趙 鵬，趙 勻，陳廣勝

（1. 東北林業(yè)大學(xué)信息與計算機工程學(xué)院，哈爾濱 150040； 2. 東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150010）

基于3D掃描技術(shù)的木材缺陷定量化分析

趙 鵬1，趙 勻2，陳廣勝1

（1. 東北林業(yè)大學(xué)信息與計算機工程學(xué)院，哈爾濱 150040； 2. 東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150010）

木材缺陷檢測是有效進行木材分級提高木材使用率的重要途徑之一，該文提出了一種基于3D激光掃描點云數(shù)據(jù)的木材缺陷探測與量化的方法。首先，使用Artec 3D Scanner掃描木材表面后獲取3D點云數(shù)據(jù)，在對3D點云數(shù)據(jù)進行預(yù)處理后，通過比較當(dāng)前點Z坐標值（深度值）與設(shè)置的閾值的大小關(guān)系判定讀入的點云數(shù)據(jù)是否為缺陷點；其次，采用深度優(yōu)先搜索算法對篩選保留的缺陷點進行分類，并且對各個缺陷使用不同的顏色進行標注；最后，再使用積分法計算各個缺陷處所占表面積和體積。試驗結(jié)果表明，該方法可以比較精確的測量木材表面孔洞等凹陷的表面積和體積，相對誤差在5%內(nèi)，測量精度較高，可為后續(xù)的木材分級和合理定價提供定量依據(jù)。此外，該方法使用的Artec Scanner儀器質(zhì)量輕體積?。藴寿|(zhì)量為0.85 kg，尺寸為261 mm×158 mm×64 mm），它和筆記本電腦可以組成便攜式的木材缺陷定量檢測系統(tǒng)。該系統(tǒng)攜帶方便，可應(yīng)用于林場、木材加工企業(yè)及木材進出口部門的現(xiàn)場測定。

光學(xué)測量；掃描；體積測量；缺陷檢測；缺陷量化

趙 鵬，趙 勻，陳廣勝. 基于3D掃描技術(shù)的木材缺陷定量化分析[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(7)：171－176.doi：10.11975/j.issn.1002-6819.2017.07.022 http://www.tcsae.org

Zhao Peng, Zhao Yun, Chen Guangsheng. Quantitative analysis of wood defect based on 3D scanning technique[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 171－176. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.07.022 http://www.tcsae.org

0 引 言

木材的生長周期緩慢，需求量較大，使用范圍較廣，而木材缺陷在一定程度上使木材質(zhì)量受到影響，降低其使用率和加工效率，因而如何快速準確地對木材缺陷進行檢測成為國內(nèi)外學(xué)者研究的重要課題之一。對木材缺陷進行檢測主要有定性和定量兩類方法，定性方法多數(shù)采用人工法，檢測人員通過觀察木材表面紋理、色澤、構(gòu)造特性、缺陷的類型等來進行木材分級[1]。但是，人眼主觀的檢測存在較大的主觀誤差與效率低等缺點，遠遠不能滿足木材生產(chǎn)加工中缺陷檢測質(zhì)量分級的需要。21世紀以來，先進的自動化檢測技術(shù)開始應(yīng)用于木材加工的各個領(lǐng)域，探測木材缺陷的方法出現(xiàn)了核磁共振法、激光掃描法、光譜分析法、聲學(xué)法等[2-5]。其中，激光掃描法和光譜分析法適用于木材表面的缺陷檢測，而核磁共振法和聲學(xué)法更適用于木材內(nèi)部缺陷的探測。

在木材表面的外部缺陷檢測中，光譜分析法主要是分類識別缺陷的種類（例如節(jié)子、蟲眼、腐蝕和裂紋等）；激光掃描法通過掃描木材表面獲取表面的3D形狀信息，可用于木材表面粗糙度測量等[6-7]。但是，使用木材表面信息進行凹陷類缺陷的定量分析仍然很少有文獻報道。因此，本論文提出了一種針對常見的凹陷類缺陷（例如孔洞）進行定量測量的方法。首先將木材表面進行3D激光掃描，針對3D點云數(shù)據(jù)進行篩選和缺陷分類后，采用積分方式計算缺陷處所占表面積和體積，從而精確定量地測量出木材表面凹陷類缺陷的大小。

1 木材缺陷的3D掃描和處理

1.1 3D掃描

3D掃描技術(shù)以非接觸式激光等方式為主，同時具有較高的測量精度與較快的掃描速度，能獲取物體大量的點云數(shù)據(jù)，對物體的3D重建有很大的作用[8-10]。本文使用Artec 3D Scanner手持光柵掃描儀（參見圖1）獲取物體表面3D點云數(shù)據(jù)，它利用光柵發(fā)出的激光來完成掃描。

圖1 Artec 3D Scanner手持光柵掃描儀Fig.1 Portable grating Artec 3D Scanner

它的原理和拍攝三維物體的設(shè)備相似，只需要對目標物體掃描一圈就能得到目標物體的三維信息，同時對物體的外形和表面紋理信息進行捕獲。而且在掃描前不需要對物體表面輪廓進行標記和電磁跟蹤定位，3D掃描分辨率達到0.5 mm，同時帶有可調(diào)節(jié)閃光燈，質(zhì)量輕且便于攜帶，還具有數(shù)據(jù)存儲格式豐富等優(yōu)點。

1.2 數(shù)據(jù)處理

本試驗使用儀器配備的軟件系統(tǒng)Artec Studio 9讀取掃描儀的數(shù)據(jù)，并展示還原后的木材表面，然后把木材表面與坐標軸XOY平面校準，將木材表面存儲成obj格式的文件，方便后續(xù)處理。

此外，使用Geomagic Studio 2013讀取Artec Studio 9生成的obj文件，并將obj文件轉(zhuǎn)換成按點坐標等性質(zhì)輸出的txt格式的文件。再使用Cyclone對處理程序輸出的點云數(shù)據(jù)txt文件還原成三維模型進行展示，該軟件讀入點坐標X、Y、Z值，R、G、B值，在展示時起到測試程序正確性的作用，可以直觀觀察處理后點云數(shù)據(jù)的相關(guān)特征。圖 2為木板經(jīng)過手持光柵掃描儀進行掃描后，使用Artec Studio 9讀取掃描數(shù)據(jù)，再使用Cyclone軟件得到的預(yù)覽展示。

圖2 Cyclone對木材表面的展示Fig.2 View of wood surface by Cyclone

1.3 缺陷分類

采用深度優(yōu)先搜索方法對缺陷點進行區(qū)域分割，對已經(jīng)通過點坐標Z值與閾值進行判定后篩選保留的點按照每個缺陷處進行劃分標號，使構(gòu)成同一個形如孔洞、裂縫等缺陷處的點被標記成相同序號，其算法流程圖如圖3所示。

圖3 缺陷分類的算法流程圖Fig.3 Flow graph of defect classification

構(gòu)成同一個缺陷處的點標記成同一序號后，選取不同的顏色對各個缺陷處進行染色，使同一個缺陷處內(nèi)的缺陷點都使用同一種顏色進行標記，方便Cyclone軟件進行直觀顯示以及后續(xù)缺陷處的定量計算。圖 4展示了分類后的不同缺陷處的不同顏色。

圖4 Cyclone軟件展示處理后的木板孔洞缺陷實例Fig.4 View of wood cavity defects by Cyclone

2 木材缺陷定量計算

采用積分法計算缺陷處的體積和表面積，需要將構(gòu)成缺陷處的缺陷點擴張至 1個表面，每個缺陷點都是組成1個缺陷處的小三角面的頂點，如圖5所示。近距離觀察構(gòu)成缺陷處的缺陷點，可以得出每 3個相鄰缺陷點組成1個三角面，其中每個缺陷點又是6個三角面的頂點，所以表面模型選用正六邊形如圖6a所示。對于任意一缺陷點O，四周有A、B、C、D、E、F6個缺陷點與缺陷點O相鄰。

圖5 木材表面忽略RGB、反射率的效果圖Fig.5 View graph of wood surface without RGB and reflection information

圖6 用于計算表面積和體積的積分法Fig.6 Integration method used for area and volume computations

關(guān)于表面模型的選擇方式，這里分別對線段OA、OB、OC、OD、OE、OF做垂直平分線，兩兩交于點P、Q、R、S、N、T，連結(jié)PQ、QR、RS、SN、NT、TP形成小六邊形，如圖6b所示。假設(shè)點O為構(gòu)成木板表面缺陷處的一個缺陷點，那么將該點擴大成圖6b中紫色小六邊形最為準確。同樣的，與缺陷點O構(gòu)成缺陷三角面的點A、B、C、D、E、F都可遵循缺陷點O的方式將一個點擴至一個小六邊形。

公式（1）為缺陷點擴張至正六邊形表面的面積（圖6b中紫色小正六邊形的面積S底），其中L為小正六邊形平行對邊距離的平均值，它實際是當(dāng)前缺陷點O與其周圍的點A～F距離Li的平均值。這樣，各缺陷的表面積S即可通過累加的方式求出，如公式（2）。

如果以積分的方式來求體積，需要將點O擴張成一個底面來進行體積的計算，擴張方法與上面的表面積計算方法類似，只是圖6b中的點O及周圍點A～F都要求是各缺陷點在XOY平面上的投影點。當(dāng)前點O形成的正六棱柱與相鄰點A～F形成的正六棱柱不會存在重合部分，在 2個正六棱柱之間也不會出現(xiàn)間隙，用于體積計算具有較高精度（圖6c）。正六棱柱的體積V正六棱柱為公式（3）所示，其中正六棱柱的高h就是該缺陷點三維坐標中的Z值的絕對值。各缺陷處的體積也是通過累加的方式求出，如公式（4）。在公式中，iL是第i個正六邊形的平行對邊距離的平均值（mm），n是正六邊形的總數(shù)；iz是第i個正六棱柱的高ih。

3 試驗結(jié)果與分析

3.1 物理試驗

試驗中，選取了大量的木材表面孔洞等凹陷類缺陷進行測量試驗，參見圖7。

圖7 處理的木材樣本Fig.7 Processed wood specimen

首先，使用Artec 3D Scanner掃描儀獲取木材表面3D點云數(shù)據(jù)，再通過上述算法計算得出各個缺陷處的體積、表面積等信息，最后使用Visual C++2005的控制臺框架結(jié)構(gòu)進行可視化顯示，具體界面演示結(jié)果如圖8所示。

圖8 各缺陷處的體積、表面積、坐標點輸出Fig.8 Output of every defect’s volume, area and coordinates

3.2 模擬試驗

為了客觀地評價本文方法的測量精度，這里還進行了測量精度測試的模擬試驗。選取表面無缺陷的標準優(yōu)等木材，使用電鉆在表面鉆孔，鉆出各種規(guī)格大小的圓柱形孔洞（該孔洞可以看作是標準圓柱體，其直徑D為4～20 mm，深度H為1～7 mm）。使用本文方法進行掃描處理和數(shù)據(jù)計算，然后和標準的圓柱體表面積和體積公式算出的結(jié)果作比較。即可客觀地求出本文方法的測量精度，具體結(jié)果參見表1和表2。可以看出，本文的測量精度隨著圓柱形孔洞的深度增加而逐漸降低。這是因為誤差主要來源于Artec 3D Scanner掃描儀的掃描誤差，該儀器主要是進行物體表面的點云數(shù)據(jù)掃描。如果凹陷類缺陷的深度過大，則產(chǎn)生的掃描誤差將增大，從而對后續(xù)的測量結(jié)果產(chǎn)生影響。但凹陷深度在3 mm以內(nèi)，測量精度較好，相對誤差能夠控制在5%以內(nèi)。

表1 圓柱形孔洞體積測量的相對誤差Table1 Relative error of volume measurement for cylinder cavity %

表2 圓柱形孔洞表面積測量的相對誤差Table2 Relative error of area measurement for cylinder cavity %

4 討 論

在影響木材缺陷測量精度的因素中，除了3.2節(jié)中提到的缺陷深度外，還應(yīng)該注意1.2節(jié)的木材表面與坐標軸XOY平面校準問題。讀入Artec Scanner掃描的數(shù)據(jù)后，正確的操作方式是在木板表面無缺陷處任意選 3個點，盡量保證每兩點距離足夠遠，防止 3點形成面較小并且與坐標軸XOY面夾角過大從而造成誤差。Artec Studio 9會根據(jù)選取的三點所構(gòu)成的平面旋轉(zhuǎn)至與坐標軸XOY面重合（參見圖2）。

圖8中的每一行記錄是一個缺陷的體積、表面積和中心點坐標，如果把每行記錄累加，就可以求出全部缺陷的總體積和總表面積。此外，需要進一步估算出被測木材的體積和表面積（如果被測木材是標準的長方體形狀，那么表面積和體積可以使用簡單的公式計算出來；如果被測木材形狀不規(guī)則，那么可以用掃描儀掃描后得到的三角網(wǎng)模型使用三棱柱體積公式和海倫面積公式計算，并且累加求出被測木材的體積和表面積）。這樣，就可以求出缺陷的表面積和體積所占的百分比。

實際上，Artec Scanner掃描獲取的每一個數(shù)據(jù)點格式為（X,Y,Z,R,G,B,S），其中的R,G,B,S分別表示該點的紅綠藍顏色分量及反射率。因此，還可以使用BGR,, 顏色信息進行木材表面的顏色分類，采用主流的顏色矩特征、模糊分類特征等方法[11-14]。具體的方法可參考相關(guān)文獻，這里不再論述。但是，在進行顏色分類時應(yīng)該剔除掉木材表面的缺陷點，這樣能夠提高顏色分類精度。幸運的是，利用本文提出的凹陷類缺陷檢測方法，可以準確的檢測出孔洞等缺陷并且剔除掉它們，這樣就排除了木材缺陷帶來的干擾；這也是本文方法對于木材其他指標檢測的貢獻。

因此，應(yīng)用Artec Scanner掃描儀和筆記本電腦，就可以開發(fā)一個便攜式多功能木材質(zhì)量檢測系統(tǒng)，完成木材表面的顏色分級和孔洞等凹陷類缺陷檢測，這也是今后的研發(fā)方向。

木材質(zhì)量檢測和分級是合理高效利用木材及合理定價的重要依據(jù)，檢測的指標主要有木材樹種分類識別[15-25]、木材物理性能參數(shù)預(yù)測[26-28]（例如密度、含水率、表面粗糙度、抗拉強度等）及木材表面內(nèi)部的缺陷檢測。近年來，檢測使用的主要方法有圖像分析法和近紅外光譜處理法等。近年來，三維激光掃描檢測技術(shù)逐漸在工農(nóng)業(yè)生產(chǎn)中得到應(yīng)用，例如，2個典型實例是應(yīng)用于糧倉中儲糧的體積測量和滑坡堆積體體積測量[29-30]。本文探討了它在林業(yè)工程方面的應(yīng)用，針對木材表面的缺陷，提出了一種基于 3D激光掃描點云數(shù)據(jù)的木材凹陷類缺陷的定量測量處理方法，它能夠?qū)δ景灞砻婵锥吹雀鱾€缺陷進行劃分與測量，求出各個缺陷的表面積和體積。進一步，如果估算出被測木材的體積和表面積，那么就可以求出缺陷的表面積和體積所占的百分比。這個指標對于后續(xù)的板材分級和定價具有重要意義，它給出了定量的指標依據(jù)。未來，隨著3D掃描儀的精度的提高和價格的降低，這種測量處理方式有可能具有更高的精度和實際應(yīng)用價值。

5 結(jié) 論

本文提出了一種基于 3D激光掃描點云數(shù)據(jù)的木材凹陷類缺陷的定量測量處理方法，它能夠?qū)δ景灞砻婵锥吹雀鱾€缺陷進行劃分與測量，求出各個缺陷的表面積和體積。這種方法使用了先進的Artec激光掃描儀器，數(shù)據(jù)處理中還使用了深度優(yōu)先搜索和三角剖分等技術(shù)。試驗結(jié)果表明該方法的測量精度在一定范圍內(nèi)比較好，使用 3D點云數(shù)據(jù)能準確的對木板表面凹陷類缺陷進行探測與量化計算。如果缺陷深度在3 mm以內(nèi)，測量精度還是比較好的，相對誤差能夠控制在5%以內(nèi)。

[1] Kline D E, Surak C, Araman P A. Automated hardwood lumber grading utilizing a multiple sensor machine vision technology[J]. Computers and Electronics in Agriculture, 2003, 41(2): 139－155.

[2] Longuetaud F, Mothe F, Kerautret B, et al. Automatic knot detection and measurements from X-ray CT images of wood: a review and validation of an improved algorithm on softwood samples[J]. Computers and Electronics in Agriculture, 2012, 85(2): 77－89.

[3] Lebow P K, Brunner C C, Maristany A G, et al. Classification of wood surface features by spectral reflectance[J]. Wood and Fiber Science, 1996, 28(1): 74－90.

[4] Funck J W, Zhong Y, Butler D A, et al. Image segmentation algorithms applied to wood defect detection[J]. Computers and Electronics in Agriculture, 2003, 41(4): 157－179.

[5] Gao S, Wang N, Wang L H, et al. Application of an ultrasonic wave propagation field in the quantitative identification of cavity defect of log disc[J]. Computers and Electronics in Agriculture, 2014, 108(3): 123－129.

[6] 楊忠，劉亞娜，呂斌，等. 非接觸式可見光近紅外光譜法快速預(yù)測天然高分子材料表面粗糙度的研究[J]. 光譜學(xué)與光譜分析，2013，33(3)：682－685. Yang Zhong, Liu Yana, Lü Bin, et al. Rapid prediction of surface roughness of natural polymer material by visible/near infrared spectroscopy as a non-contact[J]. Spectroscopy and Spectral Analysis, 2013, 33(3): 682－685 (in Chinese with English abstract)

[7] 劉亞娜，楊忠，呂斌，等. 木材表面光澤度的近紅外漫反射光譜技術(shù)快速測定研究[J]. 光譜學(xué)與光譜分析，2014，34(3)：648－651. Liu Yana, Yang Zhong, Lü Bin, et al. Study of rapid prediction of wood surface glossiness by near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014, 34(3): 648－651. (in Chinese with English abstract)

[8] Remondino F. Heritage recording and 3D Modeling with Photo-grammetry and 3D Scanning[J]. Remote Sensing, 2011, 12(3): 1104－1138.

[9] Montagnat J, Delingette H, Ayache N. A review of deformable surfaces: Topology, geometry and deformation[J]. Image & Vision Computing, 2001, 19(14): 1023－1040.

[10] Luo Z Q, Liu X M, Su J H, et al. Deposit 3D modeling and application[J]. Journal of Central South University of Technology, 2007, 14(2): 225－229.

[11] Bombardier V, Schmitt E, Charpentier P. A fuzzy sensor for color matching vision system[J]. Measurement, 2009, 42(2): 189－201.

[12] Bombardier V, Mazaud C, Lhoste P, et al. Contribution of fuzzy reasoning method to knowledge integration in a wood defect recognition system[J]. Computers in Industry Journal, 2007, 58(5): 355－366.

[13] 戴天虹. 基于計算機視覺的木質(zhì)板材顏色分類方法的研[D].哈爾濱：東北林業(yè)大學(xué)，2008. Dai Tianhong. Research on Classification Method of Wooden Board Color Based On Computer Vision[D]. Harbin: Northeast Forestry University, 2008. (in Chinese with English abstract)

[14] 于海鵬. 基于數(shù)字圖像處理學(xué)的木材紋理定量化研究[D].哈爾濱：東北林業(yè)大學(xué)，2005. Yu Haipeng. Quantization of Wood Texture by Digital Image Processing[D]. Harbin: Northeast Forestry University, 2005. (in Chinese with English abstract)

[15] Moore A K, Owen N L. Infrared spectroscopic studies of solid wood[J]. Applied Spectroscopy Review, 2001, 36(1): 65－86.

[16] Packianather M S, Drake P R. Neural networks for classifying images of wood veneer[J]. International Journal of Advanced Manufacturing Technology, 2000, 16(6): 424－433.

[17] Nakamura M, Masuda M, Shinohara K. Multiresolutional image analysis of wood and other materials[J]. Journal of Wood Science, 1999, 45(1): 10－18.

[18] Phelps J E, Mcginnes E A. Growth-quality evaluation of black walnut wood, Part 2-Color analysis of veneer produced on different sites[J]. Wood and Fiber Science, 1983, 15(2): 177－185.

[19] Chen G S, Zhao P. Dynamic wood slice recognition using image blur information[J]. Sensors & Actuators A: Physical, 2012, 176(1): 27－33.

[20] Tsuchikawa S, Hirashima Y, Sasaki Y, et al. Near-infrared spectroscopic study of the physical and mechanical properties of wood with meso- and micro-scale anatomical observation[J]. Applied Spectroscopy, 2005, 59(1): 86－93.

[21] Orton C R, Parkinson D Y, Evans P D, et al. Fourier transform infrared studies of heterogeneity, photodegradation, and lignin/hemicellulose ratios within hardwoods and softwoods[J]. Applied Spectroscopy, 2004, 58(11): 1265－1271.

[22] Lavine B K, Davidson C E, Moores A J, et al. Raman spectroscopy and genetic algorithms for the classification of wood types[J]. Applied Spectroscopy, 2001, 55(8): 960－966.

[23] Piuri V, Scotti F. Design of an automatic wood types classification system by using fluorescence spectra[J]. IEEE Trans SMC-Part C, 2010, 40(3): 358－366.

[24] Zhao P, Cao J. Wood species identification using spectral reflection feature and optimal illumination radian design[J]. Journal of Forestry Research, 2016, 27(1): 219－224.

[25] Zhao P, Dou G, Chen G S. Wood species identification using feature-level fusion scheme[J]. Optik, 2014, 125(3): 1144－1148.

[26] Hauksson J B, Bergqvist G, Bergsten U, et al. Prediction of basic wood properties for Norway Spruce. Interpretation of near infrared spectroscopy data using partial least squares regression[J]. Wood Science and Technology, 2001, 35(2): 475－485.

[27] Schimleck L R, Evans R, Matheson A C. Estimation ofPinus radiataD. Don clear wood properties by near-infrared spectroscopy[J]. Journal of Wood Science, 2002, 48(2): 132－137.

[28] 王曉旭，黃安民，楊忠，等. 近紅外光譜用于杉木木材強度分等的研究[J]. 光譜學(xué)與光譜分析，2011，31(4)：975－978. Wang Xiaoxu, Huang Anmin, Yang Zhong, et al. Study on the wood grading by near infrared spectroscopy[J] Spectroscopy and Spectral Analysis, 2011, 31(4): 975－978. (in Chinese with English abstract)

[29] 邵晴，徐濤，吉野辰萌，等. 基于三維激光掃描技術(shù)的糧食儲量監(jiān)測系統(tǒng)的設(shè)計與試驗[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(20)：262－267. Shao Qing, Xu Tao, Yoshino Tatsuo, et al. Design and experiment for grain storage monitoring system based on 3-D laser scanning technology[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(20): 262－267. (in Chinese with English abstract)

[30] 陳展鵬，雷廷武，晏清洪，等. 汶川震區(qū)滑坡堆積體體積三維激光掃描儀測量與計算方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(8)：135－144. Chen Zhanpeng, Lei Tingwu, Yan Qinghong, et al. Measuring and calculation methods for landslide volume with 3-D laser scanner in Wenchuan earthquake area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(8): 135－144. (in Chinese with English abstract)

Quantitative analysis of wood defect based on 3D scanning technique

Zhao Peng1, Zhao Yun2, Chen Guangsheng1
(1.College of Information and Computer Engineering, Northeast Forestry University,Harbin,150040,China; 2.College of Engineering, Northeast Agricultural University,Harbin,150010,China)

Wood quality detection is a key issue in the wood manufacture factory or wood trade process. It consists of wood species recognition, wood physical parameter (such as density, hardness, water ratio, degree of surface roughness) prediction and wood defect detection, which are intimately connected with the efficient wood utilizations and wood prices. In the wood defect detection, the internal and external defects were inspected and processed with different schemes. It was an important way for effective wood grading and wood utilization to make the wood defect detection. In this paper, a detection and quantification scheme of wood defect was proposed based on three-dimensional (3D) laser scanning point cloud. This scheme could be used in the wood external defect detection such as cavity or tunnel. First, the Artec 3D Scanner was used to scan the wood surface to get the 3D point cloud. After preprocessing, theZ-axis coordinate value of current point was compared with the set threshold to judge whether it was a defect point. Second, a deep preferred search algorithm was used to classify the retained defect points marked with different colors. After this step, the segmented defects could be viewed with the Artec Cyclone software. Last, the integration algorithm was used to calculate the surface area and volume of every defect. In this step, every defect point was extended into a regular hexagon and a prism for the subsequent area and volume calculation by using the standard mathematical equations. The overall area or volume of every defect was computed by summarizing every defect point’s area or volume. One detection system was realized with Visual C++ programming tool, the Artec 3D Scanner and a laptop. The simulation experimental results indicated that our scheme could accurately measure the surface areas and volumes of cavity or tunnel on wood surface with measurement error of 5%, if the defect’s depth was less than 3 mm. This scheme could give the quantitative proofs for the subsequent wood grading and wood price. In fact, every 3D data point’s format was (X,Y,Z,R,G,B,S), in which theR,G,BandSrepresented the red, green, blue and reflection information, respectively. Therefore, we could use theR,GandBinformation to perform the color classification for the wood surface by use of color moments or fuzzy classification algorithms. However, the wood defect points should be deleted in color classification in order to overcome the disturbance from wood surface’s defect points. Fortunately, the deletion of defect points could be easily performed by use of our scheme, which was the advantage of our scheme compared to other wood parameter detection methods. Moreover, the used Artec Scanner was portable with small mass and volume (i.e. with a standard mass of 0.85 kg, a 3D scanning resolution of 0.5 mm, a size of 261 mm×158 mm×64 mm, and multiple data storage formats), so it could form a portable wood defect detection system with a laptop. In the future, with the development of 3D scanning instrumentation, the used 3D scanner can become more accurate with cheaper price, so our scheme may be conveniently used in wood manufacture factory or wood trade.

optical testing; scanning; volume measurement; defect detection; defect quantification

10.11975/j.issn.1002-6819.2017.07.022

TP391.4; TP242.6

A

1002-6819(2017)-07-0171-06

2016-08-29

2017-04-07

國家自然科學(xué)基金面上項目資助（31670717）；黑龍江省自然科學(xué)基金面上項目資助（C2016011）；教育部新世紀優(yōu)秀人才專項資助（NCET-12-0809）。

趙 鵬，男（漢族），黑龍江省阿城市人，教授，博士，博士生導(dǎo)師，主要研究方向是圖像處理、模式識別和光學(xué)測量，從事林業(yè)信息工程和農(nóng)業(yè)信息工程的學(xué)科交叉研究。哈爾濱 東北林業(yè)大學(xué)信息學(xué)院，150040。

Email：bit_zhao@aliyun.com