CN107437094B - 基于机器学习的木板分拣方法及系统 - Google Patents
基于机器学习的木板分拣方法及系统 Download PDFInfo
- Publication number
- CN107437094B CN107437094B CN201710566716.1A CN201710566716A CN107437094B CN 107437094 B CN107437094 B CN 107437094B CN 201710566716 A CN201710566716 A CN 201710566716A CN 107437094 B CN107437094 B CN 107437094B
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- wood board
- neural network
- classified
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于机器学习的木板分拣方法及系统,首先在不同环境条件下获取不同移动速度的木板的图像样本,然后对木板进行自由定义分类,并建立所述图像样本与所述自由定义分类的对应关系;获取木板的图像,经过学习的神经网络对获取的木板图像进行分析,确定木板的类别和执行分类操作的时机,在所述时机对木板进行分类操作,来将木板分类到确定的类别中。本发明的方法及系统,能够使得自动化分选机器能够快速适应不断变动的产品分类需求、多变的部署环境、高差异性的木料材质和喷漆工艺。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种基于机器学习的木板分拣方法及系统。
背景技术
在木材加工领域,木板分选是一个重要环节。不管是半成品,还是经过成型、上色、烘干等工艺之后的成品,都需要按照不同的木材特征结合质量标准进行分类。在传统的方法中,木板的分选由人工完成。经过训练的工人,通过观察,判断每一块木板的颜色、纹理、缺陷等,结合经验将一块木板归入不同的分类。每一个分类之中的木板拥有更为接近的特性,实现较高的产品外观、质量的一致性。
然而,使用人工的分选的方法需要耗费大量的人力资源,并且由于每一批次的木板材质和上色工艺可能存在不同,每一次的产品分类标准也可能存在变动,因此需要不断的对工人进行培训和训练。同时,随着工作时间的增加,人力的方法也会出现准确率下降,效率变慢的现象。
使用机器进行木材分选的方法正成为当前行业的新兴方向,在木材处理过程中的很多步骤可以通过机器的方法来解决。然而,这些技术多数使用一种固定方式对木材或木板进行特征提取,其分选参数和方法是固定的,必须通过专门的设计和调校才能有效运行,因而标准化和适用性存在一定缺陷。
随着最近机器学习方面的研究进展,使用机器学习进行木板加工自动化的方法变得越来越受到欢迎。现有技术中也出现了使用机器学习的木材分类方法,通过各种成像方式采集预先指定的样本木材的图像,然后使用机器学习的方法训练一个模型,通过该模型来实现自动的分类检测。
然而,发明人在实现本发明的过程中发明,现有的机器学习的方法只是部分解决了标准化的问题,并没能解决木材分类中最关键的适应性问题。具体地,当前木板分类的标准通常由生产厂商自定义,也就是说当前的木板分类实质上是非标准化的;现有技术中的机器学习方法采用预先训练方式,只能为特定厂商训练出一个特定模型,显然无法在多个厂商中通用。此外,木材实质上是按批次生产的,每一批次的产品斗鱼与该批次的原木材质、喷漆工艺高度相关,不同批次间可能会有巨大差异;但现有技术中的训练模型完全依赖于样本批次,并不能针对不同批次进行动态调校。最后,自然光线的改变会对视觉识别产生较大的影响,现有技术并未考虑环境光线变化下的标准化,不能适应不同环境的检测。
因此,当前缺少自适应的检测方法,现有技术并不能满足快速部署的需求,也不能在多变的运行环境中鲁棒的运行。
发明内容
本发明的目的在于,使用一种自适应的方法,能够使得自动化分选机器能够快速适应不断变动的产品分类需求、多变的部署环境、高差异性的木料材质和喷漆工艺。通过使用一种将所有潜在变动的因素整合到学习过程中的方法,本发明提供了一种高度自适应的机器学习方法,能够将传统需要数月才能完成的训练、校准、测试、部署等工作压缩到一天内完成,大大提高了木板加工企业的运作效率。同时,自适应的方法能够不断通过迭代的方法改善机器学习的模型,让分选精度逐步提升。
本发明提供了一种木板分类学习方法,其特征在于,包括:
在不同环境条件下获取不同移动速度的木板的图像样本;
对木板进行初始分类;
建立所述图像样本与所述初始分类的对应关系。
可选地,所述初始分类是根据对木板的分类要求而自由定义的分类。
可选地,所述环境条件包括木板外部光源光线的强弱、外部光源光线的照射方向、图像获取单元的拍摄角度和图像获取单元的光圈大小中的一个或多个;
所述移动速度为图像获取单元与所述目标对象的相对移动速度。
可选地,所述方法还包括:
将置信度低于一定阈值的图像样本进行后期标定,形成新的图像样本,并建立新的图像样本与所述初始分类的对应关系。
可选地,所述方法还包括:
在获取木板的图像样本的同时还获取白色参考物体的图像。
可选地,所述方法还包括:
根据建立的所述对应关系对神经网络进行训练。
可选地,所述神经网络为卷积神经网络和/或深度神经网络。
可选地,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
在本申请的另一方面,还提供了一种对木板分类的学习系统,包括:
图像获取单元,用于在不同环境条件下获取不同移动速度的木板的图像样本;
分类单元,用于对木板进行初始分类;
学习单元,用于建立所述图像样本与所述自定义分类的对应关系。
可选地,所述图像获取单元为一个或多个,用于通过变换光圈大小和/或处于不同外部光源照射条件下获取木板的图像。
可选地,所述初始分类是根据对木板的分类要求而自由定义的分类。
可选地,所述环境条件包括木板周围环境光线的强弱、光线的照射方向和图像获取单元的拍摄角度中的一个或多个;
所述移动速度为图像获取单元与所述目标对象的相对移动速度。
可选地,所述学习单元进一步将置信度低于一定阈值的图像样本进行后期标定,形成新的图像样本,并建立新的图像样本与所述自定义分类的对应关系。
可选地,所述系统还包括:
图像获取单元,用于在获取图像样本的同时获取白色参考物体的图像。
可选地,所述系统还包括:
训练单元,用于根据建立的所述对应关系对神经网络进行训练。
可选地,所述学习单元和/或所述训练单元位于云服务器中。
可选地,所述神经网络为卷积神经网络和/或深度神经网络。
可选地,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
在本申请的再一方面,还提供了一种木板分类方法,包括:
获取木板的图像;
采用经过学习的神经网络对获取的木板图像进行分析,确定木板的类别和执行分类操作的时机;
在所述时机对木板进行分类操作,将木板分类到确定的类别中。
可选地,所述获取木板的图像包括:
在任意环境条件下获取任意移动速度的木板的图像。
可选地,所述方法进一步包括:
在获取木板的图像的同时还获取白色参考物体的图像。
可选地,所述神经网络的所述学习包括:
通过预先建立的不同环境条件下获取的不同移动速度的木板图像样本与初始分类的对应关系,来对所述神经网络进行训练。
可选地,所述环境条件包括外部光源光线的强弱、外部光源光线的照射方向、图像获取单元的拍摄角度和图像获取单元的光圈大小中的一个或多个;
所述移动速度为图像获取单元与所述木板的相对移动速度。
可选地,所述神经网络为卷积神经网络和/或深度神经网络。
可选地,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
可选地,所述方法进一步包括:
将置信度低于一定阈值的图像样本进行后期标定,形成新的图像样本,并建立新的图像样本与所述自定义分类的对应关系。
在本申请的有一方面,还提供了一种木板分类系统,包括:
图像获取单元,用于获取木板的图像;
分析单元,用于采用经过学习的神经网络对获取的木板图像进行分析,确定木板的类别和执行分类操作的时机;
分类单元,用于在所述时机对木板进行分类操作,来将木板分类到确定的类别中。
可选地,所述系统还包括:
训练单元,用于根据在不同环境条件下获取到的不同移动速度的木板图像样本与自定义分类的对应关系,对神经网络进行训练。
可选地,所述图像获取单元在获取木板的图像的同时还获取白色参考物体的图像。
可选地,所述环境条件包括光线的强弱、光线的照射方向和图像获取单元的拍摄角度中的一个或多个;
所述移动速度为图像获取单元与所述木板的相对移动速度。
可选地,所述神经网络为卷积神经网络和/或深度神经网络。
可选地,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
可选地,所述训练单元还用于将置信度低于一定阈值的图像样本进行后期标定,形成新的图像样本,并建立新的图像样本与所述自定义分类的对应关系。
本申请还同时提供了一种木板分类学习系统,包括:
存储器;和
一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现如上所述的方法。
此外,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储由计算机可执行指令,所述计算机可执行指令被执行时可实现如上所述的方法。
通过本发明的方法系统,使得自动化分选机器能够快速适应不断变动的产品分类需求、多变的部署环境、高差异性的木料材质和喷漆工艺。提高了训练效率和分拣准确度。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1:卷积神经网络示意图。
图2:基于卷积神经网络的分选学习过程。
图3:基于卷积神经网络的木板分选。
图4:迭代步骤的流程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
现有技术中的木材分类方案往往比较机械,即使利用了机器学习技术,也仅仅停留在预先训练的方式,方案的适应性存在很大局限。本发明充分利用机器深度学习的能力,提出了一种基于机器学习的木材分拣方法及系统,可快速高效地适应各种复杂多变的检测要求。具体地,本发明的方案中,由于机器学习能够通过海量的训练数据,使得自动化机器变得更为可靠和弹性;同时由于训练的方法极为简单,只需要对分类后的数据进行标注,并使用相应的算法训练模型即可,而模型具体根据木材的哪些特征,如何进行分类则无需人工干预。也就是说,机器学习的方法抛弃了对具体分类模型、算法、图像特征的依赖,只需要采集足够多的数据,就可以实现对原木、木板等非标准化产品的分类。
在本发明的一个实施例中,所述基于机器学习的木材分拣方法主要包括以下关键点:
初始分类步骤:
首先确定木板样本,然后对木板样本进行初始分类。由于强调自适应性,本实施例的方案中初始分类标准可以是固定分类,也可以是完全自由的自定义分类。
比如,对于初始的10个木板样本,可以按固定模式将1-3号木板样本分为A级类别,将4-8号木板分为B级类别,将9-10号木板分类C级类别。或是完全自由的自定义分类,可以根据木板工厂具体情况和实际分类的要求,进行自定义的分类,例如将1、3、5号木板分为A级类别,将其余木板样本分为B级类别等。
在本发明的实施例中,初始分类可以根据工厂的实际情况进行自定义分类。这种自定义分类的方式更加适应于不同木板工厂实际情况以及分类的要求,分类更加灵活、方便。分类的具体实施是由人工凭借经验来完成的,具体设置多少个品类,哪个样本归入哪一类也都是由人工来实施的。人工分类可以基于木板的不同特征,例如颜色、纹理、缺陷等任意木板特征来完成。
木板样本图像采集步骤:
拍摄装置在一定的自然和/或人为光照环境条件下采集的与其处于相对移动状态的木板样本图像。一般而言,在工厂内部获得一部分木板样本,使用上述自由定义分类的方法,获得每个木板样本的分类。同时,通过模拟的方法,获得样本的其他特征,其中:
对于速度的要求:
木板样本与摄像头相对移动,两者之间具有相对速度。本发明中相对移动速度并不是固定不变的,而可以是可变的,而且最好是变化的。在相对移动速度变化的情况下,能够更好地获得处于不同相对移动速度下的木板样本图像。
情况1:在摄像头固定的情况下,木板样本向拍摄装置移动,例如通过一个传送带来实现样本的移动,并在传送带上方安装摄像头来采集图像;木板样本进入整理区域B1,在该区域中木板样本完成整理、引导,然后有序进入判定区域B2。在B2区域,流水线上的一个或多个拍摄装置以极快速度抓取处于不同速度下的木板样本图像:V1代表速度为0,V2、V3....Vn分别代表从0到与B2区域流水线皮带同步之前的速度,V(n+1)代表B2流水线速度,以便获得不同速度下的产品学习样本。
情况2:在木板样本固定的情况下,拍摄装置向木板样本移动;同样,一个或多个拍摄装置以极快速度抓取处于不同速度下的木板样本图像:V1代表速度为0,V2、V3....Vn分别代表从0到与B2区域流水线皮带同步之前的速度,V(n+1)代表B2流水线速度,以便获得不同速度下的产品学习样本。这种方式适应于木板样本较大,不便于移动的情况下,因此可以使用可移动摄像头的方法。
对于光照环境的要求:
图像采集过程中,通过变换所述拍摄装置传感器的光圈实现不同光照条件下的图像采集;也可以在拍摄装置周围设置光源,通过调节光源的亮度或光源的照射方向实现不同的光照条件,例如,在B2区域生产线上加入一个或多个光源,例如所述光源可以为平板型LED灯:L1、L2.....Ln,LED灯能够提供较为均匀的光照,并且其光源亮度可以通过控制方法依次增加或递减,以获得产品在不同光线下的样本;也可以同时变换光圈大小和光源的亮度或照射方向来实现不同的光照条件。在一种方式下,LED灯的光照情况用于将图像采集的基础亮度提升到一个满意的程度,同时通过变化光圈的大小来获得该基础亮度下上下浮动的光照水平。两者结合,能够得到在一个令人满意的范围内的多个光照条件。
对于图像采集的要求:
图像采集过程中,木板样本和拍摄装置处于相对移动状态,可以调整拍摄装置的摄像角度,以采集处于不同拍摄角度下的木板样本图片。
图像采集过程中,并不限于同时调节光源亮度、变换光圈大小、改变照射方向、调整拍摄角度;可以对光源亮度、光圈大小、照射方向、拍摄角度不作调整;也可以对光源亮度、光圈大小、照射方向、拍摄角度其中的一个或多个甚至全部在不同的时刻分别作出不同的调整。
图像采集过程中,可以设置参考图像。例如,在图像采集区域,提供一个白色的参考物体,以保障木板样本的图像与白色参考物体的图像同时被采集。白色参考物体可以用于提供一个白平衡、亮度或其他图像参数的一个参考。
在分类步骤,最终的结果是获得一组图像数据,每一个图像数据都对应于一个自由定义的产品分类、一个速度、一个光照、一个摄像机角度的标签。例如,以下是一组最终用于后续学习步骤的样本数据:
Sample 1
[类别:A,速度:V2,光照强度:L3,摄像机角度,A5]
Sample 2
[类别:A,速度:V3,光照强度:L3,摄像机角度,A5]
Sample 3
[类别:B,速度:V0,光照强度:L3,摄像机角度,A5]
Sample 4
[类别:A,速度:V2,光照强度:L3,摄像机角度,A5]
使用多个摄像机拍摄图像数据也是一种实施方式,此时,多个摄像机同时采集一个木板样本的数据,并产生一个样本数据。样本数据包含对应的光照,速度,摄像机角度等标签,只是图像数据变为多个角度图像数据的组合。
学习步骤:
本发明将神经网络作为自动分类模型,神经网络可以为卷积神经网络和深度神经网络中的一种或其组合。
将上述图像样本输入到自动分类模型中,自动分类模型结合自由定义分类以及相应的属性对神经网络进行训练。
其中上述神经网络包括含有多个层,每个层包含多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
图1中给出了一个卷积神经网络的示意图,其中包括了多个卷积层和降采样层以及全连接层。卷积层是卷积神经网络的核心模块,通过与一个滤波器(filter)的卷积操作,将前一层的多个节点与下一层的节点相连。一般来说,卷积层的每一个节点只与前一层的部分节点相连。通过训练过程,其中使用初始值的滤波器可以根据训练数据不断改变自身的权重,进而生成最终的滤波器取值。降采样层可以使用最大池化(max-pooling)的方法将一组节点降维成一个节点,其中使用非线性取最大值的方法。在经过多个卷积层和降采样层后,一个全连接层最终用于产生分类的输出,全连接层将前一层的所有节点与后一层的所有节点相连,这与一个传统的神经网络类似。
在学习,也就是训练过程中,我们将木板的样本数据作为输入,将其所在的自由定义分类,速度等分类属性作为输出,通过训练算法,例如梯度下降(gradientdescent)算法使得神经网络中的滤波器权重值改变,进而使得输出与样本数据中的分类差异最小。随着使用的训练数据量的不断增大,不断改变的网络节点值不断改变并提高,神经网络的分类能力也就得到了提升。当训练结束后,一个训练好的神经网络包括所设计的网络架构,例如图1中的层级设计以及层级之间连接方法,以及经过训练而改变的滤波器权重值。这些权重值被记录下来,并在后期的使用中被重复利用。
学习过程可以在本地分类系统中完成,也可以在云端完成。
需要在云端完成学习的情况下,分类系统将确定的自由定义分类和所述图像样本与自由定义分类的关系、以及采集的图像样本上传到云端。云端服务器利用获得的自由定义分类、图像样本与自由定义分类的关系、以及图像样本对神经网络进行训练,并将训练后的模型部署到本地的分类系统中。图2中给出了学习步骤的流程框图。
分类步骤:
在运行中,一个木板通过传送带被送入图像采集区域,木板在移动过程中完成图像采集,拍摄装置采集所述木板的图像,并将采集的图像输入到经过训练的神经网络中。在一种方式中,图像采集的过程中使用一个外部光源,例如LED灯光源。该光源能够提供一种均匀的光照,以提升图像的基础亮度。同时,图像采集的过程中可以使用一个参考图像,例如白色参照图像。该图像与木板图像同时被采集到一个图像数据中,参考图像可以作为白平衡和亮度或其他图像参数的一个基准。图像数据作为输入,在经过每一层时产生输出值,并被用于下一层的输入。在经过所有层级之后,卷积神经网络将在每一个分类上得到一个置信度的估计值。
经过训练的神经网络对输入的图像进行分析,确定木板的移动速度和类别。由于每种分类的样本包含了不同光照条件下的样本,因此神经网络可以在任意光照条件下实施可靠的速度和品类判定。此处,所述任意光照条件可以是在一个基础的亮度条件下,例如通过LED外部光源照射的情况下,围绕基础亮度上下浮动的一个光照条件。如果在前期的样本采集不包含多种光照条件,而只包含分类标识,则可能由于光照条件的改变而造成分类的错误。这是由于缺少多光照条件下的样本数据,卷积神经网络无法矫正光照对图像样本带来的影响。而分类过程中不可避免的使用了图像的色彩特征,该特征会随着光照的改变而改变,因此使得不同光照会改变最终的分类结果。此时,上述的白色参照物可以对图像进行一个白平衡和亮度的矫正。由于白色参照物可以被视为已知的一种图像,因此光照对木板图像的改变可以由光照对白色参照物的改变推演得到。由于木板在传送带上的速度并不总是等于传送带的速度,所以每一个新的木板都可能以一个任意的速度进入图像采集区域,由于训练样本包含了不同速度下的样本,因此分类器也可以分辨该样本的运动速度。分类器根据木板的移动速度确定预定的踢腿时间,并在预定的时间根据确定的木板类别执行踢腿操作,也就是分类操作,将木板踢入到相应的分类中。一个示例的神经网络输出如下:
Sample 1:
[类别:{A:95%,B:3%,C:2%},速度:{V0:99%,V1:1%},摄像机角度:{A1:100%}]
Sample 2:
[类别:{A:1%,B:99%,C:0%},速度:{V0:2%,V1:98%},摄像机角度:{A1:100%}]
也就是说,神经网络的输出是每个分类的置信度最终估计值。根据这些估计值,可以选择置信度最高的分类、速度、摄像机角度作为最终的输出。踢腿执行的操作可以是根据一个时间与速度的映射关系得到,例如:
T=aV+b
其中V是最终得到的速度估计,a,b是预定义的参数。如果传送带发生了改变,例如踢腿机与摄像头的距离发生改变时,只需要改变a,b的取值即可,而不用重新训练整个神经网络。踢腿时间与速度的映射关系也可以通过很多种方式实现,并不局限于所述的方法。
迭代步骤:
在实际的分选过程中,由于木板是一种非标准化产品,在一定的情况下训练过的神经网络无法获得准确的分类,例如品类A和品类B的最终置信度估计值近似相等,例如51%对49%,则认为该次分类的置信度较低。对于这样的样本,分选机器可以将其分为一个单独的“无法识别分类”,或通过警报装置通知操作员进行干预。此时,可以通过迭代的方法处理此类木板。首先通过人工的方式对其进行分类,再获得该样本在多速度、多光照、多摄像机角度下的图像样本。这样也就获得了一个新的图像样本,这个样本可以添加到之前用于训练神经网络的样本,再在时机合适的时候重新训练神经网络。通过不断增加样本数据并训练神经网络,分选机器能够不断增加对各种异常样本的处理精度,使得低置信度出现的概率逐步下降。图4给出了一个迭代方法的流程示意图。如下给出迭代的过程中的数据示例:
Sample 1
Sample 2
…
Sample N
是用于第一次训练神经网络的样本数据,通过迭代的方法,得到如下样本:
Sample 1
Sample 2
…
SampleN
SampleN+1
SampleN+2
SampleN+3
其中SampleN+1,SampleN+2,Sample N+3都是对应于同一个低置信度的木板,但是对应于不同的速度、光照、摄像机角度等属性。由于所述图像样本可能受到原木板材质的影响,因此不同批次的原木带来的图像样本特征不同。同时,即使同一批次的原木,也可能由于上色或需求的改变而改变自由定义的分类以及分类与样本的对应关系。这些快速变动的需求,均可以通过改变图像样本并重新训练神经网络的方法来快速调整分选算法。例如,
SampleSet 1,SampleSet2,SampleSet3…
是不同的训练数据组,对应于不同的原木材质、不同的分类方法、不同的喷漆工艺等需求。只要使用对应的训练数据,快速训练神经网络并更新分选算法,则在不改变任何硬件结构的前提下,随时对应于新的需求。尤其是在训练过程在云端实时的情况下,训练过程可以大大缩短,使得原本几个月才能完成的参数调整、校准、测试、部署过程在一天之内完成。
本发明的木板分类系统,无论在任何环境和任何速度下,都能准确对木板进行分类,并在准确的踢腿时间执行分类操作。而且不需要单独的设备,例如光电传感器来获取木板到达的时间,而是通过分类学习即能确定分类时间。
在本发明的方法可以是由计算机程序控制的系统来实现。因此,与之相对应地,本发明的实施例中还同时提供了一种木板分类学习系统,其包括:存储器;和一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现本发明的方法。
同时,在本发明还提供了一种计算机程序产品,所述计算机产品包括计算机可执行指令,该计算机可执行指令可执行上述任意实施例中所描述的方法。
本发明的所有步骤方法,例如图像获取、学习和分拣控制等也可以通过系统中的一个/或多个处理器处理。处理器可为任何可编程微处理器、微计算机或可由软件指令(应用程序)配置以执行多种功能(包括本文中所描述的各种实施例的功能)的多处理器芯片。处理器可包括足以存储应用程序软件指令的内部存储器,内部存储器可为易失性或非易失性存储器(例如,快闪存储器)或两者的混合。出于此描述的目的,对存储器的一般参考指代可由处理器存取的所有存储器,包括内部存储器、插入到设备中的可装卸存储器及处理器自身内的存储器。
本发明中,可以硬件、软件、固件或其任何组合来实施所描述的功能。如果以硬件实施,那么可在可适合用于系统中的处理电路的电路内实施功能性。此处理电路可包括用于实现各实施例中所描述的图像获取、学习以及控制步骤中任何一个或多个的电路。如果以软件来实施,那么所述功能可作为一个或一个以上指令或代码而存储在计算机可读媒体上,或经由计算机可读媒体而传输。本文中所揭示的方法或算法的步骤可包含在所执行的处理器可执行软件模块中,所述处理器可执行软件模块可驻存在计算机可读媒体上。计算机可读媒体包括计算机存储媒体及通信媒体两者,通信媒体包括促进将计算机程序从一处传送到另一处的任何媒体。存储媒体可为可由计算机存取的任何可用媒体。作为实例而非限制,此计算机可读媒体可包含RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置,或可用以运载或存储呈指令或数据结构的形式的所要程序代码且可由计算机存取的任何其它媒体。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。前后两个步骤之间并不必然意味着一定是一种先后执行的顺序,只要能够解决本发明的技术问题即可,而且前后两个步骤之间并不必然意味着一定排除了发明中未列出的其他步骤;同理,系统的各个设备、器件、装置之间并不必然意味是一种直接的电气连接,说明书表示的仅仅是逻辑关系。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (19)
1.一种木板分类学习方法,其特征在于,包括:
在不同环境条件下获取不同移动速度的木板的图像样本数据,所述环境条件包括光照环境、拍摄角度;
对木板进行初始分类,分类后的图像样本数据包括一个自由定义的产品分类、一个移动速度、一个光照环境、一个摄像机角度的标签;
基于初始分类后的图像样本数据,训练神经网络;
利用训练好的神经网络,确定待分类木板在每一个分类的置信度;其中,神经网络的输出是每个分类的置信度最终估计值;根据这些估计值,选择置信度最高的分类、速度、摄像机角度作为最终的输出;
根据一个时间与速度的映射关系得到并确定当前待分类木板的踢腿时间。
2.根据权利要求1所述的方法,其特征在于,所述环境条件包括光照环境、拍摄角度,所述光照环境包括木板外部光源光线的强弱、外部光源光线的照射方向和图像获取单元的光圈大小中的一个或多个,所述拍摄角度为图像获取单元的拍摄角度;
所述移动速度为图像获取单元与目标对象的相对移动速度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在获取木板的图像样本的同时还获取白色参考物体的图像。
4.根据权利要求1所述的方法,其特征在于,所述神经网络为卷积神经网络和/或深度神经网络。
5.根据权利要求1所述的方法,其特征在于,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
6.根据权利要求1所述的方法,其特征在于,所述利用训练好的神经网络,确定待分类木板在每一个分类的置信度,包括:
在任意环境条件下获取任意移动速度的当前待分类木板的图像。
7.根据权利要求6所述的方法,其特征在于,所述利用训练好的神经网络,确定待分类木板在每一个分类的置信度,还包括:
在获取当前待分类木板的图像的同时还获取白色参考物体的图像。
8.根据权利要求6所述的方法,其特征在于,所述当前待分类木板的图像对应的环境条件包括外部光源光线的强弱、外部光源光线的照射方向、图像获取单元的拍摄角度和图像获取单元的光圈大小中的一个或多个;
所述当前待分类木板的图像对应的移动速度为图像获取单元与所述当前待分类木板的相对移动速度。
9.一种对木板分类的学习系统,其特征在于,所述系统包括:
图像获取单元,用于在不同环境条件下获取不同移动速度的木板的图像样本数据,所述环境条件包括光照环境、拍摄角度;
分类单元,用于对木板进行初始分类,分类后的图像样本数据包括一个自由定义的产品分类、一个移动速度、一个光照环境、一个摄像机角度的标签;
训练单元,用于基于初始分类后的图像样本数据,训练神经网络;
分析单元,用于:
利用训练好的神经网络,确定待分类木板在每一个分类的置信度;其中,神经网络的输出是每个分类的置信度最终估计值;根据这些估计值,选择置信度最高的分类、速度、摄像机角度作为最终的输出;
根据一个时间与速度的映射关系得到并确定当前待分类木板的踢腿时间。
10.根据权利要求9所述的系统,其特征在于,所述环境条件包括光照环境、拍摄角度,所述光照环境包括木板周围环境光线的强弱、光线的照射方向和图像获取单元的光圈大小中的一个或多个,所述拍摄角度为图像获取单元的拍摄角度;
所述移动速度为图像获取单元与目标对象的相对移动速度。
11.根据权利要求9所述的系统,其特征在于,所述图像获取单元还用于:
在获取图像样本的同时获取白色参考物体的图像。
12.根据权利要求9所述的系统,其特征在于,所述学习单元和/或所述训练单元位于云服务器中。
13.根据权利要求9所述的系统,其特征在于,所述神经网络为卷积神经网络和/或深度神经网络。
14.根据权利要求9所述的系统,其特征在于,所述神经网络包括多个层,每个层包括多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
15.根据权利要求9所述的系统,其特征在于,在所述分析单元利用训练好的神经网络,确定待分类木板在每一个分类的置信度前,所述图像获取单元还用于:
在任意环境条件下获取任意移动速度的当前待分类木板的图像。
16.根据权利要求15所述的系统,其特征在于,在所述分析单元利用训练好的神经网络,确定待分类木板在每一个分类的置信度前,所述图像获取单元还用于:
在获取当前待分类木板的图像的同时还获取白色参考物体的图像。
17.根据权利要求9所述的系统,其特征在于,所述环境条件包括光线的强弱、光线的照射方向和图像获取单元的拍摄角度中的一个或多个;
所述当前待分类木板的图像对应的移动速度为图像获取单元与所述当前待分类木板的相对移动速度。
18.一种木板分类学习系统,其特征在于,所述系统包括:
存储器;和
一个或多个处理器;
其中,所述存储器与所述一个或多个处理器通信连接,所述存储器中存储有可被所述一个或多个处理器执行的指令,所述指令被所述一个或多个处理器执行,以使所述一个或多个处理器能够实现如权利要求1-8中任一项所述的方法。
19.一种计算机可读存储介质,所述计算机可读存储介质中存储由计算机可执行指令,所述计算机可执行指令被执行时可实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566716.1A CN107437094B (zh) | 2017-07-12 | 2017-07-12 | 基于机器学习的木板分拣方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710566716.1A CN107437094B (zh) | 2017-07-12 | 2017-07-12 | 基于机器学习的木板分拣方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107437094A CN107437094A (zh) | 2017-12-05 |
CN107437094B true CN107437094B (zh) | 2021-04-20 |
Family
ID=60460309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710566716.1A Active CN107437094B (zh) | 2017-07-12 | 2017-07-12 | 基于机器学习的木板分拣方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107437094B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375353B (zh) * | 2017-12-14 | 2024-04-19 | 北京木业邦科技有限公司 | 一种木材检测方法、装置和设备 |
CN107944504B (zh) * | 2017-12-14 | 2024-04-16 | 北京木业邦科技有限公司 | 木板识别及木板识别的机器学习方法、装置及电子设备 |
CN108247764B (zh) * | 2017-12-14 | 2021-04-27 | 北京木业邦科技有限公司 | 基于机器学习的木板切割方法、装置、电子设备和介质 |
CN108090896B (zh) * | 2017-12-14 | 2021-01-01 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN108362702A (zh) * | 2017-12-14 | 2018-08-03 | 北京木业邦科技有限公司 | 一种基于人工智能的单板缺陷检测方法、系统及设备 |
CN108262809B (zh) * | 2017-12-14 | 2021-06-29 | 北京木业邦科技有限公司 | 基于人工智能的木板加工方法、装置、电子设备和介质 |
JP7047372B2 (ja) * | 2017-12-21 | 2022-04-05 | 東レ株式会社 | データ識別装置およびデータ識別方法 |
CN108672316A (zh) * | 2018-03-27 | 2018-10-19 | 哈尔滨理工大学 | 一种基于卷积神经网络的微小零件质量检测系统 |
CN108563204B (zh) * | 2018-04-11 | 2021-01-01 | 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 |
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系统及算法 |
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 |
CN111429410B (zh) * | 2020-03-13 | 2023-09-01 | 杭州电子科技大学 | 一种基于深度学习的物体x射线图像材质判别系统及方法 |
CN113534739B (zh) * | 2020-04-15 | 2022-10-14 | 大族激光科技产业集团股份有限公司 | 一种木工自动翻板方法及系统 |
CN113012156B (zh) * | 2021-05-10 | 2022-02-01 | 南京林业大学 | 实木板材颜色智能分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
-
2017
- 2017-07-12 CN CN201710566716.1A patent/CN107437094B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156734A (zh) * | 2016-06-28 | 2016-11-23 | 浙江工业大学 | 一种基于卷积神经网络图像识别的水流测速方法 |
Non-Patent Citations (4)
Title |
---|
Robust camera pose estimation by viewpoint classification using deep learning;Yoshikatsu Nakajima等;《Computational Visual Media》;20170630;第3卷(第2期);第189-198页:摘要,正文第2-3小节 * |
Single and Multiple Illuminant Estimation Using Convolutional Neural Networks;Simone Bianco等;《arXiv:1508.00998v2》;20151214;第1-14页:摘要,正文第3小节 * |
Vehicle Logo Recognition and Attributes Prediction by Multi-task Learning with CNN;Yizhang Xia等;《2016 12th International Conference on Natural Computation, Fuzzy Systems and Knowledge Discovery (ICNC-FSKD)》;20161231;第668-672页:摘要,正文第I-III小节 * |
基于模式识别与机器视觉工件的识别及分拣;忽正熙;《中国优秀硕士学位论文全文数据库-信息科技辑》;20170215(第02期);第I138-3275页:摘要,正文第1.3.2小节、第五章 * |
Also Published As
Publication number | Publication date |
---|---|
CN107437094A (zh) | 2017-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
CN107832780B (zh) | 基于人工智能木板分选低置信度样本处理方法及系统 | |
CN107944504B (zh) | 木板识别及木板识别的机器学习方法、装置及电子设备 | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN110163858A (zh) | 一种铝型材表面缺陷检测与分类方法及系统 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
CN105651776A (zh) | 基于计算机视觉的牛胴体产肉量自动分级装置与方法 | |
CN103344583B (zh) | 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法 | |
CN113077450B (zh) | 基于深度卷积神经网络的樱桃分级检测方法及系统 | |
KR20200084940A (ko) | Cnn 기반 병해 및 손상 과일 분류 장치 및 방법 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
CN109215015A (zh) | 一种基于卷积神经网络的蚕茧在线视觉检测方法 | |
CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测系统 | |
CN111712769A (zh) | 用于设定照明条件的方法、装置、系统及程序以及存储介质 | |
CN109614994A (zh) | 一种瓷砖分类识别方法及装置 | |
CN109693140A (zh) | 一种智能化柔性生产线及其工作方法 | |
JPH09214131A (ja) | はんだ付け部検査方法及び検査装置 | |
CN115908432A (zh) | 一种物料输出品质检测系统及预测方法 | |
CN102680488B (zh) | 一种基于pca的块状农产品在线识别装置及方法 | |
CN110458027A (zh) | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN110458231A (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN110111332A (zh) | 基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统 |
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 |