CN108447054B - 木材缺陷样本获取方法、装置、电子设备及存储介质 - Google Patents
木材缺陷样本获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108447054B CN108447054B CN201810240671.3A CN201810240671A CN108447054B CN 108447054 B CN108447054 B CN 108447054B CN 201810240671 A CN201810240671 A CN 201810240671A CN 108447054 B CN108447054 B CN 108447054B
- Authority
- CN
- China
- Prior art keywords
- wood
- sample data
- defect
- qualified
- wood sample
- 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.)
- Active
Links
- 239000002023 wood Substances 0.000 title claims abstract description 489
- 230000007547 defect Effects 0.000 title claims abstract description 257
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002950 deficient Effects 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 20
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 241000894007 species Species 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 241000238631 Hexapoda Species 0.000 description 6
- 241000607479 Yersinia pestis Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 description 5
- 244000082946 Tarchonanthus camphoratus Species 0.000 description 5
- 235000005701 Tarchonanthus camphoratus Nutrition 0.000 description 5
- 235000018185 Betula X alpestris Nutrition 0.000 description 4
- 235000018212 Betula X uliginosa Nutrition 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000009984 Pterocarpus indicus Nutrition 0.000 description 3
- 244000086363 Pterocarpus indicus Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30161—Wood; Lumber
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开实施例公开了一种木材缺陷样本获取方法、装置、电子设备及存储介质。方法包括：获取合格木材样本数据；根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。通过这种方式，在人工智能模型的训练初期，克服了由于缺陷木材样本的缺失，导致训练出来的人工智能模型无法识别木材缺陷以及识别精度低下的问题，并且简化了缺陷木材样本数据的获取方式，节省了成本。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及一种木材缺陷样本获取方法、装置、电子设备及计算机可读存储介质。
背景技术
木材工厂需要对木材进行品质检测，包括样本质量等级和缺陷样本识别。从初期的人工视觉检测，到机器视觉检测，再到如今的机器学习检测，每一个新的阶段相比前一个旧的阶段，在性能或效率上都有提高。机器学习检测需要先对神经网络进行训练，训练后的模型再用于检测。神经网络训练需要带有标记分类数据的训练样本。样本数据一般由木材工厂采集木材图像，由标注人员进行分类标注获得。
然而，一般在木材加工厂中，能获得的木材合格样本很多，缺陷样本很少，样本的不平衡分布使得缺陷样本并不容易获得，这样训练出的神经网络只能识别合格木材，而对缺陷木材识别能力不高或精度不高。此外，不同种类木材的合格样本特征不同，不能直接将一个其他种类的识别模型移植到一个新的木材种类或产品之中。因此，需要一种木材缺陷样本合成方法，利用现有资源可以合成充足的工厂所需木材种类的缺陷样本，进而用于加快用于一个新的木材产品或品种识别的神经网络训练。
发明内容
本公开实施例提供一种木材缺陷样本获取方法、装置、电子设备及计算机可读存储介质。
第一方面，本公开实施例中提供了一种木材缺陷样本获取方法,包括：
获取合格木材样本数据；
根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；
将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
可选地，根据合格木材样本数据获取已有缺陷特征图像，包括：
在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；
从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像。
可选地，所述方法还包括：
在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
可选地，所述合格木材样本数据包括合格木材样本图像及标注数据；将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据，包括：
将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
可选地，所述方法还包括：
调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
可选地，调节合成后所述已有缺陷特征图像的交界区域的纹理特征，包括：
利用低通滤波器对所述交界区域的纹理特征进行滤波。
可选地，调节所述合格木材样本图像上所述已有缺陷特征图像的交界区域的纹理特征，包括：
使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
可选地，将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据，还包括：
生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
可选地，所述方法还包括：
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
可选地，所述方法还包括：
将所述缺陷木材样本数据输出给客户端。
第二方面，本公开实施例提出了一种木材缺陷样本获取装置，包括：
第一获取模块，被配置为获取合格木材样本数据；
第二获取模块，被配置为根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；
合成模块，被配置为将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
可选地，所述第二获取模块，包括：
第一获取子模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；
提取子模块，被配置为从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像。
可选地，所述装置还包括：
第三获取模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
可选地，所述合格木材样本数据包括合格木材样本图像及标注数据；所述合成模块，包括：
合成子模块，被配置为将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
可选地，所述装置还包括：
调节模块，被配置为调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
可选地，所述调节模块，包括：
滤波子模块，被配置为利用低通滤波器对所述交界区域的纹理特征进行滤波。
可选地，所述调节模块，包括：
图像处理子模块，被配置为使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
可选地，所述合成模块，还包括：
标注子模块，被配置为生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
可选地，所述装置还包括：
第一训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
第二训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
可选地，所述装置还包括：
输出模块，被配置为将所述缺陷木材样本数据输出给客户端。
所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，木材缺陷样本获取装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持木材缺陷样本获取装置执行上述第一方面中木材缺陷样本获取方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。所述木材缺陷样本获取装置还可以包括通信接口，用于木材缺陷样本获取装置与其他设备或通信网络通信。
第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。
第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储木材缺陷样本获取装置所用的计算机指令，其包含用于执行上述第一方面中木材缺陷样本获取方法所涉及的计算机指令。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开实施例在获得合格木材样本数据后，从已有的缺陷样本数据中提取已有缺陷特性图像，并将已有缺陷特征图像合成到合格木材样本图像上，得到与合格木材样本数据的木材种类相同的缺陷木材样本数据。通过这种方式，在人工智能模型的训练初期，克服了由于缺陷木材样本的缺失，导致训练出来的人工智能模型无法识别木材缺陷以及识别精度低下的问题，并且简化了缺陷木材样本数据的获取方式，节省了成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的木材缺陷样本获取方法的流程图；
图2示出根据图1所示实施方式的步骤S102的流程图；
图3示出根据本公开一实施方式的将提取的已有缺陷特征图像全部覆盖在合格木材样本图像上的示意图；
图4示出根据本公开一实施方式的已有缺陷特征图像部分覆盖在合格木材样本图像上的示意图；
图5示出根据本公开一实施方式的已有缺陷特征图像部分覆盖在合格木材样本图像上的又一示意图；
图6示出根据本公开一实施方式的VGG网络示意图；
图7示出根据本公开一实施方式的木材缺陷样本获取装置的结构框图；
图8是适于用来实现根据本公开一实施方式的木材缺陷样本获取方法的电子设备的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在木材加工厂中，能获得的木材合格样本很多，但是缺陷样本很少，样本的不平衡分布使得缺陷样本并不容易获得，这样训练出的人工智能模型只能识别合格木材，而缺陷木材的识别能力不高或精度不够。而且经过实验还发现不同种类木材的合格样本特征不同，不能直接将一个其他种类的识别模型移植到一个新的木材种类或产品之中，但是某些不同种类木材的缺陷样本特征又比较类似。因此，本公开实施例提出了一种木材缺陷样本的获取方法，可以使用工厂的合格样本和云端的缺陷样本进行合成，得到工厂所需木材种类的缺陷样本，用于加快用于一个新的木材产品或品种识别的人工智能模型的训练。
图1示出根据本公开一实施方式的木材缺陷样本获取方法的流程图。如图1所示，所述木材缺陷样本获取方法包括以下步骤S101-S103：
在步骤S101中，获取合格木材样本数据；
在步骤S102中，根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；
在步骤S103中，将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
本实施例中，合格木材样本数据可以是工厂提供的认为没有缺陷的木材样本的数据，包括木材样本的图像、木材种类等。已有缺陷木材样本数据库可以存储已知的一些具有缺陷的不合格木材样本数据，包括不合格木材样本数据的图像、缺陷信息、木材类别等；缺陷信息可以包括缺陷的位置、缺陷的种类等。缺陷特征图像可以是从不合格木材样本数据中提取出来的缺陷部位的图像。在一实施例中，可以通过预先定义的方式根据合格木材样本数据获得相应的已有缺陷特征图像，并将已有缺陷特征图像合成到合格木材样本图像上，得到与合格木材样本的木材类别相同的缺陷木材样本数据，以扩充与合格木材样本对应的不合格木材样本数据，为进一步训练人工智能模型提供基础。
在本实施例的一个可选实现方式中，如图2所示，所述步骤S102，即根据合格木材样本数据获取已有缺陷特征图像的步骤，进一步包括以下步骤S201-S202：
在步骤S201中，在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；
在步骤S202中，从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像。
该可选的实现方式中，所获取的合格木材样本数据中可以包括合格木材样本的木材种类，在获取已有缺陷特征图像时，可以先查看已有缺陷木材样本数据库中与该木材种类相同的缺陷木材样本的数量是否不够多，即是否小于或等于第一预设阈值，如果是的话，则从已有缺陷木材样本数据库中获取与该木材种类不同的缺陷木材样本，并从不同的缺陷木材样本中提取缺陷特征图像，进而将所提取的缺陷特征图像合成到合格木材样本的图像上。木材缺陷的类别可以包括多种，例如木材缺陷类别可以分为活节、死节、腐朽、裂纹、虫害等，因此可以从已有缺陷木材样本数据库中获取具有多种木材缺陷类别的第二已有缺陷木材样本数据，并获得多种类别的已有缺陷特征图像，进而获得多种与合格木材样本的木材种类相同但是缺陷类别不同的缺陷木材样本数据。
在本实施例的一个可选实现方式中，木材缺陷样本获取方法还包括：
在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
该可选的实现方式中，已有缺陷木材样本数据库中与合格木材样本同种类的第一已有缺陷木材样本数据较多，即大于第一预设阈值时，可以直接从已有缺陷木材样本数据库中获得与合格木材样本同种类的已有缺陷木材样本数据，而不用利用其它种类木材的缺陷特征图像进行合成。
在本实施例的一个可选实现方式中，所述合格木材样本数据包括合格木材样本图像及标注数据；将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据，包括：
将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
该可选的实现方式中，在合成图像时，可以通过将已有缺陷特征图像的部分或者全部覆盖在合格木材样本图像的预设区域来完成。预设区域可以在合格木材样本图像的任意位置，例如中间位置、边缘位置等。图3示出了将提取的已有缺陷特征图像全部覆盖在合格木材样本图像上的示意图；图4和图5分别示出了已有缺陷特征图像部分覆盖在合格木材样本图像上的示意图。
在本实施例的一个可选实现方式中，木材缺陷样本获取方法还包括：调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
该可选的实现方式中，在将已有缺陷特征图像合成到合格木材样本图像上后，可以通过调整已有缺陷特征图像与合格木材样本图像交界处的纹理特征，使得已有缺陷特征图像与合格木材样本图像交界处的纹理特征趋于一致，即纹理特征差别小于预设阈值，这样可以使得合格木材样本图像上的纹理走向能够自然过渡到已有缺陷特征图像的纹理走向，使二者纹理有机连接。在调节过程中，可以尽可能的不牺牲已有缺陷特征图像，但是也可以对已有缺陷特征图像边界处的部分图像做一些小的调整。交界区域可以是将已有缺陷特征图像部分或全部覆盖在合格木材样本图像上后，已有缺陷特征图像与合格木材样本图像交界处的区域，包括但不限于合格木材样本图像的一部分、已有缺陷特征图像的一部分或者是两者的组合。在操作过程中，可以保持已有缺陷特征图像不变，而调整已有缺陷特征图像边界外的部分合格木材样本图像的纹理特征，也可以保持合格木材样本图像不变，而调整已有缺陷特征图像边界内的部分图像的纹理特征，还可以共同调整已有缺陷特征图像边界内的部分图像和已有缺陷特征图像边界外的部分合格木材样本图像的纹理特征，具体可以根据实际情况进行操作，在此不做限制。
在本实施例的一个可选实现方式中，调节合成后所述已有缺陷特征图像的交界区域的纹理特征的步骤，进一步包括以下步骤：
利用低通滤波器对所述交界区域的纹理特征进行滤波。
该可选的实现方式中，可以通过一个低通滤波器即可达实现调节纹理特征的目的。例如，交界区域合格木材样本图像的纹理特征与已有缺陷特征图像的纹理特征差别很大，此差别会产生高频分量，因此通过一个低通滤波器后，可以削弱高频分量，使得二者的纹理走向差别趋于一致。
在本实施例的一个可选实现方式中，调节合成后所述已有缺陷特征图像的交界区域的纹理特征的步骤，进一步包括以下步骤：
使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
该可选的实现方式中，可以通过训练一人工智能模型，如卷积神经网络，使用该人工智能模型对交界区域的图像进行风格迁移，以将已有缺陷特征图像迁移到合格木材样本图像上。通过训练后，卷积神经网络中的内容表示和风格表示可以很好地分离，卷积神经网络中的高层特征响应结果可以作为内容表示，而卷积神经网络中不同层不同特征间的关系可以作为风格表示。例如，通过两个VGG网络，匹配已有缺陷特征图像的风格表示构建一个图像，在白噪声图像上使用梯度下降算法最小化合格木材样本图像的克莱姆矩阵和生成图像的克莱姆矩阵的平均平方距离来实现。
图6示出了根据本公开实施例的一VGG卷积神经网络示意图。如图6所示，该VGG网络共19层，特征空间由包含的16个卷积层和5个池化层提供，
为输入的缺陷图像，
为设置在交界区域的一个环包络带，
为不断经梯度下降得到的环包络带生成图像。
通过人工智能模型可以使图像信息更明显，并且通过人工智能模型将图像的内容和图像的自然风格分离之后再合并，使得合成后的图像质量较高，更加接近真实图像。
在本实施例的一个可选实现方式中，将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据的步骤，进一步包括以下步骤：
生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
该可选的实现方式中，将已有缺陷特征图像合成到合格木材样本图像上后，可以对得到的缺陷木材样本图像进行标注，如缺陷木材样本是否有缺陷、缺陷类别等，缺陷木材样本的缺陷类别可以标注为合格木材样本的木材类别。通过这种方式，能够从合格木材样本数据获得同种类的缺陷木材样本数据，扩充了缺陷木材样本，克服了实际情况下缺陷木材样本难以得到的问题。
在本实施例的一个可选实现方式中，所述方法进一步包括以下步骤：
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
该可选的实现方式中，在获取了缺陷木材样本数据后，可以将合格木材样本数据和缺陷木材样本数据分别作为正样本和负样本，对人工智能模型进行训练，在正样本和负样本的数量积累到一定程度后，可以得到能够识别木材缺陷的木材缺陷识别模型。该木材缺陷识别模型如果是在云端训练得到的，还可以将该木材缺陷识别模型输出给客户端，以便客户端使用该模型进行木材的识别。
在本实施例的一个可选实现方式中，所述方法进一步包括以下步骤：将所述缺陷木材样本数据输出给客户端。
该可选的实现方式中，在获得了缺陷木材样本数据后，可以将缺陷木材样本数据输出给客户端，并由客户端利用该缺陷木材样本数据对人工智能模型进行训练，最终得到一个识别能力较高的木材缺陷识别模型。
本公开实施例提出的上述木材缺陷样本获取方法适用于木材加工厂没有足够多或者无法收集足够多的缺陷木材样本数据的情况下，可以通过请求云端***来获得木材缺陷样本，或者直接从云端***获得木材缺陷识别模型。
云端***可以从多个不同的木材加工厂客户端收集合格木材样本数据和缺陷木材样本数据，并且在客户端提出请求时，根据客户端的请求为客户端合成缺陷木材样本数据或者直接提供训练好的木材缺陷识别模型。随着云端***缺陷木材样本的积累，云端***可以使得缺陷木材样本数据中不同木材种类数量均衡化，避免合成的新缺陷木材样本的缺陷类别分布不平衡而影响人工智能模型的性能。例如，木材缺陷类别可以分为活节、死节、腐朽、裂纹、虫害等，如果云端数据库中活节、死节、腐朽类别的样本数目占比很高，裂纹、虫害类别的样本数目占比很低，那么云端数据库可以定向积累裂纹、虫害类别的缺陷木材样本。
在具体应用过程中，木材工厂对采集的合格木材样本进行类别标注。合格木材样本的木纹种类可以有横纹、竖纹、斜纹、包络纹等多种，木材种类也可以有樟木、桦木、红木、柞木等多种，因此，合格木材样本的木纹种类标注可以将木材种类也包括在内，譬如{樟木，横纹}，{樟木，竖纹}，{桦木，斜纹}，{桦木，包络纹}，{红木，竖纹}，{红木，包络纹}等。
在云端***，对新合成的缺陷木材样本进行标注时，标注数据中的缺陷类别可以直接拷贝合成是所使用的已有缺陷特征图像的缺陷类别，而标注数据中的木材种类可以更改为合成时所使用合格木材样本的木材种类。例如，樟木的合格木材样本与桦木的裂纹缺陷木材样本合成后，标注数据可以为{樟木，裂纹}。
人工智能模型可以采用神经网络。对神经网络的训练可以有两种方式。第一，云端基于所有标注样本，训练一神经网络。第二，工厂基于所有标注样本，直接训练一本地神经网络。
对于第一种训练方式，云端也可以通过网络将训练后的神经网络传给木材工厂，或者只在云端为木材工厂提供木材分类服务。
对于第二种训练方式，工厂也可以继续训练已有的神经网络，将木材识别能力扩展至新的木材种类。
在神经网络训练的初期，木材样本很少，缺陷木材样本非常少的情况下，神经网络是无法工作的，如果等待样本积累到一定数量的话，那么在相当长时间内，神经网络无法进行木材分类的工作。或者说，即使在神经网络训练到一定阶段，云端的缺陷木材样本的合成也对神经网络的性能有明显的提升作用，因为缺陷木材样本在总样本中的分布不平衡，缺陷样本数量远小于合格木材样本数量，缺陷木材样本种类的单一，这都会使得所训练的神经网络没有足够识别缺陷木材的能力。而经过云端缺陷木材样本的合成，训练后的神经网络对于缺陷木材的识别能力将大幅提升，和合格木材的识别能力相当。例如，合格木材样本数量为100，其中横纹30，竖纹25，斜纹25，包络纹20，而缺陷木材样本数量为0，那么神经网络的识别能力：横纹0.9，竖纹0.85，斜纹0.85，包络纹0.8，缺陷0，经过云端合成缺陷木材样本后，缺陷木材样本数量为100，活节25，死节20，腐朽20，裂纹20、虫害15，那么神经网络的识别能力：横纹0.9，竖纹0.85，斜纹0.85，包络纹0.8，活节0.8，死节0.75，腐朽0.75，裂纹0.75、虫害0.7。
或者，对一种木材缺陷的识别能力很好的神经网络，面对新的木材种类时，其性能和训练初期的神经网络类似，此时，云端缺陷木材样本合成服务具有重要意义。
随着新木材样本获取数量越来越多，缺木材样本数量也会越来越多，缺陷木材样本数量占总样本比例也会越来越高，缺陷木材样本类别分布也越来越平衡，本地获取的缺陷样本数量已足够支持神经网络识别到各种不同类别的木材缺陷时，木材工厂可以不再依赖于云端的缺陷木材样本的合成服务。
下述为本公开装置实施例，可以用于执行本公开方法实施例。
图7示出根据本公开一实施方式的木材缺陷样本获取装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图7所示，所述木材缺陷样本获取装置包括第一获取模块701、第二获取模块702和合成模块703：
第一获取模块701，被配置为获取合格木材样本数据；
第二获取模块702，被配置为根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；
合成模块703，被配置为将所述已有缺陷特征图像和所述合格木材样本数据合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
在本实施例的一个可选实现方式中，所述第二获取模块，包括：
第一获取子模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；
提取子模块，被配置为从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像。
在本实施例的一个可选实现方式中，所述装置还包括：
第三获取模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
在本实施例的一个可选实现方式中，所述合格木材样本数据包括合格木材样本图像及标注数据；所述合成模块，包括：
合成子模块，被配置为将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
在本实施例的一个可选实现方式中，所述装置还包括：
调节模块，被配置为调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
在本实施例的一个可选实现方式中，所述调节模块，包括：
滤波子模块，被配置为利用低通滤波器对所述交界区域的纹理特征进行滤波。
在本实施例的一个可选实现方式中，所述调节模块，包括：
图像处理子模块，被配置为使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
在本实施例的一个可选实现方式中，所述合成模块，还包括：
标注子模块，被配置为生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
在本实施例的一个可选实现方式中，所述装置还包括：
第一训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
第二训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
在本实施例的一个可选实现方式中，所述装置还包括：
输出模块，被配置为将所述缺陷木材样本数据输出给客户端。
上述木材缺陷样本获取装置与图1所示实施例及相关部分描述的木材缺陷样本获取方法对应一致，具体细节可参见对木材缺陷样本获取方法的描述，在此不再赘述。
图8是适于用来实现根据本公开实施方式的木材缺陷样本获取方法的电子设备的结构示意图。
如图8所示，电子设备800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行上述图1所示的实施方式中的各种处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。CPU801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施方式，上文参考图1描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。
附图中的流程图和框图，图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种木材缺陷样本获取方法，其特征在于，包括：
获取合格木材样本数据；
根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；其中，在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像；
通过训练后的卷积神经网络人工智能模型，对交界区域的图像进行风格迁移，将所述已有缺陷特征图像迁移到所述合格木材样本数据上，合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据；其中，所述卷积神经网络通过训练后，高层特征响应结果作为内容表示，不同层不同特征间的关系作为风格表示。
2.根据权利要求1所述的木材缺陷样本获取方法，其特征在于，还包括：
在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
3.根据权利要求1所述的木材缺陷样本获取方法，其特征在于，所述合格木材样本数据包括合格木材样本图像及标注数据；所述合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据，包括：
将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
4.根据权利要求3所述的木材缺陷样本获取方法，其特征在于，还包括：
调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
5.根据权利要求4所述的木材缺陷样本获取方法，其特征在于，调节合成后所述已有缺陷特征图像的交界区域的纹理特征，包括：
利用低通滤波器对所述交界区域的纹理特征进行滤波。
6.根据权利要求4所述的木材缺陷样本获取方法，其特征在于，调节所述合格木材样本图像上所述已有缺陷特征图像的交界区域的纹理特征，包括：
使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
7.根据权利要求1所述的木材缺陷样本获取方法，其特征在于，所述合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据，还包括：
生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
8.根据权利要求1所述的木材缺陷样本获取方法，其特征在于，还包括：
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
9.根据权利要求1所述的木材缺陷样本获取方法，其特征在于，还包括：
将所述缺陷木材样本数据输出给客户端。
10.一种木材缺陷样本获取装置，其特征在于，包括：
第一获取模块，被配置为获取合格木材样本数据；
第二获取模块，被配置为根据合格木材样本数据获取已有缺陷特征图像；所述已有缺陷特征图像为从已有缺陷木材样本数据库中得到的；其中所述第二获取模块包括：第一获取子模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数小于等于第一预设阈值时，从所述已有缺陷木材样本数据库中获得与所述合格木材样本数据的木材类别不同的第二已有缺陷木材样本数据；提取子模块，被配置为从所述第二已有缺陷木材样本数据中提取所述已有缺陷特征图像；
合成模块，被配置为通过训练后的卷积神经网络人工智能模型，对交界区域的图像进行风格迁移，将所述已有缺陷特征图像迁移到所述合格木材样本数据上，合成得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据；其中，所述卷积神经网络通过训练后，高层特征响应结果作为内容表示，不同层不同特征间的关系作为风格表示。
11.根据权利要求10所述的木材缺陷样本获取装置，其特征在于，还包括：
第三获取模块，被配置为在所述已有缺陷木材样本数据库中，与所述合格木材样本数据的木材类别相同的第一已有缺陷木材样本数据的个数大于第一预设阈值时，将所述第一已有缺陷木材样本数据作为所述缺陷木材样本数据。
12.根据权利要求10所述的木材缺陷样本获取装置，其特征在于，所述合格木材样本数据包括合格木材样本图像及标注数据；所述合成模块，包括：
合成子模块，被配置为将所述已有缺陷特征图像的部分或全部覆盖在所述合格木材样本图像的预设区域上，得到与所述合格木材样本数据的木材类别相同的缺陷木材样本数据。
13.根据权利要求12所述的木材缺陷样本获取装置，其特征在于，还包括：
调节模块，被配置为调节合成后所述已有缺陷特征图像的交界区域的纹理特征，使得所述交界区域的纹理特征与所述已有缺陷特征图像的纹理特征和/或所述合格木材样本的纹理特征差别小于第二预设阈值。
14.根据权利要求13所述的木材缺陷样本获取装置，其特征在于，所述调节模块，包括：
滤波子模块，被配置为利用低通滤波器对所述交界区域的纹理特征进行滤波。
15.根据权利要求13所述的木材缺陷样本获取装置，其特征在于，所述调节模块，包括：
图像处理子模块，被配置为使用训练好的人工智能模型对所述交界区域进行图像处理，使所述交界区域的图像风格来自所述已有缺陷特征图像，所述交界区域的图像内容来自所述合格木材样本图像。
16.根据权利要求10所述的木材缺陷样本获取装置，其特征在于，所述合成模块，还包括：
标注子模块，被配置为生成所述缺陷木材样本数据的标注数据；所述标注数据包括缺陷标注以及所述合格木材样本数据中的木材类别。
17.根据权利要求10所述的木材缺陷样本获取装置，其特征在于，还包括：
第一训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型；或者，
第二训练模块，被配置为基于所述合格木材样本数据和所述缺陷样本数据训练得到木材缺陷的识别模型，并将所述木材缺陷的识别模型输出给客户端。
18.根据权利要求10所述的木材缺陷样本获取装置，其特征在于，还包括：
输出模块，被配置为将所述缺陷木材样本数据输出给客户端。
19.一种电子设备，其特征在于，包括存储器和处理器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-9任一项所述的方法步骤。
20.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-9任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810240671.3A CN108447054B (zh) | 2018-03-22 | 2018-03-22 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810240671.3A CN108447054B (zh) | 2018-03-22 | 2018-03-22 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108447054A CN108447054A (zh) | 2018-08-24 |
| CN108447054B true CN108447054B (zh) | 2021-06-29 |
Family
ID=63196126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810240671.3A Active CN108447054B (zh) | 2018-03-22 | 2018-03-22 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108447054B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409414B (zh) * | 2018-09-28 | 2019-10-15 | 北京达佳互联信息技术有限公司 | 样本图像确定方法和装置、电子设备及存储介质 |
| CN110059549A (zh) * | 2019-03-11 | 2019-07-26 | 齐鲁工业大学 | 一种基于深度学习的木材薄板分类***及算法 |
| CN110223277A (zh) * | 2019-05-28 | 2019-09-10 | 深圳新视智科技术有限公司 | 图像生成的方法、装置、终端设备及存储介质 |
| CN110675359A (zh) * | 2019-06-29 | 2020-01-10 | 创新奇智(南京)科技有限公司 | 一种钢卷表面的缺陷样本生成方法、***及电子设备 |
| CN111144244B (zh) * | 2019-12-13 | 2023-07-11 | 唐美(北京)文化科技发展有限公司 | 家具木材类别识别方法及装置 |
| CN111681162B (zh) * | 2020-06-09 | 2023-09-01 | 创新奇智(成都)科技有限公司 | 一种缺陷样本生成方法、装置、电子设备及存储介质 |
| TWI743837B (zh) * | 2020-06-16 | 2021-10-21 | 緯創資通股份有限公司 | 訓練資料增量方法、電子裝置與電腦可讀取記錄媒體 |
| CN113674249A (zh) * | 2021-08-24 | 2021-11-19 | 重庆忽米网络科技有限公司 | 基于工业互联网的pcb板印刷质量检测方法 |
| CN114596314A (zh) * | 2022-05-09 | 2022-06-07 | 合肥联亚制衣有限公司 | 一种布匹瑕疵的检测模型的训练方法、装置、设备及介质 |
| CN115240031B (zh) * | 2022-07-21 | 2023-10-27 | 无锡锤头鲨智能科技有限公司 | 一种基于生成对抗网络的板材表面缺陷生成方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
| CN107358636A (zh) * | 2017-06-16 | 2017-11-17 | 华南理工大学 | 一种基于纹理合成的疏松缺陷图像生成方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106770321B (zh) * | 2016-12-08 | 2019-07-19 | 广东工业大学 | 一种基于多阈值区间的塑料零件缺陷检测方法 |
-
2018
- 2018-03-22 CN CN201810240671.3A patent/CN108447054B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103258218A (zh) * | 2013-05-28 | 2013-08-21 | 清华大学 | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 |
| CN107358636A (zh) * | 2017-06-16 | 2017-11-17 | 华南理工大学 | 一种基于纹理合成的疏松缺陷图像生成方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Markov随机场的木材表面缺陷图像分割方法;白雪冰等;《林业科技》;20130731;第38卷(第4期);33-36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108447054A (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108447054B (zh) | 木材缺陷样本获取方法、装置、电子设备及存储介质 | |
| US20200364842A1 (en) | Surface defect identification method and apparatus | |
| EP3843036A1 (en) | Sample labeling method and device, and damage category identification method and device | |
| CN111626947A (zh) | 基于生成对抗网络的地图矢量化样本增强方法及*** | |
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
| CN110059539A (zh) | 一种基于图像分割的自然场景文本位置检测方法 | |
| CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及*** | |
| CN115223054A (zh) | 一种基于分区聚类与卷积的遥感影像变化检测方法 | |
| CN113158969A (zh) | 一种苹果外观缺陷识别***及方法 | |
| CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
| CN117576195A (zh) | 一种植物叶片形态识别方法 | |
| CN115131664A (zh) | 一种混凝土细小裂缝识别方法 | |
| WO2003067256A2 (en) | Systems for analyzing microtissue arrays | |
| CN109145955B (zh) | 一种木材识别方法及*** | |
| CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
| CN116824274B (zh) | 小样本细粒度图像分类方法及*** | |
| CN114092935A (zh) | 一种基于卷积神经网络的纺织品纤维识别方法 | |
| CN113256608A (zh) | 工件缺陷检测方法和装置 | |
| CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
| CN113947567B (zh) | 基于多任务学习的缺陷检测方法 | |
| CN112287787B (zh) | 一种基于梯度直方图特征的作物倒伏分级方法 | |
| CN114003493A (zh) | 测试数据处理方法、装置、设备及存储介质 | |
| CN113139932B (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及*** | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |