一种基于迁移学习的木材纹理分类方法技术

本发明专利技术涉及深度学习、计算机视觉技术、木材纹理检测方法交叉技术领域，公开了一种基于迁移学习的木材纹理分类方法，通过获取木材图像数据并进行预处理得到训练数据；构建用于识别木材纹理类别的迁移学习模型；利用预训练的卷积模型进行训练后得到识别木材纹理类别的卷积模型包；根据实际生产中的环境，以优化计算时间的方法将各模型计算所得的特征值与识别结果进行判断而得到最终的分类，本发明专利技术是根据实际生产情况所设计的，在可靠性、实用性方面均为良好，且在生产中能实现木材纹理的自动化分类，分类准确，节约时间和人力成本。节约时间和人力成本。节约时间和人力成本。

【技术实现步骤摘要】
一种基于迁移学习的木材纹理分类方法


[0001]本专利技术涉及深度学习、计算机视觉技术、木材纹理检测方法交叉
，特别涉及一种基于迁移学习的木材纹理分类方法。

技术介绍

[0002]传统的木材纹理进行分类主要依靠工人经验，主观性强，效率低。因此亟需引入自动化手段实现木材纹理的高效、准确分类。目前还没有利用深度学习对木材纹理进行识别分类的研究，本专利介绍了一种基于深度学习卷积神经网络的木材纹理识别分类方法，由于木材纹理中没有严格定义各类别的分类标准，因此在划分数据集和训练卷积模型参数时有着巨大的挑战。
[0003]基于深度学习的卷积神经网络模型可以自动提取高阶特征,实现对高相似度图像的准确分类，然而，卷积神经网络参数极多，若从头开始训练，训练时间长、算力消耗大、且需要大量带标签数据，这为深度学习模型的实施带来了限制。因此实现准确鉴别的同时节约时间和人力成本，是非常有学术和工程价值的问题。

技术实现思路

[0004]本专利技术提供一种基于迁移学习的木材纹理分类方法，分类准确，节约时间和人力成本。
[0005]本专利技术提供了一种基于迁移学习的木材纹理分类方法，包括以下步骤：
[0006]S1、采集带有木材纹理的图像数据，并对图像数据进行预处理；
[0007]S2、对预处理后的图像数据进行特征截取处理，获得样本数据集；
[0008]S3、将样本数据集中的图像数据进行数据增强后划分为训练样本数据集和测试样本数据集；
[0009]S4、构建用于木材纹理判断的迁移学习模型，用训练样本数据集对迁移学习模型进行训练，得到识别木材纹理类别的卷积模型包；
[0010]S5、用测试样本数据集对训练好的迁移学习模型进行识别准确度计算，得到迁移学习模型的识别准确度；
[0011]S6、将卷积模型包中多个卷积模型的参数以优化计算时间的方法进行组合，获得用于木材纹理分类的算法；
[0012]S7、将带有木材纹理的图像数据输入木材纹理分类的算法中，得到木材纹理的分类结果。
[0013]进一步地，所述步骤S1中对图像数据进行预处理的方法为：
[0014]对采集的图像数据进行背景去除，使采集的图像数据中只保留纯木材图像数据；
[0015]对采集的图像数据提取木材纹理部分作为视野区域，将提取的视野区域作为数据库图像；
[0016]将图像数据中有缺陷的样本进行剔除。
[0017]进一步地，所述步骤S2中特征截取处理的方法为：将木材图像数据中木材纹理特征明显的区域进行裁剪，获取样本数据集。
[0018]进一步地，所述步骤S3中的样本数据集包括无纹理、山纹理和直纹理三种图像数据。
[0019]进一步地，所述步骤S3通过对样本数据集中的图像数据采用旋转、翻转和缩放进行数据增强，获得训练样本数据集和测试样本数据集。
[0020]进一步地，所述旋转包括：30
°
旋转和
‑
30
°
旋转；所述翻转包括随机水平翻转和随机竖直翻转；所述缩放为1：2缩放，对样本数据集中的图像数据进行处理并保存副本，从而使数据规模扩大到原来的6倍。
[0021]进一步地，所述步骤S3中训练样本数据集和测试样本数据集的比例为7:3。
[0022]进一步地，所述步骤S4中构得到识别木材纹理类别的卷积模型包的方法为：
[0023]构建VGG
‑
19木材纹理判断的迁移学习模型；
[0024]用训练样本数据集对VGG
‑
19木材纹理判断的迁移学习模型进行训练，训练参数设置：选择用小批量梯度下降优化算法，选用Multinomial Logistic Regression损失函数；
[0025]训练得到用于木材纹理判断的卷积模型包；
[0026]卷积模型包包括：CNN319纹理识别主模型、CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型，其中CNN319纹理识别主模型是用于识别纹理种类的，CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型是用于对CNN319纹理识别主模型识别结果进行验证与修正。
[0027]进一步地，所述步骤S5中识别准确度的计算公式为：
[0028][0029]其中，T表示该模型识别木材纹理的正确率，C为木材纹理判断的正确个数，S为木材纹理样本总数。
[0030]进一步地，所述步骤S6中用于木材纹理分类的算法为：
[0031]若卷积模型CNN319对木材纹理识别结果为山纹理“2”时，且判断卷积模型CNSWZ3对该图像运算所得的特征值大于某个阈值时，则用卷积模型CN435的识别结果比对卷积模型CNN319对该图像的识别结果；若不一致，即以卷积模型CN435的识别结果为最终识别结果，并输出对应识别结果的特征标码；
[0032]若卷积模型CNN319对木材纹理识别结果为无纹理“5”时，且判断卷积模型CNSWZ2对该图像运算所得的特征值不大于某个阈值时，即判定当前木材为无纹理，并分为无纹理类同时输出分类特征标码无纹理“5”；
[0033]若卷积模型CNN319对木材纹理分类标码为直纹理“6”时，即判定当前木材为直纹理并分为直纹理类，同时输出分类特征标码直纹理“6”；
[0034]若卷积模型CNN319对木材纹理识别结果为山纹理“7”时，且判断卷积模型CNSWZ2对该图像运算所得的特征值不大于某个阈值时，则用卷积模型CN435的识别结果比对卷积模型CNN319对该图像的识别结果，若不一致，即以卷积模型CN435模型识别结果为最终识别结果并输出对应识别结果的特征标码。
[0035]与现有技术相比，本专利技术的有益效果在于：
[0036]本专利技术涉及深度学习、计算机视觉技术、木材纹理检测方法交叉
，公开了一种基于迁移学习的木材纹理分类方法，通过获取木材图像数据并进行预处理得到训练数据；构建用于识别木材纹理类别的迁移学习模型；利用预训练的卷积模型进行训练后得到识别木材纹理类别的卷积模型；根据实际生产中的环境，以优化计算时间的方法将各模型计算所得的特征值与识别结果进行判断而得到最终的分类，本专利技术是根据实际生产情况所设计的，在可靠性、实用性方面均为良好，且在生产中能实现木材纹理的自动化分类，分类准确，节约时间和人力成本。
附图说明
[0037]图1为本专利技术的分类方法流程示意图。
[0038]图2为本专利技术最终判断木材纹理类型的逻辑流程图。
[0039]图3为本专利技术分类为无纹理类型的样本示意图。
[0040]图4为本专利技术分类为直纹理类型的样本示意图。
[0041]图5为本专利技术分类为山纹理类型的样本示意图。
[0042]图6为迁移学习模型结构示意图。
[0043]图7为训练验证准确度曲线图。
[0044]图8为损失函数曲线图。
具体实施方式
[0045]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的木材纹理分类方法，其特征在于，包括以下步骤：S1、采集带有木材纹理的图像数据，并对图像数据进行预处理；S2、对预处理后的图像数据进行特征截取处理，获得样本数据集；S3、将样本数据集中的图像数据进行数据增强后划分为训练样本数据集和测试样本数据集；S4、构建用于木材纹理判断的迁移学习模型，用训练样本数据集对迁移学习模型进行训练，得到识别木材纹理类别的卷积模型包；S5、用测试样本数据集对训练好的迁移学习模型进行识别准确度计算，得到迁移学习模型的识别准确度；S6、将卷积模型包中多个卷积模型的参数以优化计算时间的方法进行组合，获得用于木材纹理分类的算法；S7、将带有木材纹理的图像数据输入木材纹理分类的算法中，得到木材纹理的分类结果。2.如权利要求1所述的基于迁移学习的木材纹理分类方法，其特征在于，所述步骤S1中对图像数据进行预处理的方法为：对采集的图像数据进行背景去除，使采集的图像数据中只保留纯木材图像数据；对采集的图像数据提取木材纹理部分作为视野区域，将提取的视野区域作为数据库图像；将图像数据中有缺陷的样本进行剔除。3.如权利要求1所述的基于迁移学习的木材纹理分类方法，其特征在于，所述步骤S2中特征截取处理的方法为：将木材图像数据中木材纹理特征明显的区域进行裁剪，获取样本数据集。4.如权利要求3所述的基于迁移学习的木材纹理分类方法，其特征在于，所述步骤S3中的样本数据集包括无纹理、山纹理和直纹理三种图像数据。5.如权利要求4所述的基于迁移学习的木材纹理分类方法，其特征在于，所述步骤S3通过对样本数据集中的图像数据采用旋转、翻转和缩放进行数据增强，获得训练样本数据集和测试样本数据集。6.如权利要求5所述的基于迁移学习的木材纹理分类方法，其特征在于，所述旋转包括：30
°
旋转和
‑
30
°
旋转；所述翻转包括随机水平翻转和随机竖直翻转；所述缩放为1：2缩放，对样本数据集中的图像数据进行处理并保存副本，从而使数据规模扩大到原来的6倍。7.如权利要求1所述的基于迁移学习的木材纹理分类方法，其特征在于，所述步骤S3中训练样本数据集和测试样本数据集的比例为7:3。8.如权利要求1所述的基于迁移学习的木材纹理分类方法，其特征在...

【专利技术属性】
技术研发人员：凌巍炜，肖文博，占志良，刘晨禄，罗文强，赖钰玮，
申请(专利权)人：江西应用技术职业学院，
类型：发明
国别省市：