木纹分类模型的训练方法、木纹分类方法、装置及设备制造方法及图纸

本发明专利技术提供一种木纹分类模型的训练方法、木纹分类方法、装置及设备。该方法包括：对原始木纹图像进行扩充，得到扩充后的原始木纹图像数据集；对原始木纹图像数据集进行缩放，得到缩放图像数据集；对原始木纹图像数据集进行中心裁剪，得到裁剪图像数据；采用缩放图像数据集训练初始全局模型，得到训练好的全局模型；采用裁剪图像数据集训练初始局部模型，得到训练好的局部模型；将扩充后的原始木纹图像数据集输入初始全局

【技术实现步骤摘要】
木纹分类模型的训练方法、木纹分类方法、装置及设备


[0001]本专利技术涉及图像处理
，尤其涉及一种木纹分类模型的训练方法、木纹分类方法、装置及设备。

技术介绍

[0002]利用木材的纹理图像对木材的纹理进行识别，已经成为当下木材纹理常用的识别方法。在过去的几年里，研究人员探索了各种类型的木材纹理图像识别方法。
[0003]然而，目前的木材纹理图像识别方法，无法对一些纹理近似的木材进行准确的识别，譬如：由于木纹的形状与对原木切割的方式有着紧密的联系，往往存在局部范围内难以准确识别，需要全局的特征信息才能准确识别问题，但是对于像血檀与小叶紫檀两种十分接近的木纹，如果采用全局的特征信息尽进行识别，就无法获得准确的识别结果。

技术实现思路

[0004]本专利技术提供一种木纹分类模型的训练方法、木纹分类方法、装置及设备，用以解决现有技术中针对两种相似的木材纹理图像无法准确的缺陷，实现相似的两种木材纹理图像能够准确识别的目的。
[0005]本专利技术提供一种木纹分类模型的训练方法，包括：
[0006]获取原始木纹图像；
[0007]对所述原始木纹图像进行扩充，得到扩充后的原始木纹图像数据集；
[0008]对所述原始木纹图像数据集进行缩放，得到缩放图像数据集；所述缩放图像数据集保留所述原始木纹图像的全局信息，细节信息不全；对所述原始木纹图像数据集进行中心裁剪，得到裁剪图像数据，所述裁剪图像数据集保留所述原始木纹图像的局部细节信息，全局信息不全；
[0009]利用所述缩放图像数据集训练初始全局模型，得到训练好的全局模型；利用所述裁剪图像数据集训练初始局部模型，得到训练好的局部模型；
[0010]将扩充后的所述原始木纹图像数据集输入初始全局
‑
局部模型进行训练，得到训练好的全局
‑
局部模型；所述初始全局
‑
局部模型由所述训练好的全部模型与训练好的局部模型拼接构成；
[0011]以所述训练好的全局
‑
局部模型作为木纹分类模型。
[0012]根据本专利技术提供的一种木纹分类模型的训练方法，所述对所述原始木纹图像进行扩充，得到原始木纹图像数据集包括：
[0013]将所述原始木纹图像划分为第一训练集、第一验证集和第一测试集；
[0014]将所述第一训练集、第一验证集的图像分别按照网格化的方式，从左往右、从上往下，以预设数值重叠率的方式裁剪出预设分辨率的图像，分别作为第二训练集和第二验证集；
[0015]将所述第一测试集的图像按照网格化的方式，从左往右、从上往下，0％重叠率的
方式裁剪出所述预设分辨率的图像作为所述第二测试集。
[0016]根据本专利技术提供的一种木纹分类模型的训练方法，所述对所述原始木纹图像数据集进行缩放，得到缩放图像数据集包括：
[0017]对所述第二训练集的图像数据集进行缩放，得到第三缩放训练集；对所述第二验证集的图像数据集进行缩放，得到第三缩放验证集；对所述第二测试集的图像数据集进行缩放，得到第三缩放测试集；
[0018]所述对所述原始木纹图像数据集进行中心裁剪，得到裁剪图像数据集包括：
[0019]对所述第二训练集的图像数据集进行中心裁剪，得到第三裁剪训练集；对所述第二验证集的图像数据集进行中心裁剪，得到第三裁剪验证集；对所述第二测试集的图像数据集进行中心裁剪，得到第三裁剪测试集。
[0020]根据本专利技术提供的一种木纹分类模型的训练方法，所述利用所述缩放图像数据集训练全局模型，得到训练好的全局模型包括：
[0021]将所述第三缩放训练集输入所述初始全局模型，利用所述第三缩放验证集对训练后的全局模型参数进行调整，得到所述训练好的全局模型，利用所述第三缩放测试集对调整后的全局模型进行测试，评估全局模型的分类性能；
[0022]所述利用所述裁剪图像数据集训练初始局部模型，得到训练好的局部模型包括：
[0023]将所述第三裁剪训练集输入所述初始局部模型，利用所述第三裁剪验证集对训练后的局部模型参数进行调整，得到所述训练好的局部模型，利用所述第三裁剪测试集对调整后的局部模型进行测试，评估局部模型的分类性能。
[0024]根据本专利技术提供的一种木纹分类模型的训练方法，所述初始全局
ꢀ‑
局部模型采用以下方法构建得到：
[0025]移除所述训练好的全局模型的全连接层，得到全局特征提取器；移除所述训练好的局部模型的全连接层，得到局部特征提取器；
[0026]将所述全局特征提取器与所述局部特征提取器的输出进行拼接，并在拼接后的输出端依次加入卷积层和全连接层，最终构建得到所述初始全局
‑
局部模型。
[0027]根据本专利技术提供的一种木纹分类模型的训练方法，所述将扩充后的所述原始木纹图像数据集输入初始全局
‑
局部模型进行训练，得到训练好的全局
‑
局部模型包括：
[0028]将所述第二训练集输入初始全局
‑
局部模型进行训练，利用所述第二验证集对训练后的全局
‑
局部模型参数进行调整，得到训练好的所述全局
‑
局部模型，利用所述第二测试集对调整后的全局
‑
局部模型进行测试，评估全局
‑
局部模型的分类性能。
[0029]本专利技术还提供一种木纹分类方法，包括：
[0030]获取待分类的木纹图像；
[0031]将所述待分类的木纹图像进行缩放，得到预设分辨率的待分类的缩放木纹图像；将所述待分类的木纹图像进行中心裁剪，得到预设分辨率的待分类的裁剪木纹图像；
[0032]将所述待分类的缩放木纹图像与待分类的裁剪木纹图像输入训练好的全局
‑
局部模型中，并获取所述全局
‑
局部模型的预测结果；
[0033]其中，所述全局
‑
局部模型用于对木材的纹理进行预测；所述预测结果用于指示输入的木纹图像对应哪种木材。
[0034]本专利技术还提供一种木纹分类模型训练装置，包括：
[0035]获取单元，用于获取原始木纹图像；
[0036]扩充单元，用于对所述原始木纹图像进行扩充，得到扩充后的原始木纹图像数据集；
[0037]处理单元，用于对所述原始木纹图像数据集进行缩放，得到缩放图像数据集；所述缩放图像数据集保留所述原始木纹图像的全局信息，细节信息不全；对所述原始木纹图像数据集进行中心裁剪，得到裁剪图像数据，所述裁剪图像数据集保留所述原始木纹图像的局部细节信息，全局信息不全；
[0038]训练单元，用于利用所述缩放图像数据集训练初始全局模型，得到训练好的全局模型；利用所述裁剪图像数据集训练初始局部模型，得到训练好的局部模型；
[0039]所述训练单元，还用于将扩充后的所述原始木纹图像数据集输入初始全局
‑
局部模型进行训练，得到训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种木纹分类模型的训练方法，其特征在于，包括：获取原始木纹图像；对所述原始木纹图像进行扩充，得到扩充后的原始木纹图像数据集；对所述原始木纹图像数据集进行缩放，得到缩放图像数据集；所述缩放图像数据集保留所述原始木纹图像的全局信息，细节信息不全；对所述原始木纹图像数据集进行中心裁剪，得到裁剪图像数据，所述裁剪图像数据集保留所述原始木纹图像的局部细节信息，全局信息不全；利用所述缩放图像数据集训练初始全局模型，得到训练好的全局模型；利用所述裁剪图像数据集训练初始局部模型，得到训练好的局部模型；将扩充后的所述原始木纹图像数据集输入初始全局
‑
局部模型进行训练，得到训练好的全局
‑
局部模型；所述初始全局
‑
局部模型由所述训练好的全部模型与训练好的局部模型拼接构成；以所述训练好的全局
‑
局部模型作为木纹分类模型。2.根据权利要求1所述的木纹分类模型的训练方法，其特征在于，所述对所述原始木纹图像进行扩充，得到原始木纹图像数据集包括：将所述原始木纹图像划分为第一训练集、第一验证集和第一测试集；将所述第一训练集、第一验证集的图像分别按照网格化的方式，从左往右、从上往下，以预设数值重叠率的方式裁剪出预设分辨率的图像，分别作为第二训练集和第二验证集；将所述第一测试集的图像按照网格化的方式，从左往右、从上往下，0％重叠率的方式裁剪出所述预设分辨率的图像作为所述第二测试集。3.根据权利要要求2所述的木纹分类模型的训练方法，其特征在于，所述对所述原始木纹图像数据集进行缩放，得到缩放图像数据集包括：对所述第二训练集的图像数据集进行缩放，得到第三缩放训练集；对所述第二验证集的图像数据集进行缩放，得到第三缩放验证集；对所述第二测试集的图像数据集进行缩放，得到第三缩放测试集；所述对所述原始木纹图像数据集进行中心裁剪，得到裁剪图像数据集包括：对所述第二训练集的图像数据集进行中心裁剪，得到第三裁剪训练集；对所述第二验证集的图像数据集进行中心裁剪，得到第三裁剪验证集；对所述第二测试集的图像数据集进行中心裁剪，得到第三裁剪测试集。4.根据权利要求3所述的木纹分类模型的训练方法，其特征在于，所述利用所述缩放图像数据集训练全局模型，得到训练好的全局模型包括：将所述第三缩放训练集输入所述初始全局模型，利用所述第三缩放验证集对训练后的全局模型参数进行调整，得到所述训练好的全局模型，利用所述第三缩放测试集对调整后的全局模型进行测试，评估全局模型的分类性能；所述利用所述裁剪图像数据集训练初始局部模型，得到训练好的局部模型包括：将所述第三裁剪训练集输入所述初始局部模型，利用所述第三裁剪验证集对训练后的局部模型参数进行调整，得到所述训练好的局部模型，利用所述第三裁剪测试集对调整后的局部模型进行测试，评估局部模型的分类性能。5.根据权利要求2所述的木纹分类模型的训练方法，其特征在于，所述将扩充后的所述
原始木纹图像数据集输入初始全局
‑
局部模型进行训练，得到训练好的全局
‑
局部模型包括：将所述第二训练集输入初始全局
‑
局部模型进行训练，利用所述第二验证集对训练后的全局
‑
局部模型参数进行调整，得到训练...

【专利技术属性】
技术研发人员：满旺，朱祎，杜晓凤，王桂松，李晖，聂芹，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：