CN106323985A - 计算机视觉结合自我学习行为的实木板材品质检测方法 - Google Patents

计算机视觉结合自我学习行为的实木板材品质检测方法 Download PDF

Info

Publication number
CN106323985A
CN106323985A CN201610741336.2A CN201610741336A CN106323985A CN 106323985 A CN106323985 A CN 106323985A CN 201610741336 A CN201610741336 A CN 201610741336A CN 106323985 A CN106323985 A CN 106323985A
Authority
CN
China
Prior art keywords
grade
solid wood
wood board
quality
image
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.)
Granted
Application number
CN201610741336.2A
Other languages
English (en)
Other versions
CN106323985B (zh
Inventor
石吉勇
殷晓平
李鹏飞
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.)
Changshu Wisdom Automation Technology Co Ltd
Original Assignee
Changshu Wisdom Automation Technology Co Ltd
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 Changshu Wisdom Automation Technology Co Ltd filed Critical Changshu Wisdom Automation Technology Co Ltd
Priority to CN201610741336.2A priority Critical patent/CN106323985B/zh
Publication of CN106323985A publication Critical patent/CN106323985A/zh
Application granted granted Critical
Publication of CN106323985B publication Critical patent/CN106323985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Chemical And Physical Treatments For Wood And The Like (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了计算机视觉结合自我学习行为的实木板材品质检测方法，通过构建品质检测模型，实现实木板材的在线检测，利用构建的品质建模模型对生产线上的实木板材进行品质检测，若正确识别率不合格，则对品质检测模型自我学习修正，使得正确识别率合格。本发明能克服实木板材批次间差异对品质检测的影响，实现计算机视觉方法在实木板材品质检测领域的高效应用，可应用于实木板材品质检测。

Description

计算机视觉结合自我学习行为的实木板材品质检测方法
技术领域
本发明涉及一种计算机视觉检测方法，特指一种计算机视觉结合自我学习行为的实木板材品质检测方法，属于木材加工制造领域。
背景技术
实木板材坚固耐用、纹路自然，大都具有天然木材特有的芳香，具有较好的吸湿性和透气性，有益于人体健康，不造成环境污染，是制作高档家具、装修房屋的优质板材。在实木板材的生产及加工过程中，根据其自身的品质特性可将实木板材分为缺陷品及不同等级的正品。缺陷品一般指板材表面存在明显的结疤、虫眼、裂纹、形变等缺陷，严重影响板材后续使用的产品。正品指板材表面不存在明显的缺陷，达到实际使用的基本要求。由于实木板材的原料—木材是在自然环境下生长而成的，使得实木板材存在丰富的色彩和纹理。即使是同一根木材，其不同区域生产出的板材对应的色彩和纹理也不尽相同。以实木板材为材料的木质产品，如原木家具等，往往以实木的原色为基本色。为了使木质产品美观、协调，需要挑选颜色相近、纹理柔和的实木板材作为原料来加工产品。这就要求实木板材加工过程中不仅要区分缺陷品和正品，而且要对正品进行分等分级。
在当前木材生产及加工领域，木材品质大部分依靠人工来进行检测，即通过肉眼观测木质产品表面特征并判断其品质等级。人工检测不但严重影响工作效率，而且人在疲劳情况下比较容易出现误检及漏检情况。为了克服人工检测方法的不足，计算机视觉被运用于检测木材板材的品质。计算机视觉检测过程主要包括图像获取、特征提取、特征选择和分类器设计，相关的发明专利有201510132203.0、201410642066.0、201410642068.X，201520544701.1等。对应特定批次的实木板材，可利用特定的计算机视觉检测程序捕捉相应的品质特征并结合相应的分类方法实现板材品质的快速检测。由于实木板材的表面特征(颜色、纹理等)受到木材生长环境、取材位置、处理工艺、树种等诸多因素的影响，导致实木板材为高度复杂的非标准品，为特定批次实木板材开发的计算机视觉检测程序往往无法有效的运用于其它批次的产品，极大的限制了计算机视觉方法在实木板材品质检测领域的应用。
发明内容
本发明的目的在于提供计算机视觉结合自我学习行为的实木板材品质检测方法，克服实木板材批次间差异对品质检测的影响，实现计算机视觉方法在实木板材品质检测领域的高效应用。
本发明为解决上述技术问题采取的技术方案是：
计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于包括以下步骤：
步骤一，构建品质检测模型；
步骤二，实木板材的在线检测，即利用构建的品质建模模型对生产线上的实木板材进行品质检测，若正确识别率不合格，则执行步骤三；
步骤三，品质检测模型自我学习修正。
所述步骤一具体包括以下过程：
过程1.1，根据产品品质标准，挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材；一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为m+n块；其中每个等级中m块实木板材用做训练样本，n块实木板材用作验证样本；m、n均为大于零的整数；
过程1.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像：
一等品G1等级的m+n块实木板材的图像为I-01,1、I-01,2、……、I-01,(m+n-1)、I-01,(m+n)；二等品G2等级的m+n块实木板材的图像为I-02,1、I-02,2、……、I-02,(m+n-1)、I-02,(m+n)；三等品G3等级的m+n块实木板材的图像为I-03,1、I-03,2、……、I-03,(m+n-1)、I-03,(m+n)；缺陷品G4等级的m+n块实木板材的图像为I-04,1、I-04,2、……、I-04,(m+n-1)、I-04,(m+n)；其中“I-”后面的数字依次代表实木板材的批次、所属等级以及所属编号；
过程1.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中m块训练样本对应图像，即I-01,1、I-01,2、……、I-01,(m-1)、I-01,m，I-02,1、I-02,2、……、I-02,(m-1)、I-02,m，I-03,1、I-03,2、……、I-03,(m-1)、I-03,m，I-04,1、I-04,2、……、I-04,(m-1)、I-04,m，的j种图像特征参数；将j种图像特征参数作为输入参数代入多层感知人工神经网络即MLPs，以训练样本的等级一等品G1、二等品G2、三等品G3和缺陷品G4作为MLPs的输出参数，构建包含k种图像特征参数的品质检测模型Y＝F0(Xk)；
Y为实木板材的品质等级，Xk为k种图像特征参数，k为大于零的整数且k小于或者等于j，j为大于零的整数；
过程1.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中n块验证样本对应图像，即I-01,(m+1)、I-01,(m+2)、……、I-01,(m+n-1)、I-01,(m+n)，I-02,(m+1)、I-02,(m+2)、……、I-02,(m+n-1)、I-02,(m+n)，I-03,(m+1)、I-03,(m+2)、……、I-03,(m+n-1)、I-03,(m+n)，I-04,(m+1)、I-04,(m+2)、……、I-04,(m+n-1)、I-04,(m+n)的k种图像特征参数X’k；将k种图像特征参数X’k代入已建立的品质检测模型Y＝F0(Xk)预测n块验证样本对应的品质等级Y’＝F0(X’k)；将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证样品品质的正确识别率R；若正确识别率R大于等于R合格，则执行步骤二；若R小于R合格，则重复步骤1.3、1.4。
所述步骤二具体包括以下过程：
过程2.1，采集生产线上第1批次实木板材的图像I’-1i，其中“I’-”后面的数字代表实木板材的批次、字母i表示实木板材所属编号，i为大于零的整数；
过程2.2，提取第1批次实木板材的图像I’-1i的k种图像特征参数X’1,k，将k种图像特征参数X’1,k代入已建立的品质检测模型Y＝F0(Xk)得到品质等级Y1’＝F0(X’1,k)；
过程2.3，根据产品品质标准不定期的对过程2.2的检测结果Y1’进行人工抽检验证，计算抽检样品品质的正确识别率R’，若正确识别率R’大于等于R’合格，则维持品质检测模型不变并重复执行过程2.1、过程2.2、过程2.3，若正确识别率R’小于R’合格，则执行步骤三。
所述步骤三具体包括以下过程：
过程3.1，假设生产线上第h批次实木板材的的抽检正确识别率R’不满足要求，则从第h批次实木板材中挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材，一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为u+v块；每个等级中u块实木板材用做模型修正样本，v块实木板材用作验证样本；u、v均为大于零的整数；
过程3.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像，一等品G1等级的u+v块实木板材的图像为I-h1,1、I-h1,2、……、I-h1,(u+v-1)、I-h1,(u+v)；二等品G2等级的u+v块实木板材的图像为I-h2,1、I-h2,2、……、I-h2,(u+v-1)、I-h2,(u+v)；三等品G3等级的u+v块实木板材的图像为I-h3,1、I-h3,2、……、I-h3,(u+v-1)、I-h3,(u+v)；缺陷品G4等级的u+v块实木板材的图像为I-h4,1、I-h4,2、……、I-h4,(u+v-1)、I-h4,(u+v)；
过程3.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中u块模型修正样本对应图像，即I-h1,1、I-h1,2、……、I-h1,(u-1)、I-h1,u；I-h2,1、I-h2,2、……、I-h2,(u-1)、I-h2,u；I-h3,1、I-h3,2、……、I-h3,(u-1)、I-h3,u；I-h4,1、I-h4,2、……、I-h4,(u-1)、I-h4,u的w种图像特征参数，且提取的w种图像特征参数与所述步骤二的过程2.2中的k种图像特征不相同；将w种图像特征与所述步骤二过程2.2中的k种图像特征作为输入参数代入MLPs，对已建立的品质检测模型Y＝F0(Xk)进行修正，得到修正后的校正模型Y＝Fh(Xk+w)；w为大于零的整数；
过程3.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中v块验证样本对应图像，即I-h1,(u+1)、I-h1,(u+2)、……、I-h1,(u+v-1)、I-h1,(u+v)，I-h2,(u+1)、I-h2,(u+2)、……、I-h2,(u+v-1)、I-h2,(u+v)，I-h3,(u+1)、I-h3,(u+2)、……、I-h3,(u+v-1)、I-h3,(u+v)，I-h4,(u+1)、I-h4,(u+2)、……、I-h4,(u+v-1)、I-h4,u+v)的k+w种图像特征参数X’k+w；将k+w种图像特征参数X’k+w代入已建立的品质检测模型Y＝Fh(Xk+w)预测v块验证样本对应的品质等级Y’＝Fh(X’k+w)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证集样品品质的正确识别率R”；若正确识别率R”大于等于R合格，则执行步骤二，若正确识别率R”小于R合格，则重复执行过程3.3、过程3.4。
本发明具有的有益效果：提取实木板材的图像特征来表征板材的表面特性，结合多层感知人工神经网络(MLPs)建立品质检测模型，实现计算机视觉技术对实木板材品质的检测；对不同批次、差异较大的实木板材，通过提取新的图像特征加入已建立的品质模型的方式，可得到适应性更强、精度更好的修正品质检测模型，达成计算机视觉在线检测的自我学习行为，克服实木板材批次间差异对品质检测的影响，有利于计算机视觉方法在实木板材品质检测领域的高效应用。
附图说明
图1为本发明技术方法流程图。
具体实施方式
以下结合附图，通过实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
一种计算机视觉结合自我学习行为的实木板材品质检测方法，技术方法流程图如图1所示，包括步骤一品质检测模型构建、步骤二品质检测模型在线应用、步骤三品质检测模型自我学习修正。
所述方法的实现过程为：
步骤一，构建品质检测模型，具体包含如下过程：
过程1.1，根据产品品质标准，挑选出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4个等级的实木板材，G1、G2、G3和G4等级的实木板材均为80块；其中每个等级中50块实木板材用做训练样本，30块实木板材用作验证样本；
过程1.2，采集G1、G2、G3和G4等级对应的所有实木板材的图像，G1等级的80块实木板材的图像为I-01,1、I-01,2、……、I-01,79、I-01,80；G2等级的80块实木板材的图像为I-02,1、I-02,2、……、I-02,79、I-02,80；G3等级的80块实木板材的图像为I-03,1、I-03,2、……、I-03,79、I-03,80；G4等级的80块实木板材的图像为I-04,1、I-04,2、……、I-04,79、I-04,80；其中“I-”后面的数字依次代表实木板材的批次、所属等级以及所属编号；
过程1.3，分别提取G1、G2、G3和G4等级中50块训练样本对应图像(I-01,1、I-01,2、……、I-01,49、I-01,50；I-02,1、I-02,2、……、I-02,49、I-02,50；I-03,1、I-03,2、……、I-03,49、I-03,50；I-04,1、I-04,2、……、I-04,49、I-04,50；)的15种图像特征参数；将15种图像特征参数作为输入参数代入MLPs，以训练样本的等级G1、G2、G3和G4作为MLPs的输出参数，构建包含10种图像特征参数的品质检测模型Y＝F0(X10)，其中Y为实木板材的品质等级、X10为10种图像特征参数；
过程1.4，分别提取G1、G2、G3和G4等级中30块验证样本对应图像(I-01,51、I-01,52、……、I-01,79、I-01,80；I-02,51、I-02,52、……、I-02,79、I-02,80；I-03,51、I-03,52、……、I-03,79、I-03,80；I-04,51、I-04,52、……、I-04,79、I-04,80；)的10种图像特征参数X’10；将10种图像特征参数X’10代入已建立的品质检测模型Y＝F0(X10)预测30块验证样本对应的品质等级Y’＝F0(X’10)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证样品品质的正确识别率R；若正确识别率R大于等于R合格＝98％，则执行步骤二，若正确识别率R小于R合格＝98％，则重复执行过程1.3、过程1.4；
步骤二，实木板材的在线检测，具体包含如下过程：
过程2.1，采集生产线上第1批次实木板材的图像I’-1i，其中“I’-”后面的数字代表实木板材的批次、字母i表示实木板材所属编号，i为大于零的整数；
过程2.2，提取第1批次实木板材的图像I’-1i的10种图像特征参数X’1,10，将10种图像特征参数X’1,10代入已建立的品质检测模型Y＝F0(X10)得到品质等级Y1’＝F0(X’1,10)；
过程2.3，根据产品品质标准不定期的对过程2.2的检测结果Y1’进行人工抽检验证，计算抽检样品品质的正确识别率R’，若正确识别率R’大于等于R’合格＝98％，则维持品质检测模型不变并重复执行过程2.1、过程2.2、过程2.3，若正确识别率R’小于R’合格＝98％，则执行步骤三；
步骤三，品质检测模型自我学习修正，具体包含如下过程：
过程3.1，假设生产线上第h＝5批次实木板材的的抽检正确识别率R’不满足要求，则从第h批次实木板材中挑选出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4个等级的实木板材，G1、G2、G3和G4等级的实木板材均为30块；其中每个等级中20块实木板材用做模型修正样本，10块实木板材用作验证样本；
过程3.2，采集G1、G2、G3和G4等级对应的所有实木板材的图像，G1等级的30块实木板材的图像为I-h1,1、I-h1,2、……、I-h1,29、I-h1,30；G2等级的30块实木板材的图像为I-h2,1、I-h2,2、……、I-h2,29、I-h2,30；G3等级的30块实木板材的图像为I-h3,1、I-h3,2、……、I-h3,29、I-h3,30；G4等级的30块实木板材的图像为I-h4,1、I-h4,2、……、I-h4,29、I-h4,30；
过程3.3，分别提取G1、G2、G3和G4等级中20块模型修正样本对应图像(I-h1,1、I-h1,2、……、I-h1,19、I-h1,20；I-h2,1、I-h2,2、……、I-h2,19、I-h2,20；I-h3,1、I-h3,2、……、I-h3,19、I-h3,20；I-h4,1、I-h4,2、……、I-h4,19、I-h4,20；)的w种图像特征参数(w为大于零的整数)且提取的2种图像特征参数与步骤二过程2.2中的10种图像特征不相同；将2种图像特征与步骤二过程2.2中的10种图像特征作为输入参数代入MLPs，对已建立的品质检测模型Y＝F0(X10)进行修正，得到修正后的校正模型Y＝Fh(X12)；
过程3.4，分别提取G1、G2、G3和G4等级中10块验证样本对应图像(I-h1,21、I-h1,22、……、I-h1,29、I-h1,30；I-h2,21、I-h2,22、……、I-h2,29、I-h2,30；I-h3,21、I-h3,22、……、I-h3,29、I-h3,30；I-h4,21、I-h4,22、……、I-h4,29、I-h4,30；)的12种图像特征参数X’12；将12种图像特征参数X’12代入已建立的品质检测模型Y＝Fh(X12)预测10块验证样本对应的品质等级Y’＝Fh(X’12)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证集样品品质的正确识别率R”；若正确识别率R”大于等于R合格＝98％，则执行步骤二，若正确识别率R”小于R合格＝98％，则重复执行过程3.3、过程3.4。

Claims (4)

1.计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于包括以下步骤：
步骤一，构建品质检测模型；
步骤二，实木板材的在线检测，即利用构建的品质建模模型对生产线上的实木板材进行品质检测，若正确识别率不合格，则执行步骤三；
步骤三，品质检测模型自我学习修正。
2.根据权利要求1所述的计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于所述步骤一具体包括以下过程：
过程1.1，根据产品品质标准，挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材；一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为m+n块；其中每个等级中m块实木板材用做训练样本，n块实木板材用作验证样本；m、n均为大于零的整数；
过程1.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像：
一等品G1等级的m+n块实木板材的图像为I-01,1、I-01,2、……、I-01,(m+n-1)、I-01,(m+n)；二等品G2等级的m+n块实木板材的图像为I-02,1、I-02,2、……、I-02,(m+n-1)、I-02,(m+n)；三等品G3等级的m+n块实木板材的图像为I-03,1、I-03,2、……、I-03,(m+n-1)、I-03,(m+n)；缺陷品G4等级的m+n块实木板材的图像为I-04,1、I-04,2、……、I-04,(m+n-1)、I-04,(m+n)；其中“I-”后面的数字依次代表实木板材的批次、所属等级以及所属编号；
过程1.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中m块训练样本对应图像，即I-01,1、I-01,2、……、I-01,(m-1)、I-01,m，I-02,1、I-02,2、……、I-02,(m-1)、I-02,m，I-03,1、I-03,2、……、I-03,(m-1)、I-03,m，I-04,1、I-04,2、……、I-04,(m-1)、I-04,m，的j种图像特征参数；将j种图像特征参数作为输入参数代入多层感知人工神经网络即MLPs，以训练样本的等级一等品G1、二等品G2、三等品G3和缺陷品G4作为MLPs的输出参数，构建包含k种图像特征参数的品质检测模型Y＝F0(Xk)；
Y为实木板材的品质等级，Xk为k种图像特征参数，k为大于零的整数且k小于或者等于j，j为大于零的整数；
过程1.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中n块验证样本对应图像，即I-01,(m+1)、I-01,(m+2)、……、I-01,(m+n-1)、I-01,(m+n)，I-02,(m+1)、I-02,(m+2)、……、I-02,(m+n-1)、I-02,(m+n)，I-03,(m+1)、I-03,(m+2)、……、I-03,(m+n-1)、I-03,(m+n)，I-04,(m+1)、I-04,(m+2)、……、I-04,(m+n-1)、I-04,(m+n)的k种图像特征参数X’k；将k种图像特征参数X’k代入已建立的品质检测模型Y＝F0(Xk)预测n块验证样本对应的品质等级Y’＝F0(X’k)；将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证样品品质的正确识别率R；若正确识别率R大于等于R合格，则执行步骤二；若R小于R合格，则重复步骤1.3、1.4。
3.根据权利要求1所述的计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于所述步骤二具体包括以下过程：
过程2.1，采集生产线上第1批次实木板材的图像I’-1i，其中“I’-”后面的数字代表实木板材的批次、字母i表示实木板材所属编号，i为大于零的整数；
过程2.2，提取第1批次实木板材的图像I’-1i的k种图像特征参数X’1,k，将k种图像特征参数X’1,k代入已建立的品质检测模型Y＝F0(Xk)得到品质等级Y1’＝F0(X’1,k)；
过程2.3，根据产品品质标准不定期的对过程2.2的检测结果Y1’进行人工抽检验证，计算抽检样品品质的正确识别率R’，若正确识别率R’大于等于R’合格，则维持品质检测模型不变并重复执行过程2.1、过程2.2、过程2.3，若正确识别率R’小于R’合格，则执行步骤三。
4.根据权利要求1所述的计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于所述步骤三具体包括以下过程：
过程3.1，假设生产线上第h批次实木板材的的抽检正确识别率R’不满足要求，则从第h批次实木板材中挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材，一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为u+v块；每个等级中u块实木板材用做模型修正样本，v块实木板材用作验证样本；u、v均为大于零的整数；
过程3.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像，一等品G1等级的u+v块实木板材的图像为I-h1,1、I-h1,2、……、I-h1,(u+v-1)、I-h1,(u+v)；二等品G2等级的u+v块实木板材的图像为I-h2,1、I-h2,2、……、I-h2,(u+v-1)、I-h2,(u+v)；三等品G3等级的u+v块实木板材的图像为I-h3,1、I-h3,2、……、I-h3,(u+v-1)、I-h3,(u+v)；缺陷品G4等级的u+v块实木板材的图像为I-h4,1、I-h4,2、……、I-h4,(u+v-1)、I-h4,(u+v)；
过程3.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中u块模型修正样本对应图像，即I-h1,1、I-h1,2、……、I-h1,(u-1)、I-h1,u；I-h2,1、I-h2,2、……、I-h2,(u-1)、I-h2,u；I-h3,1、I-h3,2、……、I-h3,(u-1)、I-h3,u；I-h4,1、I-h4,2、……、I-h4,(u-1)、I-h4,u的w种图像特征参数，且提取的w种图像特征参数与所述步骤二的过程2.2中的k种图像特征不相同；将w种图像特征与所述步骤二过程2.2中的k种图像特征作为输入参数代入MLPs，对已建立的品质检测模型Y＝F0(Xk)进行修正，得到修正后的校正模型Y＝Fh(Xk+w)；w为大于零的整数；
过程3.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中v块验证样本对应图像，即I-h1,(u+1)、I-h1,(u+2)、……、I-h1,(u+v-1)、I-h1,(u+v)，I-h2,(u+1)、I-h2,(u+2)、……、I-h2,(u+v-1)、I-h2,(u+v)，I-h3,(u+1)、I-h3,(u+2)、……、I-h3,(u+v-1)、I-h3,(u+v)，I-h4,(u+1)、I-h4,(u+2)、……、I-h4,(u+v-1)、I-h4,u+v)的k+w种图像特征参数X’k+w；将k+w种图像特征参数X’k+w代入已建立的品质检测模型Y＝Fh(Xk+w)预测v块验证样本对应的品质等级Y’＝Fh(X’k+w)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证集样品品质的正确识别率R”；若正确识别率R”大于等于R合格，则执行步骤二，若正确识别率R”小于R合格，则重复执行过程3.3、过程3.4。
CN201610741336.2A 2016-08-29 2016-08-29 计算机视觉结合自我学习行为的实木板材品质检测方法 Active CN106323985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610741336.2A CN106323985B (zh) 2016-08-29 2016-08-29 计算机视觉结合自我学习行为的实木板材品质检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610741336.2A CN106323985B (zh) 2016-08-29 2016-08-29 计算机视觉结合自我学习行为的实木板材品质检测方法

Publications (2)

Publication Number Publication Date
CN106323985A true CN106323985A (zh) 2017-01-11
CN106323985B CN106323985B (zh) 2020-02-11

Family

ID=57791274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610741336.2A Active CN106323985B (zh) 2016-08-29 2016-08-29 计算机视觉结合自我学习行为的实木板材品质检测方法

Country Status (1)

Country Link
CN (1) CN106323985B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064151A (zh) * 2017-06-08 2017-08-18 东北林业大学 利用激光测量纤维角的在线分析检测实木板材力学性能的装置和方法
CN109190689A (zh) * 2018-08-17 2019-01-11 北京木业邦科技有限公司 配漆模型确定、配漆方法和系统及存储介质和电子设备
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371809A (en) * 1992-03-30 1994-12-06 Desieno; Duane D. Neural network for improved classification of patterns which adds a best performing trial branch node to the network
CN1929530A (zh) * 2005-09-09 2007-03-14 株式会社理光 图像质量预测方法和设备以及故障诊断系统
CN103439594A (zh) * 2013-08-02 2013-12-11 广东电网公司电力科学研究院 Sf6电气设备故障诊断系统与方法
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法
EP2869239A2 (en) * 2013-11-04 2015-05-06 Facebook, Inc. Systems and methods for facial representation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371809A (en) * 1992-03-30 1994-12-06 Desieno; Duane D. Neural network for improved classification of patterns which adds a best performing trial branch node to the network
CN1929530A (zh) * 2005-09-09 2007-03-14 株式会社理光 图像质量预测方法和设备以及故障诊断系统
CN103439594A (zh) * 2013-08-02 2013-12-11 广东电网公司电力科学研究院 Sf6电气设备故障诊断系统与方法
EP2869239A2 (en) * 2013-11-04 2015-05-06 Facebook, Inc. Systems and methods for facial representation
CN104361352A (zh) * 2014-11-13 2015-02-18 东北林业大学 基于压缩感知的实木板材缺陷分选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刁智多: "基于人工神经网络分类器的实木在线分选研究", 《中国优秀硕士论文全文数据库 信息科技辑》 *
赵贝贝: "基于颜色特征的木质板材分类方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
那宝魁: "《钢铁企业质量经营》", 30 November 2011, 冶金工业出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064151A (zh) * 2017-06-08 2017-08-18 东北林业大学 利用激光测量纤维角的在线分析检测实木板材力学性能的装置和方法
CN107064151B (zh) * 2017-06-08 2019-10-18 东北林业大学 利用激光测量纤维角的在线分析检测实木板材力学性能的装置和方法
CN109190689A (zh) * 2018-08-17 2019-01-11 北京木业邦科技有限公司 配漆模型确定、配漆方法和系统及存储介质和电子设备
CN109978867A (zh) * 2019-03-29 2019-07-05 北京百度网讯科技有限公司 玩具外表质量检测方法及其相关设备

Also Published As

Publication number Publication date
CN106323985B (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN105046277B (zh) 特征显著性在图像质量评价中的鲁棒机理研究方法
CN108038853B (zh) 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN104268505B (zh) 基于机器视觉的布匹疵点自动检测识别装置及方法
Høibø et al. Consumer perception of wood surfaces: the relationship between stated preferences and visual homogeneity
CN106875373A (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN110133049B (zh) 基于电子鼻和机器视觉的茶叶等级快速无损检测方法
CN104198498B (zh) 基于自适应正交小波变换的布匹疵点检测方法及装置
CN103472197B (zh) 一种食品智能化仿生评价中的跨感知信息交互感应融合方法
CN106323985A (zh) 计算机视觉结合自我学习行为的实木板材品质检测方法
CN108021938A (zh) 一种冷轧带钢表面缺陷在线检测方法以及检测系统
CN107730500A (zh) 一种瓷砖纹理检测方法、系统、装置及可读存储介质
CN110308151A (zh) 一种基于机器视觉的金属工件表面缺陷识别方法及装置
CN104713849A (zh) 一种基于近红外光谱分析技术的烟叶霉变的快速预测方法
CN105344618B (zh) 矩形竹片缺棱缺陷及颜色分拣方法
CN110135486A (zh) 基于自适应卷积神经网络的筷子图像分类方法
CN109816646A (zh) 一种基于退化决策逻辑的无参考图像质量评价方法
CN114066848A (zh) 一种fpca外观缺陷视觉检测系统
CN109886945A (zh) 基于对比度增强的无参考对比度失真图像质量评价方法
Pauly et al. A new method for sorting and grading of mangos based on computer vision system
CN114972342B (zh) 一种变速箱齿轮表面缺陷检测方法
CN108961346B (zh) 基于bp神经网络对颜色和谐度进行预测的方法
CN107727711A (zh) 一种啤酒酒体饱满性的评价方法
CN115240031B (zh) 一种基于生成对抗网络的板材表面缺陷生成方法及系统
CN106423895A (zh) 一种红枣分级方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant