устройство и способ для обнаружения сучка в древесине

Формула изобретения

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.

Описание изобретения к патенту

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: = r²

Момент инерции: I=( /4)r⁴

<Эллипс>

Площадь: = ab

Момент инерции: I=( /4)a³·b

Так как момент инерции эллипса может быть записан как

I=( /4)a³·b=(1/4 )( ²·a²·b²)·(a/b)=(1/4 )A²·p,

где p=a/b является коэффициентом сжатия, формула дополнительно может быть записана в виде следующей формулы 1.

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:

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:

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.

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.