基于人工智能的木板节子分类数据识别方法技术

本发明专利技术涉及一种基于人工智能的木板节子分类数据识别方法，其是对待测木板图像进行图像分割，得到木板节子图像；对木板节子图像和标准木板死节图像进行处理，分别得到木板节子灰度图像和标准木板死节灰度图像以及对应的灰度直方图；根据标准木板死节灰度直方图，构建权重高斯函数；对标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用权重高斯函数对灰度级范围进行权重计算，获得对应的高斯权重；根据节子灰度直方图、标准木板死节灰度直方图以及高斯权重，计算差异度；当差异度大于设定差异，则节子灰度直方图中灰度级范围对应的区域为死节；反之，该区域为活节。即本发明专利技术提高了节子的分类效率，能够准确地实现活节和死节的分类。节和死节的分类。节和死节的分类。

【技术实现步骤摘要】
基于人工智能的木板节子分类数据识别方法


[0001]本专利技术涉及数据识别领域，具体涉及一种基于人工智能的木板节子分类数据识别方法。

技术介绍

[0002]在农业科技发展的历程中，木材缺陷对农民及农业开发公司造成了很大的困扰，节子是木材缺陷中对木材质量、价值等影响最大的一种。节子可以分为活节和死节。活节是正常的木质结构，它的材质比较坚硬；死节质地坚硬或松软，在木质板材中有时会出现活节脱落所留下的空洞。在进行加工生产之前对实木板材的原料进行节子缺陷检测与分类，为实现板材等级的自动分选打下基础，可以有效降低劳动强度，提高生产效率，对提高产品合格率有着非常重要的意义。
[0003]而传统的木板缺陷分类方式是通过人工观察进行检测筛选的，这种方法效率低、成本高，检测效果易受工作人员状态影响。随着科技的发展，工业自动化水平也逐年增高，木材产品市场的高需求和现代化工业生产节奏的不断加快使得设计一种实用而又高效的木材缺陷自动检测分类方法尤为重要。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于人工智能的木板节子分类数据识别方法，所采用的技术方案具体如下：本专利技术的一种基于人工智能的木板节子分类数据识别方法，包括如下步骤：获取待测木板图像和标准木板死节图像；对所述待测木板图像进行图像分割，得到节子缺陷区域的二值图像；将所述二值图像与所述待测木板图像进行相乘得到木板节子图像；对所述木板节子图像和所述标准木板死节图像进行灰度化处理，分别得到木板节子灰度图像和标准木板死节灰度图像，对所述木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；根据所述标准木板死节灰度直方图，构建权重高斯函数；对所述标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用所述权重高斯函数对所述灰度级范围进行权重的计算，获得灰度级范围对应的高斯权重；根据所述节子灰度直方图、标准木板死节灰度直方图以及所述灰度级范围对应的高斯权重，计算差异度；比较所述差异度与设定差异的大小，当所述差异度大于设定差异，则节子灰度直方图中灰度级范围对应的区域为死节；反之，该区域为活节。
[0005]进一步地，所述高斯函数为：
其中，x为像素的灰度级，μ为灰度级中心点，
휎
为标准差。
[0006]进一步地，所述高斯权重为：其中，为第i段灰度级范围的加权值，其中i为灰度级范围的序号，a为该段灰度级范围的下限值减0.5后的值，b为该段灰度级范围的上限值加0.5后的值，为权重高斯函数。
[0007]进一步地，所述差异度为：其中，为灰度级x的加权值，X为x的值域，为标准木板死节灰度直方图中灰度级x的频率，为节子灰度直方图中灰度级x的频率。
[0008]进一步地，将所述标准木板死节灰度图像的灰度级划分为64段，每段包含4个灰度级。
[0009]进一步地，所述设定差异为0.7。
[0010]本专利技术的有益效果为：本专利技术通过构建高斯函数以及划分的灰度级范围，得到各灰度级范围对应的权重，进行差异度的计算，获取木材节子缺陷的分类，提高了分类的准确性和分类效率。
[0011]其中本专利技术进行分段权重的计算，能够使得节子区域相近的灰度级之间的凸显的差异性更小，而不同灰度级范围对应的区域之间的分级凸显的差异性更大，能够更好地识别节子中的死节。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0013]图1为本专利技术的一种基于人工智能的木板节子分类数据识别方法实施例的方法流程图。
具体实施方式
[0014]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0015]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0016]下面结合附图具体的说明本专利技术所提供的一种基于人工智能的木板节子分类数据识别方法的具体方案。
[0017]请参阅图1，其示出了本专利技术一个实施例提供的一种基于人工智能的木板节子分类数据识别方法的步骤流程图，该方法包括以下步骤：步骤1，获取待测木板图像和标准木板死节图像；对所述待测木板图像进行图像分割，得到节子缺陷区域的二值图像；将所述二值图像与所述待测木板图像进行相乘得到木板节子图像；本实施例中，将待测木板送到摄像头视场内，通过相机与木板平行，拍摄木板正面图像，并通过成像系统和图像采集系统，获取待测木板图像；该待测木板图像即为木板正面图像。
[0018]本实施例中的标准木板死节图像，可以为通过对获取的模板图像进行人工标注后确定的死节图像，当然作为其他实施方式，也可以为根据历史大数据中获取若干标准木板死节图像，如100幅标准木板死节图像。
[0019]本实施例中，采用全卷积神经网络对待测木板图像进行语义分割，获得正常木板区域以及节子缺陷区域的二值图像。
[0020]具体地，构建全卷积神经网络，该全卷积神经网络为Encoder
‑
Decoder结构；利用标签数据对全卷积神经网络进行训练，得到训练好的全卷积神经网络；将待测木板图像输入训练好的全卷积神经网络中，输出正常木板区域以及节子缺陷区域的二值图像。
[0021]其中的标签数据为：对采集的部分木板正面图像进行人工标注，标注的标签为两类，一类为正常木板区域，标注为0；另一类为节子缺陷区域，标注为1。同时，全卷积神经网络所用的loss函数为交叉熵损失函数。
[0022]本实施例中，把待测木板图像中所有像素点分为正常木板区域、节子缺陷区域两类，作为后续节子缺陷分类的基础。
[0023]进一步地，将神经网络输出的二值图像与待测木板图像做乘运算，得到木板节子图像，该木板节子图像中只有节子区域像素点不变，其他位置均为0。
[0024]步骤2，对所述木板节子图像和所述标准木板死节图像进行灰度化处理，分别得到木板节子灰度图像和标准木板死节灰度图像，对所述木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；进一步，本专利技术还可以选取若干标准木板死节灰度图像进行灰度直方图计算：1）获取标准死节灰度直方图：其中表示所有标准死节灰度直方图中第i个灰度级的平均频率，表示第j个标准木板死节灰度图像中第i个灰度级的频率，N为标准木板死节灰度图像的数目。
[0025]2）对获取的标准木板死节灰度直方图进行归本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的木板节子分类数据识别方法，其特征在于，包括以下步骤：获取待测木板图像和标准木板死节图像；对所述待测木板图像进行图像分割，得到节子缺陷区域的二值图像；将所述二值图像与所述待测木板图像进行相乘得到木板节子图像；对所述木板节子图像和所述标准木板死节图像进行灰度化处理，分别得到木板节子灰度图像和标准木板死节灰度图像，对所述木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；根据所述标准木板死节灰度直方图，构建权重高斯函数；对所述标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用所述权重高斯函数对所述灰度级范围进行权重的计算，获得灰度级范围对应的高斯权重；根据所述节子灰度直方图、标准木板死节灰度直方图以及所述灰度级范围对应的高斯权重，计算差异度；比较所述差异度与设定差异的大小，当所述差异度大于设定差异，则节子灰度直方图中灰度级范围对应的区域为死节；反之，该区域为活节。2.根据权利要求1所述的一种基于人...

【专利技术属性】
技术研发人员：曹冬梅，
申请(专利权)人：江苏景瑞农业科技发展有限公司，
类型：发明
国别省市：