一种基于多重感知器的木材视觉识别方法技术

本发明专利技术提供一种基于多重感知器的木材视觉识别方法，其特征在于，通过建立多层感知器数学模型，将木材特征加入样本库进行学习训练，当训练完成后，系统即可根据学习到的特征，基于视觉系统对新输入的特征向量进行模式识别。通过上述机器学习过程，系统能够不断的从样本库中提取木材特征，对木材种类进行自动判别，与其他机械结构结合实现对木材加工上下料部分的自动化。

A method of wood visual recognition based on multiple perceptron

The invention provides a wood visual recognition method based on multi sensor, which is characterized by establishing the mathematical model of multilayer perceptron, wood sample library features to learning and training, when the training is completed, the system can be based on the learned features, pattern recognition feature vector of input system based on vision. The learning process through the machine, system can continuously extract features from the wood samples, automatic identification of wood species, and other mechanical structure based on wood processing on part of automation.

【技术实现步骤摘要】
一种基于多重感知器的木材视觉识别方法
本专利技术涉及深度学习
，特别涉及一种基于多重感知器的木材视觉识别方法。
技术介绍
在对木材进行深加工的过程中，产线上通常会出现N种不同的木材原料。由于每种木材都有着其特殊的纹理，传统工厂在对木料进行分类时通常采用人工经验判断的方法，效率较低且可能出现难以追述等问题，无法实现流水化作业。要解决这个问题，需要搭建一个自动化的分类系统。基于机器学习，它将能够不断的从样本库中提取木材特征，对木材种类进行自动判别，与其他机械结构结合实现对木材加工上下料部分的自动化。
技术实现思路
为实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：一种基于多重感知器的木材视觉识别方法，其特征在于，包括如下步骤：步骤1：建立数学模型并进行样本训练，从而生成多层感知器参数；步骤2：目标进入识别区，对木材表面进行拍照，提取目标的特征值；步骤3：将特征值输入多层感知器，进行识别，若不能识别目标，进行异常处理，保留所发现的异常样本，在数据库内添加新样本，并重新训练样本集，保证下次出现的同类特殊情况能够准确识别；若能识别目标，则发送结果至执行机构；步骤4：执行机构根据收到的结果对目标进行分类操作，并返回步骤2准备执行下一目标的分类指令。其中，所述多层感知器的数学模型包括输入层、隐藏层和输出层，其中，所述输入层包括系统输入，主要为目标特征值；隐藏层包括了加权求和、激励函数。所述目标的特征值提取由视觉系统捕获并计算得出，首先对木材进行图像处理，然后通过计算木材的灰度共生矩阵从而提取出许多基于灰度的纹理信息。所述目标的特征值提取由视觉系统捕获并计算得出，首先对木材进行图像处理，然后通过计算木材的灰度共生矩阵从而提取出许多基于灰度的纹理信息。区别于现有技术的情况，本专利技术的有益效果是：通过自动化系统、信息化系统与视觉系统的融合，该系统省去了人工分类木材的过程，提高了生产效率及分类的准确性，同时也可为质量追述提供了保障。该方法实现成本低，且具有很强的柔性和可扩展性，整套系统的准确性可在运行过程中不断提高。对于与木材加工相关的企业，该方法可为其提供一套基于特征数据的可量化的判别标准。企业可根据自己的实际情况在该系统上实现自生长，在降低人力成本的同时提高产线带来的经济价值。附图说明图1为本专利技术基于多重感知器的木材视觉识别方法的系统流程图。图2为本专利技术多层感知器的数学模型。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，提供一种基于多重感知器的木材视觉识别方法，其特征在于，包括如下步骤：步骤1：建立数学模型并进行样本训练，从而生成多层感知器参数；步骤2：目标进入识别区，对木材表面进行拍照，提取目标的特征值；步骤3：将特征值输入多层感知器，进行识别，若不能识别目标，进行异常处理，保留所发现的异常样本，在数据库内添加新样本，并重新训练样本集，保证下次出现的同类特殊情况能够准确识别；若能识别目标，则发送结果至执行机构；步骤4：执行机构根据收到的结果对目标进行分类操作，并返回步骤2准备执行下一目标的分类指令。具体的，所述多层感知器的数学模型包括输入层、隐藏层和输出层，具体的，输入层主要包括系统输入，在这里即特征向量。隐藏层包括了加权求和、激励函数等内容，上一层的输出作为下一层的输入，最后会整定出一组线性系数w和b,这个整定过程可以是传统的BP算法或其他优化算法。隐藏层的处理单元将线性计算结果经过非线性激励函数产生输出。最终结果通常会用函数映射到0,1之间，即给出每种类别的概率。隐藏层和处理单元的生成即是对已知输出的输入样本进行训练的过程，训练结果是一组参数，通常可作为文件保存在计算机系统中。训练样本越多，则系统对目标的特征分类越准确。工厂在系统上线前可对现有产品进行训练，生产相应多层感知器训练文件。所述目标的特征值提取由视觉系统捕获并计算得出，首先对木材进行图像处理，然后通过计算木材的灰度共生矩阵从而提取出许多基于灰度的纹理信息，所提取的述纹理信息包括目标能量、相关性、逆差距、对比度和图像熵所述目标的特征值提取由视觉系统捕获并计算得出，可将其想象为一个1*M的一维向量FV＝[X0,X1,X2….Xm]，这些特征可以是木材整体或局部特征。对于木材一个重要的特征是其纹理。要得到其纹理特征向量，首先要对木材进行图像处理。通过计算木材的灰度共生矩阵，我们可以从中提取许多关于纹理的有用信息。灰度共生矩阵是图像中θ方向上相距d,即(x,y)与(x+a,x+b)的两个像元灰度i,j出现的概率元素p(i,j)构成的矩阵。通过灰度矩阵，我们可以提取出许多基于灰度的纹理信息，所得到的纹理信息包括能量、相关性、逆差距、对比度、图像熵，同时还有各向异性，灰度直方图，颜色信息等，这些特征值作为对材质的标识，通过对没种木材的K个样本进行特征提取，我们最终将得到N×K个特征向量，一共N×K×M个特征，对于同一种木材，他们的特征向量具有相似性，对于不同的木材，他们的特征向量关联性将降低，同时，为了避免出现过拟合以及维度灾难的问题，特征M不宜取过多。通过上述方式，整套系统在运行过程中是具有很强的扩展性和自优化能力的，在不断运行的过程中，系统的识别准确性将可以不断提高，即便由于某类型木材的某个特例出现偶然的无法识别或识别错误，将该木材特征加入样本库后同样能保证在下次遇到这样特殊情况时能准确识别。而由于在系统启动前就进行了足够的样本训练，这样的情况出现概率本身就很低，系统在初始阶段可以稳定运行。以上所述仅为本专利技术的实施例，并非因此限制本专利技术的专利范围，凡是利用本专利技术说明书及附图内容所作的等效结构或等效流程变换，或直接或简介运用在其他相关
，均同理包括在本专利技术的专利保护范围内。本文档来自技高网...

【技术保护点】
一种基于多重感知器的木材视觉识别方法，其特征在于，包括如下步骤：步骤1：建立数学模型并进行样本训练，从而生成多层感知器参数；步骤2：目标进入识别区，对木材表面进行拍照，提取目标的特征值；步骤3：将特征值输入多层感知器，进行识别，若不能识别目标，进行异常处理，保留所发现的异常样本，在数据库内添加新样本，并重新训练样本集，保证下次出现的同类特殊情况能够准确识别；若能识别目标，则发送结果至执行机构；步骤4：执行机构根据收到的结果对目标进行分类操作，并返回步骤2准备执行下一目标的分类指令。

【技术特征摘要】
1.一种基于多重感知器的木材视觉识别方法，其特征在于，包括如下步骤：步骤1：建立数学模型并进行样本训练，从而生成多层感知器参数；步骤2：目标进入识别区，对木材表面进行拍照，提取目标的特征值；步骤3：将特征值输入多层感知器，进行识别，若不能识别目标，进行异常处理，保留所发现的异常样本，在数据库内添加新样本，并重新训练样本集，保证下次出现的同类特殊情况能够准确识别；若能识别目标，则发送结果至执行机构；步骤4：执行机构根据收到的结果对目标进行分类操作，并返回步骤2准备执行下一目标的分类指令。2.根据权利要求...

【专利技术属性】
技术研发人员：张宇飞，王伟旭，杨川，李冉，
申请(专利权)人：成都天衡电科科技有限公司，
类型：发明
国别省市：四川,51