industria Del Mueble Y Afines (Aidima) Sistema de vision artificial para la deteccion de defectos en superficies acabadas
JP2012053606A (ja) * 2010-08-31 2012-03-15 Sony Corp 情報処理装置および方法、並びにプログラム
US8615125B2 (en) * 2010-10-08 2013-12-24 Omron Corporation Apparatus and method for inspecting surface state
IE20110525A1 (en) * 2011-11-25 2013-06-05 Odenberg Engineering Ltd A rejector device
CN102605663A (zh) * 2012-03-20 2012-07-25 湖南骏泰浆纸有限责任公司 一种木片流量监控系统及稳定制浆连续蒸煮的方法
TWI479166B (zh) * 2013-07-19 2015-04-01 Hon Hai Prec Ind Co Ltd 產品斷差檢測系統、裝置及方法
JP6379454B2 (ja) * 2013-07-31 2018-08-29 シンフォニアテクノロジー株式会社 パーツフィーダ用画像処理装置及びパーツフィーダ
TWI520813B (zh) * 2013-08-07 2016-02-11 中國砂輪企業股份有限公司 鑽石篩選裝置
JP2015090339A (ja) * 2013-11-07 2015-05-11 住友林業株式会社 木製軸組部材の耐力解析方法
US9643214B2 (en) 2013-12-03 2017-05-09 Outotec (Finland) Oy Method and apparatus for sorting pieces of rock containing quartz vein from pieces of rock and computer program for a processing device
CN103760168A (zh) * 2014-01-15 2014-04-30 陈涛 基于光滑度特征量的旋切类木制品表面灰度缺陷检测方法
TWI551399B (zh) * 2014-01-20 2016-10-01 中國砂輪企業股份有限公司 高度磨料品質之化學機械研磨修整器
CN103942816B (zh) * 2014-04-29 2016-09-28 中国林业科学研究院木材工业研究所 一种基于图像处理的木材单板节子数量和大小的识别方法
CN104700417A (zh) * 2015-01-19 2015-06-10 湖南大学 木材节子瑕疵的计算机图像自动识别方法
CN105158258B (zh) * 2015-07-15 2017-09-01 广西师范大学 一种基于计算机视觉的竹条表面缺陷检测方法
CN105181609A (zh) * 2015-09-22 2015-12-23 南京林业大学 木材颜色识别系统及方法
JP6357617B2 (ja) * 2016-10-18 2018-07-18 株式会社高瀬文夫商店 蒲鉾板の欠陥検査装置
CN106694392A (zh) * 2017-01-20 2017-05-24 汕头市爱美高自动化设备有限公司 一种块状纤维废料剔除装置
AU2019396220A1 (en) 2018-12-10 2021-07-22 Usnr, Llc Wetwood detection in sawn or planed wood products
KR102264576B1 (ko) * 2019-10-10 2021-06-14 대한민국 휴대폰 어플리케이션을 이용한 규격구조재의 자동 등급판정방법
JP6887175B2 (ja) 2019-10-31 2021-06-16 株式会社名南製作所 単板選別制御装置、単板選別制御方法および単板選別制御用プログラム
CN111695498B (zh) * 2020-06-10 2023-04-07 西南林业大学 一种木材同一性检测方法
TWI762271B (zh) 2020-08-13 2022-04-21 日商名南製作所股份有限公司 板狀木材的缺陷檢測系統、缺陷檢測方法以及缺陷檢測用程式
SE546776C2 (sv) * 2021-10-20 2025-02-18 Renholmen Ab Automatiskt virkessorteringsverk
RO137528A2 (ro) * 2021-12-08 2023-06-30 Fordaq International S.r.l. Sistem de detectare a defectelor plăcilor de lemn şi clasificarea în clase de calitate a acestora
US12033314B2 (en) * 2021-12-21 2024-07-09 Omidreza Ghanadiof System and method for inspecting and maintaining the exterior elevated elements of building structures
US12318912B2 (en) 2021-12-21 2025-06-03 Omidreza Ghanadiof System and method for inspecting and maintaining the exterior elevated elements of building structures
JP7089718B1 (ja) * 2022-03-16 2022-06-23 エノ産業株式会社 皮むきされた原木の選別システム、情報処理装置、皮むきされた原木の選別方法およびプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4123702A (en) * 1976-02-13 1978-10-31 Ilmari Kinanen Method for classifying and measuring of timbers
US4607212A (en) * 1982-09-10 1986-08-19 A.Ahlstrom Osakeyhtio Method and apparatus for detection of knots or the like in sawn lumber
US5357112A (en) * 1993-07-14 1994-10-18 Mississippi State University: Forest Products Laboratory Method for determining the presence of knots or voids in wood

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4907156A (en) * 1987-06-30 1990-03-06 University Of Chicago Method and system for enhancement and detection of abnormal anatomic regions in a digital image
US5544256A (en) * 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
JPH08145914A (ja) 1994-11-16 1996-06-07 Nakajima:Kk 一次元テレビカメラによる木材の欠陥検出装置
JPH09210785A (ja) * 1996-02-02 1997-08-15 Tokai Carbon Co Ltd 木材欠陥部の検出方法
US6922482B1 (en) * 1999-06-15 2005-07-26 Applied Materials, Inc. Hybrid invariant adaptive automatic defect classification
US20020025061A1 (en) * 2000-08-23 2002-02-28 Leonard Metcalfe High speed and reliable determination of lumber quality using grain influenced distortion effects
JP2003156451A (ja) * 2001-11-21 2003-05-30 Mitsubishi Rayon Co Ltd 欠陥検出装置
NZ519475A (en) * 2002-06-11 2004-10-29 Ind Res Ltd Measuring wood properties by optical investigation of tracheid orientations
US7406190B2 (en) * 2003-07-24 2008-07-29 Lucidyne Technologies, Inc. Wood tracking by identification of surface characteristics

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4123702A (en) * 1976-02-13 1978-10-31 Ilmari Kinanen Method for classifying and measuring of timbers
US4607212A (en) * 1982-09-10 1986-08-19 A.Ahlstrom Osakeyhtio Method and apparatus for detection of knots or the like in sawn lumber
US5357112A (en) * 1993-07-14 1994-10-18 Mississippi State University: Forest Products Laboratory Method for determining the presence of knots or voids in wood

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Koichi OSAKI et al. Seizaiyo CAD System no Kaihatsu, Transactions of the Japan Society of Mechanical Engineers. Vol.53, No.490, pages 1291 to 1296, 1987. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013149038A1 (en) * 2012-03-28 2013-10-03 University Of Houston System Methods and software for screening and diagnosing skin lesions and plant diseases
RU2776260C1 (ru) * 2020-08-13 2022-07-15 Мейнан Машинери Уоркс, Инк. Дефектоскопическая система, способ дефектоскопии и программа дефектоскопии для деревянной доски

Also Published As

Publication number Publication date
JP4704804B2 (ja) 2011-06-22
JP2006322774A (ja) 2006-11-30
AU2006249164A1 (en) 2006-11-23
CA2607102C (en) 2012-02-28
EP1882935A1 (en) 2008-01-30
TW200718938A (en) 2007-05-16
CN101180536B (zh) 2014-05-07
AU2006249164B2 (en) 2011-10-06
TWI383142B (zh) 2013-01-21
KR20080009720A (ko) 2008-01-29
US20060262972A1 (en) 2006-11-23
US7778458B2 (en) 2010-08-17
NZ562958A (en) 2010-11-26
EP1882935A4 (en) 2013-11-06
RU2007146970A (ru) 2009-06-27
KR101298957B1 (ko) 2013-08-23
WO2006123534A1 (ja) 2006-11-23
CA2607102A1 (en) 2006-11-23
CN101180536A (zh) 2008-05-14

Similar Documents

Publication Publication Date Title
RU2381442C2 (ru) Устройство и способ для обнаружения сучка в древесине
CA2681817C (en) Lumber inspection method, device and program
US5257101A (en) Apparatus and method for selecting a log orientation and pattern for sawing
US5892808A (en) Method and apparatus for feature detection in a workpiece
US9147014B2 (en) System and method for image selection of bundled objects
Bianconi et al. Performance analysis of colour descriptors for parquet sorting
CN115294144B (zh) 一种家具复合板表面缺陷识别方法
JP2014215233A (ja) 単板の選別堆積装置及び単板選別方法
JP5006147B2 (ja) 木材の検査方法及び装置及びプログラム
JP4708904B2 (ja) 木材の検査方法及び装置及びプログラム
JP5122737B2 (ja) 木材の検査方法及び装置及びプログラム
KR20230139166A (ko) 목재 제품의 불량 검사 방법
RU2444002C2 (ru) Способ и устройство для контроля пиломатериалов
JPH0835940A (ja) 木材の自動選別方法及び装置
CN115330798B (zh) 一种门板木材的缺陷评估方法及系统
Bond Characterization of wood features using color, shape, and density parameters
TW200842342A (en) Method, device, and program of inspecting wood
JP2000242791A (ja) 画像処理方法
Österberg et al. Measurement of wood quality parameters from annual rings using color analysis with digital images
NZ580473A (en) Lumber inspection method, device and program
Bajkowski et al. Light wood using machine vision