CN110059549A - 一种基于深度学习的木材薄板分类***及算法 - Google Patents
一种基于深度学习的木材薄板分类***及算法 Download PDFInfo
- Publication number
- CN110059549A CN110059549A CN201910179642.5A CN201910179642A CN110059549A CN 110059549 A CN110059549 A CN 110059549A CN 201910179642 A CN201910179642 A CN 201910179642A CN 110059549 A CN110059549 A CN 110059549A
- Authority
- CN
- China
- Prior art keywords
- thin plate
- thin
- image data
- model
- deep learning
- 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
Links
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明涉及一种基于深度学习的木材薄板分类***及算法,包括分类模型构建模块,采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;同时采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型;薄板信息采集模块,采集待分类的薄板图片数据信息;薄板图像识别模块,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理;薄板处理模块,利用机械手臂将不同类别的薄板进行分类抓取并存放。
Description
技术领域
本发明属于神经网络应用技术领域,具体涉及一种基于深度学习的木材薄板分类***及算法。
背景技术
近年来,我国工业发展迅速,木材薄板的使用也随着工业的发展急速增长。
但是现有技术中,薄板的分类仍需人工操作,这是一个亟待解决的问题。人工分类的方法存在着耗时耗力,精确度低等缺点,因此一种方便快速,准确率高的分类***可以解决这个问题。
图像识别技术作为人工智能的一个重要领域,是一种对图像进行对象识别,以识别各种不同模式的目标和对象的技术。
我国在图像识别领域起步较晚,导致在薄板分类这一领域的研究一直无人重视,因此一套高精确度,低成本的薄板分类***具有重要的意义。目前,国内各大薄板加工厂对薄板的分类仍以人工为主,主要将其分为5类,但无法对薄板产品中的材质缺陷进行精准的判断,并且速度无法达到理想的标准,准确性与可靠性与市场要求相距甚远。此为现有技术的不足之处。
有鉴于此,本发明提供设计一种基于深度学习的木材薄板分类***及算法;以解决现有技术中存在的无法对薄板产品中的材质缺陷进行精准的判断,并且速度无法达到理想的标准,准确性与可靠性与市场要求相距甚远的缺陷。
发明内容
本发明的目的在于,针对上述现有技术存在的无法对薄板产品中的材质缺陷进行精准的判断,并且速度无法达到理想的标准,准确性与可靠性与市场要求相距甚远的缺陷,提供设计一种基于深度学习的木材薄板分类***及算法,以解决上述技术问题。
为实现上述目的,本发明给出以下技术方案:
一种基于深度学习的木材薄板分类***,包括:
分类模型构建模块,采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;同时采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型。
薄板信息采集模块,采集待分类的薄板图片数据信息。
薄板图像识别模块,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理。
薄板处理模块,利用机械手臂将不同类别的薄板进行分类抓取并存放。
作为优选,所述分类模型构建模块中,针对不同等级质量的薄板模板图像各采集1000张;提高后续对比的准确度。
作为优选,所述分类模型构建模块中,将薄板模板图像尺寸归一化处理为32*32;提高薄板分类模型的判断准确度。
作为优选,卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
作为优选,所述分类模型构建模块中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
一种基于深度学习的木材薄板分类算法,包括以下步骤:
步骤S1:构建分类模型的步骤,具体包括:
S1.1:采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;
S1.2:通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;
S1.3:采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型;
S2:采集薄板信息的步骤,采集待分类的薄板图片数据信息;
S3:薄板图像识别的步骤,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理;
S4:薄板处理的步骤,利用机械手臂将不同类别的薄板进行分类抓取并存放。
作为优选,所述步骤S1.1中,
针对不同等级质量的薄板模板图像各采集1000张;提高后续对比的准确度。
作为优选,所述步骤S1.1中,
将薄板模板图像尺寸归一化处理为32*32;提高薄板分类模型的判断准确度。
作为优选,所述步骤S1.1中,
卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
作为优选,所述步骤S1.3中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
本发明的有益效果在于,将薄板进行图像采集并标注后,利用神经网络的分类模型让算法进行训练,获得较好的训练模型,智能的对薄板进行分类,可以使使用者更加轻易地获得不同等级的薄板,对后续薄板的分类加工具有重要的指导意义,同时可作为其他商业用途的参考指标。并且本发明将人类劳动力从复杂工作中解放出来,使得使用者可以在同样的时间做更多的事,得到更多的信息,补足了传统薄板分类过程中浪费人力,效率低下的不足。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
图1是本发明提供的一种基于深度学习的木材薄板分类***的原理框图。
图2是本发明提供的一种基于深度学习的木材薄板分类算法的流程图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述,以下实施例是对本发明的解释,而本发明并不局限于以下实施方式。
实施例1:
如图1所示,本发明提供的一种基于深度学习的木材薄板分类***,包括:
分类模型构建模块,采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;同时采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型。
薄板信息采集模块,采集待分类的薄板图片数据信息。
薄板图像识别模块,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理。
薄板处理模块,利用机械手臂将不同类别的薄板进行分类抓取并存放。
本实施例中,所述分类模型构建模块中,针对不同等级质量的薄板模板图像各采集1000张;提高后续对比的准确度。
本实施例中,所述分类模型构建模块中,将薄板模板图像尺寸归一化处理为32*32;提高薄板分类模型的判断准确度。
本实施例中,卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
本实施例中,所述分类模型构建模块中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
实施例2:
如图2所示,本发明提供的一种基于深度学习的木材薄板分类算法,包括以下步骤:
步骤S1:构建分类模型的步骤,具体包括:
S1.1:采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;
S1.2:通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;
S1.3:采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型;
S2:采集薄板信息的步骤,采集待分类的薄板图片数据信息;
S3:薄板图像识别的步骤,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理;
S4:薄板处理的步骤,利用机械手臂将不同类别的薄板进行分类抓取并存放。
本实施例中,所述步骤S1.1中,
针对不同等级质量的薄板模板图像各采集1000张;提高后续对比的准确度。
本实施例中,所述步骤S1.1中,
将薄板模板图像尺寸归一化处理为32*32;提高薄板分类模型的判断准确度。
本实施例中,所述步骤S1.1中,
卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
本实施例中,所述步骤S1.3中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
以上公开的仅为本发明的优选实施方式,但本发明并非局限于此,任何本领域的技术人员能思之的没有创造性的变化,以及在不脱离本发明原理前提下所作的若干改进和润饰,都应落在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的木材薄板分类***,其特征在于,包括:
分类模型构建模块,采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;同时采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型;
薄板信息采集模块,采集待分类的薄板图片数据信息;
薄板图像识别模块,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理;
薄板处理模块,利用机械手臂将不同类别的薄板进行分类抓取并存放。
2.根据权利要求1所述的一种基于深度学习的木材薄板分类***,其特征在于,所述分类模型构建模块中,针对不同等级质量的薄板模板图像各采集1000张。
3.根据权利要求1所述的一种基于深度学习的木材薄板分类***,其特征在于,所述分类模型构建模块中,将薄板模板图像尺寸归一化处理为32*32。
4.根据权利要求1所述的一种基于深度学习的木材薄板分类***,其特征在于,卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
5.根据权利要求1所述的一种基于深度学习的木材薄板分类***,其特征在于,所述分类模型构建模块中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
6.一种基于深度学习的木材薄板分类算法,其特征在于,包括以下步骤:
步骤S1:构建分类模型的步骤,具体包括:
S1.1:采集不同等级质量的薄板模板图像并进行标注,将采集到的薄板模板图像进行尺寸归一化处理,归一化处理后的图像送入卷积神经网络,得到初步模型;
S1.2:通过交叉熵损失函数计算初步模型的图像数据损失,并根据图像数据损失定义优化器;
S1.3:采用梯度随机下降法训练卷积神经网络,得到最终的薄板分类模型;
S2:采集薄板信息的步骤,采集待分类的薄板图片数据信息;
S3:薄板图像识别的步骤,将采集到的薄板图片数据信息传送至薄板分类模型进行分析处理;
S4:薄板处理的步骤,利用机械手臂将不同类别的薄板进行分类抓取并存放。
7.根据权利要求6所述的一种基于深度学习的木材薄板分类算法,其特征在于,所述步骤S1.1中,
针对不同等级质量的薄板模板图像各采集1000张。
8.根据权利要求7所述的一种基于深度学习的木材薄板分类算法,其特征在于,所述步骤S1.1中,
将薄板模板图像尺寸归一化处理为32*32。
9.根据权利要求8所述的一种基于深度学习的木材薄板分类算法,其特征在于,所述步骤S1.1中,
卷积神经网络包含两个卷积层和一个全连接层;其中,第一个卷积层含有20个滤波器(大小为5*5),步长为1;第二个卷积层含有40个滤波器(大小为4*4),步长为1;第三层为全连接层。
10.根据权利要求9所述的一种基于深度学习的木材薄板分类算法,其特征在于,所述步骤S1.3中,通过多次迭代初步模型,并调整权重学习率,直至初步模型的误差不再减小,获取最终的薄板分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179642.5A CN110059549A (zh) | 2019-03-11 | 2019-03-11 | 一种基于深度学习的木材薄板分类***及算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179642.5A CN110059549A (zh) | 2019-03-11 | 2019-03-11 | 一种基于深度学习的木材薄板分类***及算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059549A true CN110059549A (zh) | 2019-07-26 |
Family
ID=67316745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179642.5A Pending CN110059549A (zh) | 2019-03-11 | 2019-03-11 | 一种基于深度学习的木材薄板分类***及算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059549A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553557A (zh) * | 2020-03-30 | 2020-08-18 | 徐州徐工挖掘机械有限公司 | 一种基于深度学习的车间产品质量评估方法 |
CN114998635A (zh) * | 2021-02-26 | 2022-09-02 | 宝元数控股份有限公司 | 板片辨识分类方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN107437094A (zh) * | 2017-07-12 | 2017-12-05 | 北京木业邦科技有限公司 | 基于机器学习的木板分拣方法及*** |
CN107832780A (zh) * | 2017-10-17 | 2018-03-23 | 北京木业邦科技有限公司 | 基于人工智能木板分选低置信度样本处理方法及*** |
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 |
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN108563204A (zh) * | 2018-04-11 | 2018-09-21 | 北京木业邦科技有限公司 | 控制方法、装置、电子设备及计算机可读存储介质 |
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和*** |
CN109253985A (zh) * | 2018-11-28 | 2019-01-22 | 东北林业大学 | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
-
2019
- 2019-03-11 CN CN201910179642.5A patent/CN110059549A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437094A (zh) * | 2017-07-12 | 2017-12-05 | 北京木业邦科技有限公司 | 基于机器学习的木板分拣方法及*** |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和*** |
CN107832780A (zh) * | 2017-10-17 | 2018-03-23 | 北京木业邦科技有限公司 | 基于人工智能木板分选低置信度样本处理方法及*** |
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 |
CN108447054A (zh) * | 2018-03-22 | 2018-08-24 | 北京木业邦科技有限公司 | 木材缺陷样本获取方法、装置、电子设备及存储介质 |
CN108563204A (zh) * | 2018-04-11 | 2018-09-21 | 北京木业邦科技有限公司 | 控制方法、装置、电子设备及计算机可读存储介质 |
CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和*** |
CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
CN109253985A (zh) * | 2018-11-28 | 2019-01-22 | 东北林业大学 | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 |
Non-Patent Citations (3)
Title |
---|
PRABU RAVINDRAN 等: "Classifcation of CITES-listed and other neotropical Meliaceae wood images using convolutional neural networks", 《PLANT METHODS》 * |
徐姗姗 等: "基于卷积神经网络的木材缺陷识别", 《山东大学学报(工学版)》 * |
杨真真 等: "基于卷积神经网络的图像分类算法综述", 《信号处理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553557A (zh) * | 2020-03-30 | 2020-08-18 | 徐州徐工挖掘机械有限公司 | 一种基于深度学习的车间产品质量评估方法 |
CN114998635A (zh) * | 2021-02-26 | 2022-09-02 | 宝元数控股份有限公司 | 板片辨识分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、***及介质 | |
CN109376792A (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN109543679A (zh) | 一种基于深度卷积神经网络的死鱼识别方法及预警*** | |
CN109376773A (zh) | 基于深度学习的裂纹检测方法 | |
CN107084992A (zh) | 一种基于机器视觉的胶囊检测方法及*** | |
CN110120041A (zh) | 路面裂缝图像检测方法 | |
CN102879401A (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN105678344A (zh) | 一种电力仪表设备的智能分类方法 | |
CN112364944B (zh) | 一种基于深度学习的生活垃圾分类方法 | |
CN108311411A (zh) | 一种冬虫夏草智能化分拣***及其使用方法 | |
CN110059549A (zh) | 一种基于深度学习的木材薄板分类***及算法 | |
CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及*** | |
CN105844221A (zh) | 一种基于Vadaboost筛选特征块的人脸表情识别方法 | |
CN107633232A (zh) | 一种基于深度学习的低维人脸模型训练方法 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN112634237A (zh) | 一种基于YOLOv3改进网络的长竹条表面缺陷检测方法及*** | |
CN106778526A (zh) | 一种基于汉明距离的大规模高效人脸识别方法 | |
CN110921146A (zh) | 基于互联网大数据和图像处理技术的生活垃圾分类方法及其*** | |
CN110097027A (zh) | 基于卷积神经网络的煤岩壳质组显微图像分类方法及*** | |
CN109446964A (zh) | 基于端到端单级多尺度检测器的面部检测分析方法及装置 | |
CN110826552A (zh) | 基于深度学习的葡萄无损自动检测装置及其方法 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类*** | |
CN109033971A (zh) | 一种基于残差网络思想的高效行人重识别方法 | |
CN114548268A (zh) | 基于原型网络的小样本垃圾图像分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |