【技术实现步骤摘要】
一种基于机器学习的竹条颜色自适应分类方法
本专利技术涉及机器学习
，特别是一种基于机器学习的竹条颜色自适应分类方法。
技术介绍
随着近几年环保压力越来越大，竹制品加工行业迎来新的机遇和挑战，尤其是在竹材产量大的国家和地区加快开拓竹制品加工行业的发展。但是，国内的竹木行业普遍受限于自动化程度低，专业人员少等情况，严重阻碍着竹木行业的快速发展。我国生产的毛竹，竹木半成品的加工过程主要分为切段，裂片，粗刨，精刨，压板等工序。竹子容易受到生产环境，生长年限，炭化工艺等影响，竹子表面颜色会有明显的深浅变化，从而导致压板后颜色不均匀的问题。因此，为了提高竹制品的生产质量，需要进行颜色的分类。目前，根据竹条表面的颜色深浅程度，大部分竹木加工厂主要依靠人工分拣竹子颜色分类，其分类标准根据工厂的实际情况分为特深、深、中、浅、特浅等几个类别。但是，人工分选的缺点在于专业人员需求大、运营成本高、工作效率低和分类质量不稳定等问题。为了解决以上行业痛点，已经展开竹条颜色分类的相关研究。目前已有采用竹片平均颜色和纹理特征，...
【技术保护点】
1.一种基于机器学习的竹条颜色自适应分类方法，其特征在于：包括以下步骤：/n步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；/n步骤S2：将预处理后得到的图像提取颜色直方图特征；/n步骤S3：使用k-means算法聚类颜色中心；/n步骤S4：对新竹条进行颜色分类；/n步骤S5：更新颜色特征库NF
【技术特征摘要】
1.一种基于机器学习的竹条颜色自适应分类方法，其特征在于：包括以下步骤：
步骤S1：采集提取单根竹条的颜色信息，并对单根竹条的颜色信息进行预处理；
步骤S2：将预处理后得到的图像提取颜色直方图特征；
步骤S3：使用k-means算法聚类颜色中心；
步骤S4：对新竹条进行颜色分类；
步骤S5：更新颜色特征库NF{1,2,...,}，更新颜色聚类中心。
2.根据权利要求1所述的一种基于机器学习的竹条颜色自适应分类方法，其特征在于：所述步骤S1具体包括以下步骤：
步骤S11：图像采集：使用彩色面阵相机拍摄竹条部分表面的图像作为图片I1；
步骤S12：将彩图转成灰度图：将相机得到的彩色图片I1的RGB通道转成灰度通道，转换公式为Gray＝R*0.299+G*0.587+B*0.114，其中Gray表示灰度值，得到灰度图像I2；
步骤S13：图像二值化：利用OTSU算法对灰度图像I2二值化得到二值化后的图像I3；
步骤S14：提取竹片掩膜：利用图像形态学操作去掉二值化后的图像I3中小粒子，提取最大的粒子区域作为竹片的掩膜区域I4；
步骤S15：提取竹片色块：提取竹片掩膜区域I4的最大内接矩形，按照该矩形裁切图片I1，得到竹片颜色块I5；
步骤S16：判断是否采集完整根竹条，如果是则执行步骤S17，否则执行步骤S11；
步骤S17：拼接色块：将上述步骤得到的图像序列I5{1,2,...}拼接成一张图像I6，此图像I6即为预处理后的图像。
3.根据权利要求1所述的一种基于机器学习的竹条颜色自适应分类方法，其特征在于：所述步骤S2具体包括以下步骤：
步骤S21：将拼接色块得到的图像I6RGB颜色空间转换为HSV颜色空间，得到图像I7；
步骤S22：提取I7的颜色特征：对于色相通道H，H的范围为0～180，设置直方图bin的宽度为5，得到36个H通道bin；对于饱和度通道S，不单独统计它的特征；对于亮度通道V，V的范围为0～255，设置直方图bin的宽度为4，得到64个V通道bin，设置饱和度阈值Sthresh，阈值的范围为0～255，用该阈值对V通道bin进行分割，得到128个V通道bin；最后一共有164个颜色bin，统计I6图像像素在bin范围内的直方图，得到直方图颜色特征F，该特征是1x164的特征向量；
步骤S23：特征归一化：将特征向量F进行归一化，归一化公式为：
其中i表示特征向量的下标，W，H分别表示图像I6的宽度和高度；最后得到归一化后的特征NF。
4.根据权利要求3所述的一种基于机器学习的竹条颜色自适应分类方法，其特征在于：步骤S22中所述统计bin的直方图的具体内容为：
在统计bin的直方图时，采用线性投票法，令像素值为p...
【专利技术属性】
技术研发人员：杨和，刘文哲，童同，高钦泉，
申请(专利权)人：福建帝视信息科技有限公司，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。