CN108090896A - 木板平整度检测及其机器学习方法、装置及电子设备 - Google Patents
木板平整度检测及其机器学习方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108090896A CN108090896A CN201711342059.9A CN201711342059A CN108090896A CN 108090896 A CN108090896 A CN 108090896A CN 201711342059 A CN201711342059 A CN 201711342059A CN 108090896 A CN108090896 A CN 108090896A
- Authority
- CN
- China
- Prior art keywords
- plank
- image
- flatness
- multiple images
- machine 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.)
- Granted
Links
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本公开实施例公开了木板平整度检测及其机器学习方法、装置及电子设备。所述木板平整度检测的机器学习方法,包括:获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;获得所述木板的平整度数据;根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。本公开实施方式在机器学习过程中,获取了一种带有空间结构的数据信息,用于识别一个带有空间特征,使得训练得到的木板检测识别模型能够更加精确的识别木板的平整度数据。
Description
技术领域
本公开涉及木材自动识别技术技术领域,具体涉及一种木板平整度检测及其机器学习方法、装置、电子设备及计算机可读存储介质。
背景技术
在木材加工领域,木板平整度检测是一个重要环节。在对木板进行涂饰过程中,木板可能存在凹凸不平,如果木板的不平整超过一定范围时,木板上的装饰漆会出现裂痕或掉落现象,严重影响木板的装饰功能。在传统的方法中,木板的平整度检测由人工完成。经过训练的工人,通过观察,结合经验判断每一块木板的平整度,有效排除不合格木板。
然而,使用人工的平整度检测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,每一次的平整度检测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。
使用机器进行平整度检测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。
发明内容
本公开实施例提供一种木板平整度检测及其机器学习方法及装置、电子设备、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板平整度检测的机器学习方法,包括:
获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
获得所述木板的平整度数据;
根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
可选地,所述多个图像样本是按照所述预定角度差分布的多个图像采集设备同时采集得到的。
可选地,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
可选地,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
可选地,所述机器学习模型包括卷积神经网络、反馈神经网络、深度学习网络、决策森林、贝叶斯网络、支持向量机中的一种或及几种的组合。
可选地,获得所述木板的多个图像样本,包括:
获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照预定角度差分布;
将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
可选地,获取线性激光光源投射在所述木板表面上的多组一维图像,包括:
在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
可选地,将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本,包括:
将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
第二方面,本公开实施例提出了一种木板平整度检测方法,包括:
获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
可选地,所述多个图像样本是按照所述第一预定角度差分布的多个图像采集设备同时采集得到的;或者,
所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
可选地,将多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型之前,所述方法还包括:
根据所述第一预定角度差从远端服务器获取对应于所述第一预定角度差的经过训练的所述木板平整度识别模型。
可选地,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
可选地,获得所述木板的多个图像样本,包括:
获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照第一预定角度差分布;
将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
可选地,获取线性激光光源投射在所述木板表面上的多组一维图像,包括:
在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
可选地,将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本,包括:
将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
可选地,所述方法还包括:
在所述平整度评估结果的置信度低于预定阈值时,将所述木板的多个图像样本传输至远端服务器。
可选地,所述方法还包括:
在所述平整度评估结果的置信度低于预定阈值时,将所述多个不同的拍摄角度按照第二预定角度差调整后重新获取所述木板的多个图像样本;所述第二预定角度差与所述第一预定角度差不同;
将重新获取的所述多个图像样本输入至第二预定角度差对应的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
第三方面,本公开实施例提出了一种木板平整度检测的机器学习装置,包括:
第一获取模块,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
第二获取模块,被配置为获取所述木板的平整度数据;
训练模块,被配置为根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
可选地,所述多个图像样本是按照所述预定角度差分布的多个图像采集设备同时采集得到的。
可选地,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
可选地,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
可选地,所述机器学习模型包括卷积神经网络、反馈神经网络、深度学习网络、决策森林、贝叶斯网络、支持向量机中的一种或及几种的组合。
可选地,所述第一获取装置,包括:
第一获取子模块,被配置为获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照预定角度差分布;
第一拼接子模块,被配置为将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
可选地,所述第一获取子模块,包括:
第一采集子模块,被配置为在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
第二采集子模块,被配置为在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
可选地,所述第一拼接子模块,包括:
第一分组子模块,被配置为将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
第二拼接子模块,被配置为将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
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,木板平整度检测的机器学习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板平整度检测的机器学习装置执行上述第一方面中木板平整度检测的机器学习方法的计算机指令,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。所述木板平整度检测的机器学习装置还可以包括通信接口,用于木板平整度检测的机器学习装置与其他设备或通信网络通信。
第四方面,本公开实施例提出了一种木板平整度检测装置,包括:
第三获取模块,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
识别模块,被配置为将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
可选地,所述多个图像样本是按照所述第一预定角度差分布的多个图像采集设备同时采集得到的;或者,
所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
可选地,所述识别模块之前,所述装置还包括:
第四获取模块,被配置为根据所述第一预定角度差从远端服务器获取对应于所述第一预定角度差的经过训练的所述木板平整度识别模型。
可选地,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
可选地,所述第三获取模块,包括:
第二获取子模块,被配置为获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照第一预定角度差分布;
第三拼接子模块,被配置为将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
可选地,所述第二获取子模块,包括:
第三采集子模块,被配置为在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
第四采集子模块,被配置为在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
可选地,所述第三拼接子模块,包括:
第二分组子模块,被配置为将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
第四拼接子模块,被配置为将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
可选地,所述装置还包括:
传输模块,被配置为在所述平整度评估结果的置信度低于预定阈值时,将所述木板的多个图像样本传输至远端服务器。
可选地,所述装置还包括:
第五获取模块,被配置为在所述平整度评估结果的置信度低于预定阈值时,将所述多个不同的拍摄角度按照第二预定角度差调整后重新获取所述木板的多个图像样本;所述第二预定角度差与所述第一预定角度差不同;
第六获取模块,被配置为将重新获取的所述多个图像样本输入至第二预定角度差对应的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
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,木板平整度检测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板平整度检测装置执行上述第一方面中木板平整度检测方法的计算机指令,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。所述木板平整度检测装置还可以包括通信接口,用于木板平整度检测装置与其他设备或通信网络通信。
第五方面,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。
第六方面,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二方面所述的方法步骤。
第七方面,本公开实施例提供了一种计算机可读存储介质,用于存储木板平整度检测的机器学习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板平整度检测的机器学习方法所涉及的计算机指令。
第八方面,本公开实施例提供了一种计算机可读存储介质,用于存储木板平整度检测装置所用的计算机指令,其包含用于执行上述第二方面中木板平整度检测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:
本公开实施例在机器学习过程中,从不同拍摄角度采集木板样本的图像,并利用采集到的图像对机器学习模型进行训练。根据本公开实施方式,在机器学习过程中,获取了一种带有空间结构的数据信息,用于识别一个带有空间特征,也就是厚度分布的特征。从另外一个角度,机器学习模型通过处理多个拍摄角度采集的二维图像,恢复了木板样品的三维特征,使得训练得到的木板检测识别模型能够更加精确的识别木板的平整度数据。
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板平整度检测的机器学习方法的流程图;
图2示出根据本公开一实施方式的木板的图像样本采集系统的结构示意图;
图3示出根据本公开一实施方式的卷积神经网络的示意图;
图4示出示出根据图1所示实施方式的步骤S101的流程图;
图5示出示出根据图4所示实施方式的步骤S402的流程图;
图6示出根据本公开一实施方式的木板平整度检测方法的流程图
图7示出根据本公开一实施方式的木板平整度检测的机器学习装置的结构框图;
图8示出根据本公开一实施方式的木板平整度检测装置的结构框图;
图9是适于用来实现根据本公开一实施方式的木板平整度检测的机器学习方法的电子设备的结构示意图。
具体实施方式
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检测自动化的方法变得越来越受到欢迎。这是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,训练的方法极为简单,只需要对数据进行标注,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,如何进行检测则无需人工干预。也就是说,机器学习的方法抛弃了对具体检测模型、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检测。同时,使用一些特殊的机器学习模型,随着训练数据的增加,模型的精确度可以不断的得到提升,这是传统算法无法做到的。此处,基于机器学习的方法能够通过不断输入新的训练数据,持续提升检测算法的精度,这是传统方法不具备的特征。同时,基于机器学习的方法能够通过改变标注方法,以及选择使用不同的训练数据集,在硬件结构不变的情况下,迅速改变平整度的检测规则和检测效果。这也是一旦部署就很难改变的传统方法不具备的特征。
本公开包括基于人工智能的木板表面平整度的检测方法,其中将披露利用机器学习实现高精度、自适应的平整度检测的各种方法和相应的效果。
图1示出根据本公开一实施方式的木板平整度检测的机器学习方法的流程图。如图1所示,所述木板平整度检测的机器学习方法包括以下步骤S101-S103:
在步骤S101中,获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
在步骤S102中,获得所述木板的平整度数据;
在步骤S103中,根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
在本实施例中,木板的平整度是一个三维物理特征,是一种由厚度分布而不是光学分布决定的木板特征。因此厚薄度检测跟其他的木板特征例如花纹、颜色等二维特征有本质的区别。传统的视觉传感器,例如图像采集单元能够获得一个二维图像,该二维图像是木板三维厚度分布投射到传感器而成,当木板样品存在一定的凸凹不平时,对应采集到的二维图像可能呈现对应的特征。然而,由于木板样品不是工业化产品,其存在自然的纹理,该纹理特征可能影响凸凹度对二维图像的影响。例如,如果花纹存在畸变而木板平整,则二维图像仍然可能被识别成不平整。另外一种情况是,木板的不平整性是一个三维的特征,但是投射到一个图像采集单元后该平整度畸变将不会在图像中得到体现。例如一个垂直于木板的图像采集单元无法得到垂直于木板的平整度畸变。由于上述投射效果,平整度畸变没有体现在图像数据中,则任何处理方法也无法识别出该畸变。也就是说,对于一个图像采集单元,每个不同的拍摄角度,所能检测到的平整度能力是不同的,所能检测到平整度的木板区域也是不同的。因此,本公开实施例基于一个多拍摄角度的方法,通过不同角度的图像以及对应的基于人工智能识别方法,获得检测增益。这里的检测增益可以指通过多个不同角度对平整度畸变的观测,得到的单一观测无法识别的平整度识别能力。因此该增益可以极大的提升平整度检测水平,并且能够自适应应对带有不同的花纹木板样本。
本实施例中,为达到以上检测增益,木板的图像数据采集过程如下:图像采集单元可以从不同角度获取木板样本的图像数据。也就是说,在机器学习过程中,木板样本的图像采集可以通过从不同拍摄角度采集获取,即对同一块木板样本获取多个不同的图像样本,多个不同图像样本的获取角度各不相同。此外,多个不同拍摄角度按照预定角度差分布。预定角度差可以指两个相邻拍摄角度之间具有预定的差值。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
可选地,所述多个图像样本是按照所述预定角度差分布的多个图像采集设备同时采集得到的。
例如,如图2所示,图像采集单元的拍摄角度用两个维度角度(Φ,θ)度量。图像采集单元的中心对准木板中心,确定Φ和θ的直线有:图像采集单元与木板平面中心确定的第一直线,图像采集单元中心在木板平面的投影与木板平面中心确定的第二直线,木板平面的水平直线。Φ为第一直线与第二之间的夹角,即垂直维度上图像采集设备与所述木板表面相对的角度,θ为第二直线与水平直线之间的夹角,即水平维度上图像采集设备与所述木板表面相对的角度。
这样,采用按照预定角度差分布的多个图像采集单元从不同拍摄角度采集木板的图像数据时,不同拍摄角度可以描述为:
图像采集单元1角度1,(Φ1,θ1)
图像采集单元2角度2,(Φ2,θ2)
图像采集单元3角度3,(Φ3,θ3)
……
图像采集单元N角度N,(ΦN,θN)
N为图像采集单元数目。
多个图像采集单元从不同角度得到同一木板的多个图像数据d1,d2,d3,……,dN。
Φ1,θ1,Φ2,θ2,Φ3,θ3,……ΦN,θN都是可调的。
为实现以上数据采集,一种方式是采用多个图像采集单元的技术,例如图1所示。多个图像采集单元在同一时间采集木板的图像,采集时机通过一个控制器实现。例如当木板达到采集区正中央时,控制器发送信号给多个图像采集单元,多个图像采集单元同时采集数据。获得一个木板的图像数据集Sample 1:[d1,d2,d3,……,dN]。
在图2所示的实施例中,为实现以上数据采集,采用了多个图像采集单元的技术。多个图像采集单元在同一时间采集木板的图像样本,采集时机通过一个控制器实现。例如当木板达到采集区正中央时,控制器发送信号给多个图像采集单元,多个图像采集单元同时采集数据,获得一个木板的多个图像样本构成的数据集。其中,控制器可以基于一个图像识别技术来实现,该图像识别器能够通过图像采集单元的数据判断采集时机。因此,可以令一个图像采集单元与控制器相连并且不间断获取图像数据,当该控制器判断木板进入拍摄位置时,才控制多个图像采集单元的进行图像采集。
当然,在其他实施例中,还可以通过同一图像采集单元分别从各个不同拍摄角度获取同一木板的图像数据。例如,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。通过传送带,移动木板时,由同一个图像采集设备在不同时刻以预定角度差分布的不同拍摄角度采集木板的图像样本数据,同样能够达到上述效果。在样本被传送带携带通过采集区时,图像采集单元在不同时机采集多个图像。
同样的,采集时机通过一个控制器来实现,控制器通过图像识别技术来判断数据采集时机。由于传送带的运动特性,不同时机采集的图像也就意味着同一样本的不同采集角度,也实现了上述图像采集的目标。
在本实施例中,机器学习过程中,木板样本的图像数据采集之后,还可以通过人工对木板进行人工标注,即标注出木板的平整度数据。平整度数据包括但不限于木板的平整度级别、木板的畸变区域、畸变区域的畸变级别、木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。可以预先设置平整度数据的标注规则,例如按照木板的平整度将木板分为不同的级别,还可以标注出木板存在畸变的区域,并按照畸变区域的畸变程度不同进行分级,还可以对木板整体进行畸变类型的分类,对畸变区域进行分类等。当然可以理解的是,在机器学习过程中木板的平整度数据还可以通过自动化方式获取。总之,机器学习过程中获取的木板样本的平整度数据为木板的真实平整度数据。
例如,对一个图像样本进行平整度标注可以采用多种方法:
一种方式为,对木板样本的整体平整度进行整体标注。也就是对一个木板只分给一个平整度等级。例如将平整度分为[f0,f1,f2,f3,f4]五个等级分别对应平整到不平整。然后,对一定批次的样本进行平整度标注。平整度的获得是通过其他方式或人工的方法得到,例如
Sample 1
[d1,d2,d3][-45 0,0 0,50 0][f0]
代表了包含三个不同拍摄角度的图像样本,平整度数据被标注为f0,即平整度级别为f0。
另外一种标注方法可以使用更为精准的标注,在一个样本图像中,对不平整区域进行特别标注。使得平整度畸变图像能够与其他平整图像得以区分开来,并且具备位置标识。此时,标注的方式需要在多个拍摄角度的对应区域内均进行标识,尽管在某一拍摄角度下标注区域可能不呈现任何不平整畸变。此外,可以在不平整区域内进一步标注畸变程度,类似于上述方式,标注[f0,f1,f2,f3,f4]等级。
另外一种标注方法为对平整度度量进行标注,例如弯曲度,凸型或凹型进行标注,即标注木板平整度类型。
木板平整度类型的标注方式与畸变区域的标注方式还可以结合起来,在平整度出现畸变的区域标注出平整度类型等。
还可以将上述各种平整度标注方式中的多种方式组合起来进行标注,具体根据实际情况选择应用,在此不再赘述。
同一个木板样本,可以进行多种标注方式,也可以生成多种拍摄角度的数据集后并分别进行标注。
在获得木板的多个图像样本以及真实平整度数据之后,可以通过机器学习自学习方法对预先选定的机器学习模型进行训练。机器学习模型可以包括但不限于卷积神经网络、反馈神经网络、深度学习网络、决策森林、贝叶斯网络、支持向量机中的一种或及几种的组合。在选定机器学习模型之后,将机器学习模型的参数设置为一初始值,并将所采集到的木板的图像样本数据输入至机器学习模型中,通过多种不同木板的多个图像样本数据的训练,并根据图像样本对应的真实平整度数据对机器学习模型的参数不断更新,最终得到训练好的木板平整度检测模型。
下面以选择神经网络作为机器学习模型的方式作为示例,详细说明机器学习过程。
本公开实施例中所使用的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。神经网络可以包括含有多个层,每个层可以包含多个节点,相邻两层多个节点之间存在可训练权重的神经网络。
图3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检测的输出,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,将木板的图像样本数据作为输入,将其所在的自定义检测等属性作为输出,通过训练算法,例如梯度下降(gradient descent)算法使得神经网络中的滤波器权重值不断更新,进而使得输出与图像样本数据中的平整度数据差异最小。随着使用的训练数据量的不断增大,网络节点值不断改变,神经网络的检测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3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检测系统中完成,也可以在云端完成。在一种方式中,通过图2所示的结构,采集器采集木板样本的图像数据以及标注后的平整度数据集传送到云端服务器进行模型训练,服务器将训练后的平整度检测模型传输到本地的处理器并完成部署。
在一种实施方式中,云端服务器可以使用多种来源的训练数据。例如来自多个本地图像采集并标注的数据,进而使得获得的数据量增大。但是,需要注意的是,所有训练数据需要经过标准化的格式融合之后用于训练某一神经网络。例如,使用三个拍摄角度的数据集不与使用五个拍摄角度的数据集进行融合,此外不同数据集的拍摄角度也可以保持一致。此外,用于训练模型的数据集需要与部署的图像采集设备可以相匹配,以免影响后期平整度检测的精度。
由于本公开实施例采用同一木板样本从不同拍摄角度获得的多个图像样本对机器学习模型进行训练,因此最终得到的木板平整度检测模型能够并不是针对单一一个图像样本进行判断,而是结合多个拍摄角度进行综合判断。由于训练数据中包含了多种情景,例如只有一个角度采集的图像获得了平整度畸变,而其他角度采集的图像并没有捕捉任何平整度畸变的图像,该数据对机器学习模型的训练使得机器学习模型在后续的工作中能够识别这种场景。因此,本公开实施例提出的方案获得了多拍摄角度的检测增益。注意该增益并不仅仅是为了增加更多的训练样本,而是获取一种带有空间结构的数据信息,用于识别一个带有空间特征,也就是厚度分布的特征。从另外一个角度,机器学习模型通过处理多个拍摄角度采集的二维图像,恢复了木板样品的三维特征,这与使用双目图像采集单元进行深度探测的原理类似。然而,该机器学习模型对空间信息的处理并没有显性的在输出数据中得到彰显,而是包含在内部处理的信息中。因此,需要注意的是,本公开所使用多个图像采集单元的目的并不是测量距离,而是获得处理增益,使得各种类型的平整畸变都能被准确检测到。这是由于训练数据中已经包含了大量的特殊图像样本,这些图像样本只有一个或少数几个角度下的图像包含了畸变图像,而其他角度下不包含畸变图像。
在本实施例的一个可选实现方式中,如图4所示,所述步骤S101,即获得所述木板的多个图像样本的步骤,进一步包括以下步骤S401-S402:
在步骤S401中,获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照预定角度差分布;
在步骤S402中,将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
在本实施例的一个可选实现方式中,利用木板的图像样本进行机器学习时,所采集的木板图像可以为高精度的一维图像,且对同一个木板样本采集不同拍摄角度下的多组一维图像,使得训练样本更加丰富,且能适应在各种条件下采集的图像的识别。
在该可选的实现方式中,使用一个线性激光光源向木板投射激光,并通过图像采集单元获得图像数据。由于激光光源的不易散射特性,使得激光光源照射在木板上仍然保持一个直线的特征。当木板由于厚度不均产生平整度畸变时,激光光源的反射图像将改变直线的特征,产生扭曲。同理的,该扭曲的图像在不同拍摄角度时,也仍然会出现由于图像传感器的映射而无法识别的情况。例如,激光垂直投射到木板,木板有垂直向下的凹陷,图像采集单元垂直拍摄。则具体的效果是,激光在木板表面出现弯曲,但是图像采集单元采集的图像仍然是一条直线。此时,按照图像采集的数据进行直接识别,则任何处理方式均认为当前区域为平整。此时,如果激光光源的投射角度不同,则图像采集单元可能识别到一个弯曲的图像。再或者,如果图像采集单元的拍摄角度不同,则可能捕捉到反射激光线的弯曲。如图5所示,由于木板样本本身的弯曲,垂直视角无法捕捉到激光光源反射曲线的弯曲,而倾斜拍摄的图像则能反映出弯曲。同理,在某种平整度畸变情况下,倾斜拍摄的图像无法反应出弯曲,而垂直的拍摄的图像则能反映出弯曲。因此,如图5所示,图像采集装置可以包括多个激光源,从不同的角度照射木板图像。同时,多个图像采集装置可以从不同的角度采集多个激光源的反射图像,并形成一帧的图像。由于每一次图像采集仅能获得木板样本中某一线性区域的图像信息,因此需要通过不间断采集反射图像并进行简单的图像处理,才能得到整个木板的整体图像样本。该图像样本是从多个一维线性样本中重构出的二维图像。在得到重构的二维图像后,延续上述的标注、训练方法,得到一个训练后的木板平整度检测模型。
在平整度检测期间,图像采集设备不间断采集激光光源照射木板反射的图像样本,并经过图像处理后输入至训练后的木板平整度检测模型,得到上述平整度检测结果。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
在采集线性激光光源在木板上形成的反射数据时,多个线性激光光源的投射角度可以不同,且投射位置也可以不同,而相应的,采集不同线性激光光源的投射图像的图像采集单元也从各个不同的拍摄角度进行图像采集。线性激光光源和图像采集单元一一对应,即一个图像采集单元采集对应的一个线性激光光源在木板上投射形成的一维图像。不同线性激光光源在同一时刻投射到木板上的线性图像的位置也不同。
在本实施例的一个可选实现方式中,所述步骤S401,即获取线性激光光源投射在所述木板表面上的多组一维图像的步骤,进一步包括以下步骤:
在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
在该可选的实现方式中,采集线性激光光源投射在木板表面上的多组一维图像可以有两种方式:
第一种,木板以预定速度移动,而线性激光光源和图像采集单元固定不动。此时,木板在移动过程中,从木板进入采集区域时刻起,每个图像采集单元采集对应的线性激光光源在木板上投射的一维图像,在木板离开图像采集区域时,每个图像采集单元采集到了从木板表面一端至另一端的一组一维图像,该一组一维图像拼接之后形成对应一个拍摄角度的一个二维图像,即木板在该图像采集单元采取的拍摄角度下的图像样本。那么,不同的线性激光器和图像采集单元组合能够采集到多个不同拍摄角度下的图像样本。
第二种,木板固定不动,而线性激光光源和图像采集单元以预定速度移动、且其相对木板的投射角度和拍摄角度不变的情况下,线性激光光源从木板表面的一端至另一端投射形成一维图像的同时,图像采集单元采集一维图像,最终获得一组一维图像,该该一组一维图像拼接之后形成对应一个拍摄角度的一个二维图像,即木板在该图像采集单元采取的拍摄角度下的图像样本。那么,不同的线性激光器和图像采集单元组合能够采集到多个不同拍摄角度下的图像样本。
在本实施例的一个可选实现方式中,如图5所示,所述步骤S402,即将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本的步骤,进一步包括以下步骤:
在步骤S501中,将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
在步骤S502中,将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
在该可选的实现方式中,将一组一维图像拼接成二维图像时,即图像样本时,还可以按照图像获取时间顺序和或按照图像次序分成不同的多组一维图像,进而获得多个不同的二维图像,以获得更多的图像样本。
例如,将每组一维图像按照图像获取时间顺序分成第一组一维图像和第二组一维性图像;
将所述第一组一维图像和所述第二组一维图像分别进行拼接,形成两个二维图像样本。
该可选的实现方式中,可以将同一线性激光光源以及图像采集单元组合获取的一组一维图像分成两部分,即按照时间顺序分成前后两部分,最后再将前后两部分的一维图像分别拼接得到两个一维图像。这种方式下,在采样获取前半部分一维图像和后半部分一维图像时,可以采用不同的拍摄条件,如不同的光照条件等。当然还可以是在采集前半部分一维图像和后半部分一维图像时,采用不同的投射角度和拍摄角度,使得前后两部分一维图像数据具有不同的投射角度和拍摄角度。
再例如,将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本,包括:
按照图像获取时间顺序,将每组一维图像中次序为奇数的一维图像分为第三组一维图像,将次序为偶数的一维图像分为第四组一维图像;
将所述第三组一维图像和所述第四组一维图像分别进行拼接,形成两个二维图像样本。
同样,在该可选的实现方式中,可以将同一线性激光光源以及图像采集单元组合获取的一组一维图像分成两部分,即将获取的一组一维图像中采样次序在奇数位和偶数位的一维图像分别分成两个小组,每个小组包括的一维图像拼接成一个二维图像,则能获得两个二维图像。如前所述,这种方式下,在采样获取奇数位的一维图像和偶数位的一维图像时,可以采用不同的拍摄条件,如不同的光照条件等。当然还可以是在奇数位的一维图像和偶数位的一维图像时,变换不同的投射角度和拍摄角度,使得获得的两组一维图像数据具有不同的投射角度和拍摄角度。
图6示出根据本公开一实施方式的木板平整度检测方法的流程图。如图6所示,所述木板平整度检测方法包括以下步骤S601-S602:
在步骤S601中,获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
在步骤S602中,将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
本实施例中,在对木板平整度进行检测时,从不同拍摄角度获取木板的多个图像样本,并将所述多个图像样本输入至预先训练好的木板平整度识别模型中进行识别,以获得木板的平整度评估结果。获取木板的多个图像样本的图像采集单元的拍摄角度按照第一预定角度差分布,而此处所采用的木板平整度识别模型也同样是经过按照具有第一预定角度差的样本图像训练的模型。例如,木板平深度识别模型是按照图1所示实施例的机器学习方法训练得到的模型,且采集训练样本时也是按照第一预定角度差分布的多个拍摄角度采集。
待检测木板的图像采集过程与图1所示实施例中的采集过程可以一致,具体细节可参见上述对图1所示实施例的描述,在此不再赘述。
采集到待检测木板的多个图像样本数据后,将多个图像样本数据输入至木板平整度检测识别模型中,即可得到木板平整度的识别结果。
需要说明的是,此处即使只采集待检测木板的一个图像样本,即一个拍摄角度下的一个图像样本时,如果采用图1所示实施例中的木板平整度检测识别模型也同样可以精确识别出木板的平整度,这是因为在对木板平整度检测识别模型按照图1所示实施例的方案进行训练时,采用了从多个不同拍摄角度获取的训练样本,且同一木板对应的这些多个图像样本的标注结果即平整度数据相同,因此在检测过程中,即使由于拍摄角度的原因没有在图像中体现出不平整之处,该检测识别模型也同样能够检测出准确的平整度数据。
可选地,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。具体细节可参见上述对图1所示实施例中机器学习方法的描述,在此不再赘述。
可选地,所述多个图像样本是按照所述第一预定角度差分布的多个图像采集设备同时采集得到的;或者,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。具体细节可参见上述对图1所示实施例中机器学习方法的描述,在此不再赘述。
在本公开实施例的一可选实现方式中,所述步骤S602,即将多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型的步骤之前,所述方法还包括:
根据所述第一预定角度差从远端服务器获取对应于所述第一预定角度差的经过训练的所述木板平整度识别模型。
该可选实现方式中,木板平整度检测识别模型可以通过通信网络从远端服务器获取。远端服务器可以利用海量的训练数据训练处不同预定角度差对应的木板平整度检测识别模型,以适应各个本地端的不同需求。本地端可以基于自身需求从远端服务器获取相应的木板平整度检测识别模型后,在本地对待检测木板进行平整度识别。
可选地,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。具体细节可参见上述对图1所示实施例中机器学习方法的描述,在此不再赘述。
在本公开实施例的一可选实现方式中,所述步骤S601中,即获得所述木板的多个图像样本的步骤,进一步包括以下步骤:
获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照第一预定角度差分布;
将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
该可选的实现方式中,采用线性激光光源投射在木板表面,并采用图像采集单元采集线性激光光源在木板表面形成的一维图像来获得待检测木板的图像样本,获取方式与图1至图4所示实施例相同,具体细节可参见对图1至图4所示实施例的描述,在此不再赘述。
可选地,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。具体细节可参见对图4所示实施例的描述,在此不再赘述。
在本公开实施例的一可选实现方式中,获取线性激光光源投射在所述木板表面上的多组一维图像的步骤,进一步包括:
在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
该可选的实现方式中,所采用的方式与上述图1至图4所示实施例的方式相同,具体细节可参见上述对图1至图4所示实施例的描述,在此不再赘述。
在本公开实施例的一可选实现方式中,将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本,包括:
将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
该可选的实现方式中,所采用的方式与上述图1至图5所示实施例的方式相同,具体细节可参见上述对图1至图5所示实施例的描述,在此不再赘述。
在本公开实施例的一可选实现方式中,所述方法还包括:
在所述平整度评估结果的置信度低于预定阈值时,将所述木板的多个图像样本传输至远端服务器。
在该可选的实现方式中,训练后的木板平整度检测识别模型在一些情况下,可能无法获得精准的平整度检测,例如在各个平整度的等级中的置信度值接近,这意味着该木板平整度检测识别模型无法精准识别该木板样本具体的平整度。这些数据可以被单独标记,例如被认为是一个低置信度样本。这些样本可以传输至服务器或本地终端,进行进一步人工标注,然后发送给训练数据集,并在下一次训练中得到使用。也就是说,本公开实施例可以通过迭代的方式,不断更新训练过的木板平整度检测识别模型,进而不断提升其精度。
在本公开实施例的一可选实现方式中,所述方法还包括:
在所述平整度评估结果的置信度低于预定阈值时,将所述多个不同的拍摄角度按照第二预定角度差调整后重新获取所述木板的多个图像样本;所述第二预定角度差与所述第一预定角度差不同;
将重新获取的所述多个图像样本输入至第二预定角度差对应的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
在该可选的实现方式中,在一些情况下,训练后的木板平整度检测识别模型无法获得精准的平整度检测,则可以通过调整图像采集装置的拍摄角度进行再检测。此时,根据更新后的拍摄角度,所使用的木板平整度检测识别模型也需要进行更新,即获取与更新后的拍摄角度一致的木板平整度检测识别模型进行检测。例如可以通过网络,向服务器发送一个新的角度配置,并下载并部署一个新的网络到识别器中。更新后的拍摄角度也即对应更新后的预定角度差,因此第一预定角度差和第二预定角度差可以不同。
经过训练的木板平整度检测识别模型,可以通过多个拍摄角度采集的图像数据对木板平整度进行识别。该木板平整度检测识别模型并不是针对单一一个图像样本进行判断,而是结合多个摄像角度获取的图像样本进行综合判断。由于模型的训练数据中包含了多种情景,例如只有一个拍摄角度采集的训练样本获得了平整度畸变,而其他拍摄角度采集的训练样本并没有捕捉任何平整度畸变的图像,该训练数据对木板平整度检测识别模型的训练使得木板平整度检测识别模型在后续的工作中能够识别这种场景。因此,本公开实施例提出的上述方案获得了多摄像角度的检测增益。注意该增益并不仅仅是为了增加更多的训练样本,而是获取一种带有空间结构的数据信息,用于识别一个带有空间特征,也就是厚度分布的特征。从另外一个角度,木板平整度检测识别模型通过处理多个角度拍摄的二维图像,恢复了木板样品的三维特征,这与使用双目图像采集单元进行深度探测的原理类似。然而,该木板平整度检测识别模型对空间信息的处理并没有显性的在输出数据中得到彰显,而是包含在内部处理的信息中。因此,需要注意的是,本公开所述使用多个图像采集单元的目的并不是测量距离,而是获得处理增益,使得各种类型的平整畸变都能被准确检测。这是由于训练数据中已经包含了大量的特殊样本,这些样本只有一个或少数几个拍摄角度下的图像包含了畸变图像,而其他角度下不包含畸变图像。
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板平整度检测的机器学习装置的结构框图,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,所述木板平整度检测的机器学习装置包括第一获取模块701、第二获取模块702和训练模块703:
第一获取模块701,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
第二获取模块702,被配置为获取所述木板的平整度数据;
训练模块703,被配置为根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
在本公开一可选的实现方式中,所述多个图像样本是按照所述预定角度差分布的多个图像采集设备同时采集得到的。
在本公开一可选的实现方式中,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
在本公开一可选的实现方式中,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
在本公开一可选的实现方式中,所述机器学习模型包括卷积神经网络、反馈神经网络、深度学习网络、决策森林、贝叶斯网络、支持向量机中的一种或及几种的组合。
在本公开一可选的实现方式中,所述第一获取装置,包括:
第一获取子模块,被配置为获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照预定角度差分布;
第一拼接子模块,被配置为将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
在本公开一可选的实现方式中,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
在本公开一可选的实现方式中,所述第一获取子模块,包括:
第一采集子模块,被配置为在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
第二采集子模块,被配置为在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
在本公开一可选的实现方式中,所述第一拼接子模块,包括:
第一分组子模块,被配置为将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
第二拼接子模块,被配置为将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
本实施例中木板平整度检测的机器学习装置与上述木板平整度检测的机器学习方法对应一致,具体细节可参见上述对木板平整度检测方法的描述。
图8示出根据本公开一实施方式的木板平整度检测装置的结构框图,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8所示,所述木板平整度检测装置包括第三获取模块801和识别模块802:
第三获取模块801,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
识别模块802,被配置为将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
在本公开实施例的一可选实现方式中,所述多个图像样本是按照所述第一预定角度差分布的多个图像采集设备同时采集得到的;或者,
所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
在本公开实施例的一可选实现方式中,,所述识别模块之前,所述装置还包括:
第四获取模块,被配置为根据所述第一预定角度差从远端服务器获取对应于所述第一预定角度差的经过训练的所述木板平整度识别模型。
在本公开实施例的一可选实现方式中,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
在本公开实施例的一可选实现方式中,所述第三获取模块,包括:
第二获取子模块,被配置为获取线性激光光源投射在所述木板表面上的多组一维图像;每组所述一维图像包括从同一拍摄角度采集到的从同一投射角度投射在所述木板表面不同位置处的多个一维图像;且各组一维图像对应的拍摄角度按照第一预定角度差分布;
第三拼接子模块,被配置为将所述多组一维图像中的每组分别进行拼接,形成多个二维图像样本。
在本公开实施例的一可选实现方式中,所述各组一维图像对应的线性激光光源的投射角度和/或投射位置不同。
在本公开实施例的一可选实现方式中,所述第二获取子模块,包括:
第三采集子模块,被配置为在所述木板以预定速度移动时,采集固定不动的线性激光光源投射在所述木板表面上的多组一维图像;或者,
第四采集子模块,被配置为在所述木板固定不动,且所述线性激光光源以预定速度移动投射在所述木板表面时,同步采集所述线性激光光源投射在所述木板表面上的多组一维图像。
在本公开实施例的一可选实现方式中,所述第三拼接子模块,包括:
第二分组子模块,被配置为将每组一维图像按照图像获取时间顺序和/或图像次序分成至少两组一维性图像;
第四拼接子模块,被配置为将所述至少两组一维图像分别进行拼接,形成至少两个二维图像样本。
在本公开实施例的一可选实现方式中,所述方法还包括:
传输模块,被配置为在所述平整度评估结果的置信度低于预定阈值时,将所述木板的多个图像样本传输至远端服务器。
在本公开实施例的一可选实现方式中,所述方法还包括:
第五获取模块,被配置为在所述平整度评估结果的置信度低于预定阈值时,将所述多个不同的拍摄角度按照第二预定角度差调整后重新获取所述木板的多个图像样本;所述第二预定角度差与所述第一预定角度差不同;
第六获取模块,被配置为将重新获取的所述多个图像样本输入至第二预定角度差对应的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
本实施例中木板平整度检测装置与上述木板平整度检测方法对应一致,具体细节可参见上述对木板平整度检测方法的描述。
图9是适于用来实现根据本公开实施方式的木板平整度检测的机器学习方法的电子设备的结构示意图。
如图9所示,电子设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903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RAM903中,还存储有电子设备900操作所需的各种程序和数据。CPU901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;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907;包括硬盘等的存储部分908;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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,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910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908。
上述电子设备同样适用于执行图6所示实施例中木板平整度检测方法,因此,用于执行木板平整度检测方法的电子设备的具体细节可参见上述对图6所示实施例的描述,在此不再赘述。
特别地,根据本公开的实施方式,上文参考图1或图9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或图9的木板平整度检测的机器学习方法或木板平整度检测方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。
Claims (10)
1.一种木板平整度检测的机器学习方法,其特征在于,包括:
获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
获得所述木板的平整度数据;
根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
2.根据权利要求1所述的机器学习方法,其特征在于,所述拍摄角度包括在水平和垂直两个维度上图像采集设备与所述木板表面相对的角度。
3.根据权利要求1所述的机器学习方法,其特征在于,所述多个图像样本是按照所述预定角度差分布的多个图像采集设备同时采集得到的。
4.根据权利要求1所述的机器学习方法,其特征在于,所述多个图像样本是在所述木板移动的情况下,通过一个图像采集设备在多个时刻进行图像采集得到的。
5.根据权利要求1所述的机器学习方法,其特征在于,所述平整度数据包括所述木板的平整度级别、所述木板的畸变区域、所述畸变区域的畸变级别、所述木板的畸变类型、所述木板的畸变区域的畸变类型中的一种或多种。
6.一种木板平整度检测方法,其特征在于,包括:
获得所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
7.一种木板平整度检测的机器学习装置,其特征在于,包括:
第一获取模块,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按预定角度差分布;
第二获取模块,被配置为获取所述木板的平整度数据;
训练模块,被配置为根据所述木板的图像样本和所述平整度数据对机器学习模型进行训练。
8.一种木板平整度检测装置,其特征在于,包括:
第三获取模块,被配置为获取所述木板的多个图像样本;其中,所述多个图像样本包括从多个不同的拍摄角度采集的所述木板的图像;所述多个不同的拍摄角度按第一预定角度差分布;
识别模块,被配置为将所述多个图像样本输入至对应于所述第一预定角度差分布的经过训练的木板平整度识别模型,获得所述木板的平整度评估结果。
9.一种电子设备,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1-10任一项所述的方法步骤。
10.一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1-10任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711342059.9A CN108090896B (zh) | 2017-12-14 | 2017-12-14 | 木板平整度检测及其机器学习方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711342059.9A CN108090896B (zh) | 2017-12-14 | 2017-12-14 | 木板平整度检测及其机器学习方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090896A true CN108090896A (zh) | 2018-05-29 |
CN108090896B CN108090896B (zh) | 2021-01-01 |
Family
ID=62176460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711342059.9A Active CN108090896B (zh) | 2017-12-14 | 2017-12-14 | 木板平整度检测及其机器学习方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090896B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830891A (zh) * | 2018-06-05 | 2018-11-16 | 成都精工华耀科技有限公司 | 一种钢轨鱼尾板紧固件松动检测方法 |
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN112179295A (zh) * | 2019-07-05 | 2021-01-05 | 青岛海尔电冰箱有限公司 | 门体表面平整度的检测方法与装置 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113310438A (zh) * | 2020-02-26 | 2021-08-27 | 广东博智林机器人有限公司 | 平整度测量方法、装置、计算机设备和存储介质 |
CN114638486A (zh) * | 2022-03-07 | 2022-06-17 | 江苏智蝶数字科技有限公司 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1432968A (zh) * | 2003-02-14 | 2003-07-30 | 清华大学 | 基于彩色线性ccd的二维360°全景图的成像方法及其系统 |
CN101033953A (zh) * | 2007-02-02 | 2007-09-12 | 西安交通大学 | 基于图像处理与图像识别的平整度检测方法 |
CN101090471A (zh) * | 2007-07-20 | 2007-12-19 | 杨盈昀 | 数字视频信号奇偶场识别与校正方法 |
WO2009097687A1 (en) * | 2008-02-05 | 2009-08-13 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Method and apparatus for measuring size distribution of granular matter |
CN102419334A (zh) * | 2011-09-13 | 2012-04-18 | 浙江中控太阳能技术有限公司 | 一种能同时检测平面镜平整度和清洁度的装置及方法 |
CN202889492U (zh) * | 2011-05-23 | 2013-04-17 | 松下电器产业株式会社 | 部件安装装置中的图像读取装置 |
CN103370997A (zh) * | 2011-02-21 | 2013-10-23 | 松下电器产业株式会社 | 电子组件安装装置和电子组件安装装置所使用的图像读取方法 |
CN103761743A (zh) * | 2014-01-29 | 2014-04-30 | 东北林业大学 | 一种基于图像融合分割的实木地板表面缺陷检测方法 |
CN104538384A (zh) * | 2014-10-16 | 2015-04-22 | 中国科学院上海技术物理研究所 | 密排拼接的双波段长线列红外焦平面探测器结构 |
CN106056523A (zh) * | 2016-05-20 | 2016-10-26 | 南京航空航天大学 | 数字图像拼接篡改盲检测方法 |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
CN206208777U (zh) * | 2016-12-05 | 2017-05-31 | 东北林业大学 | 木材缺陷检测过程中的图像采集装置 |
CN106780388A (zh) * | 2016-12-22 | 2017-05-31 | 哈尔滨工业大学 | 一种线阵相机光学畸变矫正方法 |
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系统 |
-
2017
- 2017-12-14 CN CN201711342059.9A patent/CN108090896B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1432968A (zh) * | 2003-02-14 | 2003-07-30 | 清华大学 | 基于彩色线性ccd的二维360°全景图的成像方法及其系统 |
CN101033953A (zh) * | 2007-02-02 | 2007-09-12 | 西安交通大学 | 基于图像处理与图像识别的平整度检测方法 |
CN101090471A (zh) * | 2007-07-20 | 2007-12-19 | 杨盈昀 | 数字视频信号奇偶场识别与校正方法 |
WO2009097687A1 (en) * | 2008-02-05 | 2009-08-13 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Method and apparatus for measuring size distribution of granular matter |
CN103370997A (zh) * | 2011-02-21 | 2013-10-23 | 松下电器产业株式会社 | 电子组件安装装置和电子组件安装装置所使用的图像读取方法 |
CN202889492U (zh) * | 2011-05-23 | 2013-04-17 | 松下电器产业株式会社 | 部件安装装置中的图像读取装置 |
CN102419334A (zh) * | 2011-09-13 | 2012-04-18 | 浙江中控太阳能技术有限公司 | 一种能同时检测平面镜平整度和清洁度的装置及方法 |
CN103761743A (zh) * | 2014-01-29 | 2014-04-30 | 东北林业大学 | 一种基于图像融合分割的实木地板表面缺陷检测方法 |
CN104538384A (zh) * | 2014-10-16 | 2015-04-22 | 中国科学院上海技术物理研究所 | 密排拼接的双波段长线列红外焦平面探测器结构 |
KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
CN106056523A (zh) * | 2016-05-20 | 2016-10-26 | 南京航空航天大学 | 数字图像拼接篡改盲检测方法 |
CN206208777U (zh) * | 2016-12-05 | 2017-05-31 | 东北林业大学 | 木材缺陷检测过程中的图像采集装置 |
CN106780388A (zh) * | 2016-12-22 | 2017-05-31 | 哈尔滨工业大学 | 一种线阵相机光学畸变矫正方法 |
CN106706653A (zh) * | 2017-01-12 | 2017-05-24 | 河北省自动化研究所 | 一种高速宽型板材检测方法 |
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系统 |
Non-Patent Citations (3)
Title |
---|
S.B.GRAY: "Local Properties of Binary Images in Two Dimensions", 《 IEEE TRANSACTIONS ON COMPUTERS》 * |
刘海波: "埋弧焊焊缝跟踪系统图像识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
吴剑: "三维高精度光学定位技术及其临床应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830891A (zh) * | 2018-06-05 | 2018-11-16 | 成都精工华耀科技有限公司 | 一种钢轨鱼尾板紧固件松动检测方法 |
CN108830891B (zh) * | 2018-06-05 | 2022-01-18 | 成都精工华耀科技有限公司 | 一种钢轨鱼尾板紧固件松动检测方法 |
CN109345505A (zh) * | 2018-08-09 | 2019-02-15 | 北京木业邦科技有限公司 | 一种物料清点设备 |
CN112179295A (zh) * | 2019-07-05 | 2021-01-05 | 青岛海尔电冰箱有限公司 | 门体表面平整度的检测方法与装置 |
CN113310438A (zh) * | 2020-02-26 | 2021-08-27 | 广东博智林机器人有限公司 | 平整度测量方法、装置、计算机设备和存储介质 |
CN113096073A (zh) * | 2021-03-19 | 2021-07-09 | 浙江华睿科技有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN113096073B (zh) * | 2021-03-19 | 2022-10-18 | 浙江华睿科技股份有限公司 | 化纤丝锭表面平整度检测方法及装置 |
CN114638486A (zh) * | 2022-03-07 | 2022-06-17 | 江苏智蝶数字科技有限公司 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
CN114638486B (zh) * | 2022-03-07 | 2023-08-04 | 江苏智蝶数字科技有限公司 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108090896B (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090896A (zh) | 木板平整度检测及其机器学习方法、装置及电子设备 | |
CN109102547A (zh) | 基于物体识别深度学习模型的机器人抓取位姿估计方法 | |
CN106949848B (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
CN102834845B (zh) | 用于多摄像装置校准的方法与装置 | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN104115074B (zh) | 全息图处理方法和系统 | |
CN104463899B (zh) | 一种目标对象检测、监控方法及其装置 | |
CN110069972A (zh) | 自动探测真实世界物体 | |
CN106651942A (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN110163953A (zh) | 三维人脸重建方法、装置、存储介质和电子装置 | |
CN105844616B (zh) | 激光散射斑点辅助下的双目立体匹配算法与装置 | |
CN108198230A (zh) | 一种基于散乱图像的作物果实三维点云提取系统 | |
CN102713671A (zh) | 点群数据处理装置、点群数据处理方法和点群数据处理程序 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN108921864A (zh) | 一种光条中心提取方法及装置 | |
CN108428231A (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN109409428A (zh) | 木板识别及木板识别模型的训练方法、装置及电子设备 | |
CN108154063A (zh) | 一种载板上产品标识信息的位置识别方法及系统、设备 | |
CN110322572A (zh) | 一种基于双目视觉的水下涵隧内壁三维信息恢复方法 | |
Gaillard et al. | Sorghum segmentation by skeleton extraction | |
CN109816634A (zh) | 检测方法、模型训练方法、装置及设备 | |
Kashiwagi et al. | Deep depth from aberration map | |
CN112465977B (zh) | 基于稠密点云修补三维模型水面漏洞的方法 | |
CN113393577B (zh) | 一种倾斜摄影地形重建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |