CN106778791A - 一种基于多重感知器的木材视觉识别方法 - Google Patents

一种基于多重感知器的木材视觉识别方法 Download PDF

Info

Publication number
CN106778791A
CN106778791A CN201710118330.4A CN201710118330A CN106778791A CN 106778791 A CN106778791 A CN 106778791A CN 201710118330 A CN201710118330 A CN 201710118330A CN 106778791 A CN106778791 A CN 106778791A
Authority
CN
China
Prior art keywords
timber
target
perceptron
visual identity
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710118330.4A
Other languages
English (en)
Inventor
张宇飞
王伟旭
杨川
李冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Tianheng Intelligent Manufacturing Technology Co., Ltd.
Original Assignee
Chengdu Science And Technology Ltd Of Tian Heng Electricity Section
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Science And Technology Ltd Of Tian Heng Electricity Section filed Critical Chengdu Science And Technology Ltd Of Tian Heng Electricity Section
Priority to CN201710118330.4A priority Critical patent/CN106778791A/zh
Publication of CN106778791A publication Critical patent/CN106778791A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明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，***即可根据学习到的特征，基于视觉***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，***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。

Description

一种基于多重感知器的木材视觉识别方法
技术领域
本发明涉及深度学习技术领域，特别涉及一种基于多重感知器的木材视觉识别方法。
背景技术
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***。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。
发明内容
为实现上述技术目的，达到上述技术效果，本发明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***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***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***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，本发明的有益效果是：通过自动化***、信息化***与视觉***的融合，该***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***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***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为本发明基于多重感知器的木材视觉识别方法的***流程图。
图2为本发明多层感知器的数学模型。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
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***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***中。训练样本越多，则***对目标的特征分类越准确。工厂在***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***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***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***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，***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***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，***在初始阶段可以稳定运行。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明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技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

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1所述的一种基于多重感知器的木材视觉识别方法，其特征在于：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***输入，主要为目标特征值；隐藏层包括了加权求和、激励函数。
3.根据权利要求1所述的一种基于多重感知器的木材视觉识别方法，其特征在于：所述目标的特征值提取由视觉***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。
4.根据权利要求3所述的特征提取方法，其特征在于：所述纹理信息包括目标能量、相关性、逆差距、对比度和图像熵。
CN201710118330.4A 2017-03-01 2017-03-01 一种基于多重感知器的木材视觉识别方法 Pending CN106778791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710118330.4A CN106778791A (zh) 2017-03-01 2017-03-01 一种基于多重感知器的木材视觉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710118330.4A CN106778791A (zh) 2017-03-01 2017-03-01 一种基于多重感知器的木材视觉识别方法

Publications (1)

Publication Number Publication Date
CN106778791A true CN106778791A (zh) 2017-05-31

Family

ID=58960745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710118330.4A Pending CN106778791A (zh) 2017-03-01 2017-03-01 一种基于多重感知器的木材视觉识别方法

Country Status (1)

Country Link
CN (1) CN106778791A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967491A (zh) * 2017-12-14 2018-04-27 北京木业邦科技有限公司 木板识别的机器再学习方法、装置、电子设备及存储介质
CN109145955A (zh) * 2018-07-26 2019-01-04 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109724543A (zh) * 2018-12-29 2019-05-07 南京林业大学 一种快速评价木材铣削加工性能的方法
CN111208138A (zh) * 2020-02-28 2020-05-29 天目爱视（北京）科技有限公司 一种智能木料识别装置
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN113610184A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 一种基于迁移学习的木材纹理分类方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101140216A (zh) * 2007-08-08 2008-03-12 东北电力大学 基于数字图像处理技术的气液两相流流型识别方法
CN101393137A (zh) * 2008-10-24 2009-03-25 胡伟 一种产品外观质量检测方法、***及检测设备
CN101398894A (zh) * 2008-06-17 2009-04-01 浙江师范大学 机动车车牌自动识别方法及其实现装置
CN102034098A (zh) * 2010-12-21 2011-04-27 上海电机学院 螺钉自动分类***以及螺钉自动分类方法
CN102323213A (zh) * 2011-08-25 2012-01-18 华北电力大学 基于火焰自由基的燃料种类的在线识别方法
CN102509113A (zh) * 2011-11-08 2012-06-20 浙江大学 一种脑瘤mib-1指数范围检测方法
CN102812357A (zh) * 2009-11-26 2012-12-05 马来西亚理工大学 木材树种的识别方法与***
CN105772407A (zh) * 2016-01-26 2016-07-20 耿春茂 一种基于图像识别技术的垃圾分类机器人
CN105825224A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 分类器族的获取方法和装置
CN106156768A (zh) * 2016-07-01 2016-11-23 屈桢深 基于视觉的机动车行驶证检测方法
CN106373127A (zh) * 2016-09-14 2017-02-01 东北林业大学 用于木材树种及表面缺陷的激光扫描并行检测方法
CN106415602A (zh) * 2016-08-25 2017-02-15 深圳市锐明技术股份有限公司 一种成对车道线的检测方法和装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101140216A (zh) * 2007-08-08 2008-03-12 东北电力大学 基于数字图像处理技术的气液两相流流型识别方法
CN101398894A (zh) * 2008-06-17 2009-04-01 浙江师范大学 机动车车牌自动识别方法及其实现装置
CN101393137A (zh) * 2008-10-24 2009-03-25 胡伟 一种产品外观质量检测方法、***及检测设备
CN102812357A (zh) * 2009-11-26 2012-12-05 马来西亚理工大学 木材树种的识别方法与***
CN102034098A (zh) * 2010-12-21 2011-04-27 上海电机学院 螺钉自动分类***以及螺钉自动分类方法
CN102323213A (zh) * 2011-08-25 2012-01-18 华北电力大学 基于火焰自由基的燃料种类的在线识别方法
CN102509113A (zh) * 2011-11-08 2012-06-20 浙江大学 一种脑瘤mib-1指数范围检测方法
CN105772407A (zh) * 2016-01-26 2016-07-20 耿春茂 一种基于图像识别技术的垃圾分类机器人
CN105825224A (zh) * 2016-03-10 2016-08-03 浙江生辉照明有限公司 分类器族的获取方法和装置
CN106156768A (zh) * 2016-07-01 2016-11-23 屈桢深 基于视觉的机动车行驶证检测方法
CN106415602A (zh) * 2016-08-25 2017-02-15 深圳市锐明技术股份有限公司 一种成对车道线的检测方法和装置
CN106373127A (zh) * 2016-09-14 2017-02-01 东北林业大学 用于木材树种及表面缺陷的激光扫描并行检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967491A (zh) * 2017-12-14 2018-04-27 北京木业邦科技有限公司 木板识别的机器再学习方法、装置、电子设备及存储介质
CN109145955A (zh) * 2018-07-26 2019-01-04 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109145955B (zh) * 2018-07-26 2019-10-22 中国林业科学研究院木材工业研究所 一种木材识别方法及***
CN109724543A (zh) * 2018-12-29 2019-05-07 南京林业大学 一种快速评价木材铣削加工性能的方法
CN111208138A (zh) * 2020-02-28 2020-05-29 天目爱视（北京）科技有限公司 一种智能木料识别装置
CN111695498A (zh) * 2020-06-10 2020-09-22 西南林业大学 一种木材同一性检测方法
CN113610184A (zh) * 2021-08-19 2021-11-05 江西应用技术职业学院 一种基于迁移学习的木材纹理分类方法
CN113610184B (zh) * 2021-08-19 2022-03-11 江西应用技术职业学院 一种基于迁移学习的木材纹理分类方法

Similar Documents

Publication Publication Date Title
CN106778791A (zh) 一种基于多重感知器的木材视觉识别方法
Kumar et al. Resnet-based approach for detection and classification of plant leaf diseases
CN104573731B (zh) 基于卷积神经网络的快速目标检测方法
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN109800628A (zh) 一种加强ssd小目标行人检测性能的网络结构及检测方法
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
CN109508655A (zh) 基于孪生网络的不完备训练集的sar目标识别方法
CN104462494B (zh) 一种基于无监督特征学习的遥感图像检索方法及***
CN110363253A (zh) 一种基于卷积神经网络的热轧带钢表面缺陷分类方法
CN106504064A (zh) 基于深度卷积神经网络的服装分类与搭配推荐方法及***
CN104504007B (zh) 一种图像相似度的获取方法及***
CN104463209A (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN109858476B (zh) 标签的扩充方法和电子设备
CN104102920A (zh) 一种基于形态学多特征融合的害虫图像分类方法及***
CN110321862B (zh) 一种基于紧致三元损失的行人再识别方法
CN109145944B (zh) 一种基于纵向三维图像深度学习特征的分类方法
CN109871892A (zh) 一种基于小样本度量学习的机器人视觉认知***
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
CN106651915A (zh) 基于卷积神经网络的多尺度表达的目标跟踪方法
CN104063686A (zh) 作物叶部病害图像交互式诊断***与方法
CN104050460B (zh) 多特征融合的行人检测方法
CN108664986A (zh) 基于lp范数正则化的多任务学习图像分类方法及***
CN110414626A (zh) 一种猪只品种识别方法、装置和计算机可读存储介质
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN114492634B (zh) 一种细粒度装备图片分类识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191129

Address after: 610041 5 / F, zone B, building 3, No.200, Tianfu 5th Street, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan Province

Applicant after: Chengdu Tianheng Intelligent Manufacturing Technology Co., Ltd.

Address before: 610213 Shuangliu County Economic Development Zone, Southwest Airlines Development Zone, Chengdu, Sichuan, Chengdu, Chengdu University of Electronic Science and technology of China

Applicant before: Chengdu Science and Technology Ltd. of Tian Heng electricity section

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170531