CN109977960B - 基于神经网络的木料堆信息获取方法、系统、装置 - Google Patents

基于神经网络的木料堆信息获取方法、系统、装置 Download PDF

Info

Publication number
CN109977960B
CN109977960B CN201910264518.9A CN201910264518A CN109977960B CN 109977960 B CN109977960 B CN 109977960B CN 201910264518 A CN201910264518 A CN 201910264518A CN 109977960 B CN109977960 B CN 109977960B
Authority
CN
China
Prior art keywords
picture
timber
wood
handwritten code
matrix
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.)
Expired - Fee Related
Application number
CN201910264518.9A
Other languages
English (en)
Other versions
CN109977960A (zh
Inventor
黄永亮
于天禹
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.)
Hangzhou Shenshu Technology Co ltd
Original Assignee
Hangzhou Shenshu 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 Hangzhou Shenshu Technology Co ltd filed Critical Hangzhou Shenshu Technology Co ltd
Priority to CN201910264518.9A priority Critical patent/CN109977960B/zh
Publication of CN109977960A publication Critical patent/CN109977960A/zh
Application granted granted Critical
Publication of CN109977960B publication Critical patent/CN109977960B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于模式识别及计算机视觉领域，具体涉及了一种基于神经网络的木料堆信息获取方法、系统、装置，旨在解决人工统计木料数量和编码不安全、效率低以及争议无法解决的问题。本发明方法包括：获取包含木料横切面的木料堆照片；采用木料位置识别网络，获取木料位置向量、单个木料端面图片集、统计木料数量；采用手写码位置识别网络，获取手写码位置向量集、手写码图片集；采用手写码识别网络，获取手写码字符集合；输出木料数量以及手写码字符集合。本发明采用机器替代人工，避免人工统计木料数量和编码不安全，提高效率、节约成本，在解决表单争议时无需面对面，带来了极大的便利。

Description

基于神经网络的木料堆信息获取方法、系统、装置
技术领域
本发明属于模式识别及计算机视觉领域，具体涉及了一种基于神经网络的木料堆信息获取方法、系统、装置。
背景技术
木料货场的入库过程是经过相应的木料验收后入库并记录在入库单的过程，而木料的出库包括两种情况：一是指木料使用部门根据需求计划进行木料领料申请，经过木料管理部门核对后进行发料并将这一过程记录到出库单的过程；二是指销售部门根据销售单进行木料发货申请，经过木料管理部门核对后进行发货并将这一过程记录到出库单的过程。木料货场木料的出入库中主要涉及到以下信息：木料的数量、木料的编码。
现有的木料货场的出入库环节由人工来完成：首先，人工数木料的数量；然后，人工记录木料上的手写木料编码；最后，人工将木料的数量、手写木料编码记录在表单上。这样的管理方式存在以下的问题：个别员工以权谋私，虚报木料数量以及手写木料编码；人工速度慢、效率低；信息化程度低，当对表单出现争议时，往往必须面对面解决，位于港口的木料货场的客户来自世界各地，造成极大不便。
发明内容
为了解决现有技术中的上述问题，即人工统计木料数量和编码不安全、效率低以及争议无法解决的问题，本发明提供了一种基于神经网络的木料堆信息获取方法，包括：
步骤S10，获取包含木料横切面的木料堆照片作为待识别图片；
步骤S20，采用木料位置识别网络，基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；所述木料位置识别网络为基于神经网络构建，并采用包含木料的图片集训练的用于识别图片中木料位置的网络；
步骤S30，采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；所述手写码位置识别网络为基于神经网络构建，并采用包含手写码的图片集训练的用于识别图片中手写码位置的网络；
步骤S40，采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；所述手写码识别网络为基于神经网络构建，并采用包含多个角度手写数字图片和对应标注的训练样本训练的用于手写码识别的网络；
步骤S50，输出木料数量以及手写码字符集合。
在一些优选的实施例中，所述位置向量，为包含四个元素的向量：
Pi＝[xi,yi,wi,hi]
其中，Pi代表位置向量，xi、yi分别代表单个木料或手写码包围框左上角顶点的横坐标值、纵坐标值，wi、hi分别代表包围框的宽度、高度，i代表单个木料图片的序号。
在一些优选的实施例中，步骤S30中“采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集”之前，还设置有图片转换增强处理步骤，其方法为：
步骤B10，将单个木料图片由RGB空间转换到HSV空间，提取色调矩阵、饱和度矩阵、亮度矩阵；
步骤B20，随机选用以下一种或多种方法对所述色调矩阵、饱和度矩阵、亮度矩阵进行调整：
基于所述色调矩阵，计算图像各像素点的色调距离预设色调中心的距离d，将d映射到[0,254]范围内，并做直方图均衡化处理，获得色调调整后的矩阵；
对所述饱和度矩阵做直方图均衡化处理，并进行二值化，获得饱和度调整后的矩阵；
对所述亮度矩阵做直方图均衡化处理，并进行二值化，得到亮度调整后的矩阵；
步骤B30，对所述色调调整后的矩阵、饱和度调整后的矩阵、亮度调整后的矩阵相与，获得转换增强的图片。
在一些优选的实施例中，步骤B20中“计算图像各像素点的色调距离预设色调中心的距离d”，其计算方法为：
d＝min(abs(h-c),180-abs(h-c))，0≤d≤90，0≤c≤180
其中，c为预设色调中心色调值，h为像素点的色调值，min()代表取计算结果值小的一个作为最终结果，abs()代表求取绝对值。
在一些优选的实施例中，步骤B20中“将d映射到[0,254]范围内”，其计算方法为：
D＝d/90*254
其中，d为图像各像素点的色调距离预设色调中心的距离。
在一些优选的实施例中，步骤S30中“对所述色调调整后的矩阵、饱和度调整后的矩阵、亮度调整后的矩阵相与”，其方法为：
对矩阵中每一个元素，和相与矩阵相同位置的元素做与运算。
本发明的另一方面，提出了一种基于神经网络的木料堆信息获取系统，输入模块、木料位置提取模块、手写码位置提取模块、手写码识别模块、输出模块；
所述输入模块，配置为获取包含木料横切面的木料堆照片作为待识别图片；
所述木料位置提取模块，配置为基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；
所述手写码位置提取模块，配置为采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；
所述手写码识别模块，配置为采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；
所述输出模块，配置为输出木料数量以及手写码字符集合。
本发明的第三方面，提出了一种基于神经网络的木料堆信息获取系统，该系统包括通过通信链路连接的服务器、一个或多个移动终端；
所述移动终端，配置为：获取包含木料横切面的木料堆图片，并上传至服务器；获取并显示服务器对所上传木料堆图片提取的信息；
所述服务器加载并执行上述任一项基于神经网络的木料堆信息获取方法，对输入的图片中木料数量以及手写码字符集合进行数据的提取。
本发明的第四方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的木料堆信息获取方法。
本发明的第五方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的木料堆信息获取方法。
本发明的有益效果：
(1)本发明基于神经网络的木料堆信息获取方法，通过木料堆端面的图片即可获取木料的数量、编号等信息，节约了人力成本，减少了错误率，大大提升了出入库环节的效率。
(2)本发明方法的表单电子信息化，易于存储、管理、查找，当对表单出现争议时，来自世界各地的木料货场的客户无需面对面解决，带来了极大的便利。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于神经网络的木料堆信息获取方法的流程示意图；
图2是本发明基于神经网络的木料堆信息获取方法的一种实施例的单个木料及手写码示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
本发明的一种基于神经网络的木料堆信息获取方法，包括：
步骤S10，获取包含木料横切面的木料堆照片作为待识别图片；
步骤S20，采用木料位置识别网络，基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；所述木料位置识别网络为基于神经网络构建，并采用包含木料的图片集训练的用于识别图片中木料位置的网络；
步骤S30，采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；所述手写码位置识别网络为基于神经网络构建，并采用包含手写码的图片集训练的用于识别图片中手写码位置的网络；
步骤S40，采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；所述手写码识别网络为基于神经网络构建，并采用包含多个角度手写数字图片和对应标注的训练样本训练的用于手写码识别的网络；
步骤S50，输出木料数量以及手写码字符集合。
为了更清晰地对本发明基于神经网络的木料堆信息获取方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于神经网络的木料堆信息获取方法，包括步骤S10-步骤S50，各步骤详细描述如下：
步骤S10，获取包含木料横切面的木料堆照片作为待识别图片。
木料横切面的木料堆照片通过图像获取装置取得，图像获取装置可以为照相机、手机、平板电脑、摄像机、视频监控等。该照片可一次拍照获取，在一些间距较窄的位置，还可以通过多次拍照，然后拼接获取完整的图片。
步骤S20，采用木料位置识别网络，基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；所述木料位置识别网络为基于神经网络构建，并采用包含木料的图片集训练的用于识别图片中木料位置的网络。
木料位置识别网络在使用前需要经过训练，其训练需要大量的包含木料的图片集作为训练图片集，标注单个木料横截面在图片中的位置，作为位置向量，采用训练图片集和对应标注位置向量来训练木料位置识别网络。为了提升木料位置识别网络的识别准确率，在训练图片集中应包含木料端面多角度的图片。
步骤S30，采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；所述手写码位置识别网络为基于神经网络构建，并采用包含手写码的图片集训练的用于识别图片中手写码位置的网络。
手写码位置识别网络在使用前需要经过训练，其训练需要大量的包含手写码的单个木料横截面的图片集作为训练图片集，标注手写码在图片中的位置，作为位置向量，采用训练图片集和位置向量来训练手写码位置识别网络。
木料位置识别网络、手写码位置识别网络本质上属于同一种人工神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
在这两个网络训练的过程中，提到的位置向量，为包含四个元素的向量，其表示如式(1)所示：
Pi＝[xi,yi,wi,hi] 式(1)
其中，Pi代表位置向量，xi、yi分别代表单个木料或手写码包围框左上角顶点的横坐标值、纵坐标值，wi、hi分别代表包围框的宽度、高度，i代表单个木料图片的序号。
当然，表示包围字符的矩形框的方式还有很多种，例如，通过右上角点配合宽度和高度的方式进行表示，或者矩形中心点配合宽度和高度的方式进行表示。
本实施例中字符的包围框为字符的最小外接矩形，在其他一些实施例中，为了避免字符边缘颜色比较浅造成的字符选取不完全，也可以设定相对于最外接矩形的扩大比例，以框取较为完整的字符。
步骤S40，采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；所述手写码识别网络为基于神经网络构建，并采用包含多个角度手写数字图片和对应标注的训练样本训练的用于手写码识别的网络。
手写码识别网络可以识别任意角度的手写码字符，本发明一个实施例中，手写码为数字编码，为避免手写数字“6”与“9”无法区分，规定手写码中不包含数字“9”。采用大量任意角度的手写数字“0、1、2、3、4、5、6、7、8”的图片作为训练图片集来训练手写码识别网络。对应的在木料端部的字符标注时也应同时约定手写码不允许标注数字“9”。该种方式下，可以进一步降低识别错误率。
手写码识别网络的构建和训练方法，可以采用与上述的木料位置识别网络、手写码位置识别网络相同的方法，此处不再展开详述。
若相邻两个字符的矩形包围框距离小于设定阈值，则将字符进行组合合并后进行输出，例如检测到左右分布的“1”和“7”的矩形包围框邻边距离小于设定的阈值1cm，则将两个字符合并为“17”进行输出。关于字符组合合并方法，在字符识别领域已有较多技术可以实现，此处不再展开详述。
步骤S50，输出木料数量以及手写码字符集合。
将步骤S20获得的木料数量以及步骤S40获得的手写码字符集合输出并保存至存储装置，以供后期查询核对等。
木料图片上可能会存在以下干扰，如图2所示，包括红色手写码1、黑色手写码2、标签3、红色木料断面或红色背景4、木料断面形似数字的纹理或脏污5，其中，黑色手写码2、标签3、红色木料断面或红色背景4、木料断面形似数字的纹理或脏污5为干扰项(本发明实施例中规定红色手写码为需要定位并识别的手写码，如需提取其他指定颜色手写码，则除指定颜色手写码之外的为干扰项)。
为了更准确地对手写码定位和识别，在步骤S30中“采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集”之前，还设置有图片转换增强处理步骤，其方法为：
步骤B10，将单个木料图片由RGB空间转换到HSV空间，提取色调矩阵、饱和度矩阵、亮度矩阵。
HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone
Model)。HSV空间中颜色的参数分别是：色调(H)、饱和度(S)、亮度(V)。色调(H)角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算：红色为0°、绿色为120°、蓝色为240°，它们的补色是：黄色为60°、青色为180°、品红为300°。饱和度(S)表示颜色接近光谱色的程度，光谱色所占的比例越大，颜色接近光谱色的程度就越高，颜色的饱和度也就越高，光谱色的白光成分为0％，饱和度达到最高。通常取值范围为0％～100％，值越大，颜色越饱和。亮度(V)表示颜色明亮的程度，对于光源色，亮度值与发光体的光亮度有关，对于物体色，亮度值和物体的透射比或反射比有关，通常取值范围0％(黑)～100％(白)。
将图片从RGB空间转换到HSV空间后，提取色调矩阵、饱和度矩阵、亮度矩阵。
步骤B20，随机选用以下一种或多种方法对所述色调矩阵、饱和度矩阵、亮度矩阵进行调整：
基于所述色调矩阵，计算图像各像素点的色调距离预设色调中心的距离d，将d映射到[0,254]范围内，并做直方图均衡化处理，获得色调调整后的矩阵。
图像各像素点的色调距离预设色调中心的距离d，其计算方法如式(2)所示：
d＝min(abs(h-c),180-abs(h-c))，0≤d≤90，0≤c≤180
式(2)
其中，c为预设的色调中心色调值，h为像素点的色调值，min()代表取计算结果值小的一个作为最终结果，abs()代表求取绝对值。
例如，图像中一个像素点的色调为h＝9，预设色调为红色c＝0，则色调中心c＝0，那么此像素距离红色色调中心的距离为：
d＝min(abs(9-0),180-abs(9-0))＝9。
将d映射到[0,254]范围内，其计算方法如式(3)所示：
D＝d/90*254 式(3)
其中，d为图像各像素点的色调距离预设色调中心的距离。
对所述饱和度矩阵做直方图均衡化处理，并进行二值化，获得饱和度调整后的矩阵。
对所述亮度矩阵做直方图均衡化处理，并进行二值化，得到亮度调整后的矩阵。
直方图均衡化通常用来增加图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布，可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
本发明一个实施例中，手写码与部分背景木料都是红色，颜色比较接近，区分不明显，通过直方图均衡化增加对比度，可以很好地区分手写码与背景木料。
步骤B30，对所述色调调整后的矩阵、饱和度调整后的矩阵、亮度调整后的矩阵相与，获得转换增强的图片。
矩阵相与，其方法为：
对矩阵中每一个元素，和相与矩阵相同位置的元素做与运算。
例如，矩阵
Figure BDA0002016354270000111
矩阵A和B相与后的结果为，
Figure BDA0002016354270000112
本发明第二实施例的基于神经网络的木料堆信息获取系统，包括输入模块、木料位置提取模块、手写码位置提取模块、手写码识别模块、输出模块；
所述输入模块，配置为获取包含木料横切面的木料堆照片作为待识别图片；
所述木料位置提取模块，配置为基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；
所述手写码位置提取模块，配置为采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；
所述手写码识别模块，配置为采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；
所述输出模块，配置为输出木料数量以及手写码字符集合。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于神经网络的木料堆信息获取系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的基于神经网络的木料堆信息获取系统，该系统包括通过通信链路连接的服务器、一个或多个移动终端；
所述移动终端，配置为：获取包含木料横切面的木料堆图片，并上传至服务器；获取并显示服务器对所上传木料堆图片提取的信息；
所述服务器加载并执行上述任一项基于神经网络的木料堆信息获取方法，对输入的图片中木料数量以及手写码字符集合进行数据的提取。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明第四实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的木料堆信息获取方法。
本发明第五实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的木料堆信息获取方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于神经网络的木料堆信息获取方法，其特征在于，包括：
步骤S10，获取包含木料横切面的木料堆照片作为待识别图片；
步骤S20，采用木料位置识别网络，基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；所述木料位置识别网络为基于神经网络构建，并采用包含木料的图片集训练的用于识别图片中木料位置的网络；
步骤S30，采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并通过设定比例扩大所述手写码位置向量形成的矩形框，通过所述矩形框提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；所述手写码位置识别网络为基于神经网络构建，并采用包含手写码的图片集训练的用于识别图片中手写码位置的网络；
步骤S40，采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；所述手写码识别网络为基于神经网络构建，并采用包含多个角度手写数字图片和对应标注的训练样本训练的用于手写码识别的网络；
步骤S50，输出木料数量以及手写码字符集合。
2.根据权利要求1所述的基于神经网络的木料堆信息获取方法，其特征在于，所述位置向量，为包含四个元素的向量：
Pi＝[xi,yi,wi,hi]
其中，Pi代表位置向量，xi、yi分别代表单个木料或手写码包围框左上角顶点的横坐标值、纵坐标值，wi、hi分别代表包围框的宽度、高度，i代表单个木料图片的序号。
3.根据权利要求1所述的基于神经网络的木料堆信息获取方法，其特征在于，步骤S30之前还设置有图片转换增强处理步骤，其方法为：
步骤B10，将单个木料图片由RGB空间转换到HSV空间，提取色调矩阵、饱和度矩阵、亮度矩阵；
步骤B20，随机选用以下一种或多种方法对所述色调矩阵、饱和度矩阵、亮度矩阵进行调整：
基于所述色调矩阵，计算图像各像素点的色调距离预设色调中心的距离d，将d映射到[0,254]范围内，并做直方图均衡化处理，获得色调调整后的矩阵；
对所述饱和度矩阵做直方图均衡化处理，并进行二值化，获得饱和度调整后的矩阵；
对所述亮度矩阵做直方图均衡化处理，并进行二值化，得到亮度调整后的矩阵；
步骤B30，对所述色调调整后的矩阵、饱和度调整后的矩阵、亮度调整后的矩阵相与，获得转换增强的图片。
4.根据权利要求3所述的基于神经网络的木料堆信息获取方法，其特征在于，步骤B20中“计算图像各像素点的色调距离预设色调中心的距离d”，其计算方法为：
d＝min(abs(h-c),180-abs(h-c))，0≤d≤90，0≤c≤180
其中，c为预设色调中心色调值，h为像素点的色调值，min()代表取计算结果值小的一个作为最终结果，abs()代表求取绝对值。
5.根据权利要求3所述的基于神经网络的木料堆信息获取方法，其特征在于，步骤B20中“将d映射到[0,254]范围内”，其计算方法为：
D＝d/90*254
其中，d为图像各像素点的色调距离预设色调中心的距离。
6.根据权利要求3所述的基于神经网络的木料堆信息获取方法，其特征在于，步骤B30中“对所述色调调整后的矩阵、饱和度调整后的矩阵、亮度调整后的矩阵相与”，其方法为：
对矩阵中每一个元素，和相与矩阵相同位置的元素做与运算。
7.一种基于神经网络的木料堆信息获取系统，其特征在于，包括输入模块、木料位置提取模块、手写码位置提取模块、手写码识别模块、输出模块；
所述输入模块，配置为获取包含木料横切面的木料堆照片作为待识别图片；
所述木料位置提取模块，配置为基于所述待识别图片，获取木料位置向量，并基于获取的木料位置向量获取单个木料端面图片集、统计木料数量；
所述手写码位置提取模块，配置为采用手写码位置识别网络，基于所述单个木料端面图片集中每一个图片，获取手写码位置向量，并提取该位置向量对应的手写码图片，得到手写码位置向量集、手写码图片集；
所述手写码识别模块，配置为采用手写码识别网络，对手写码图片集中每一张图片进行识别，获取手写码字符集合；
所述输出模块，配置为输出木料数量以及手写码字符集合。
8.一种基于神经网络的木料堆信息获取系统，其特征在于，该系统包括通过通信链路连接的服务器、一个或多个移动终端；
所述移动终端，配置为：获取包含木料横切面的木料堆图片，并上传至服务器；获取并显示服务器对所上传木料堆图片提取的信息；
所述服务器加载并执行权利要求1-6任一项基于神经网络的木料堆信息获取方法，对输入的图片中木料数量以及手写码字符集合进行数据的提取。
9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于神经网络的木料堆信息获取方法。
10.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-6任一项所述的基于神经网络的木料堆信息获取方法。
CN201910264518.9A 2019-04-03 2019-04-03 基于神经网络的木料堆信息获取方法、系统、装置 Expired - Fee Related CN109977960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910264518.9A CN109977960B (zh) 2019-04-03 2019-04-03 基于神经网络的木料堆信息获取方法、系统、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910264518.9A CN109977960B (zh) 2019-04-03 2019-04-03 基于神经网络的木料堆信息获取方法、系统、装置

Publications (2)

Publication Number Publication Date
CN109977960A CN109977960A (zh) 2019-07-05
CN109977960B true CN109977960B (zh) 2020-02-28

Family

ID=67082603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910264518.9A Expired - Fee Related CN109977960B (zh) 2019-04-03 2019-04-03 基于神经网络的木料堆信息获取方法、系统、装置

Country Status (1)

Country Link
CN (1) CN109977960B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8893973B2 (en) * 2012-04-06 2014-11-25 Wayne Shaffer Coded articles and systems and methods of identification of the same
CN103927534B (zh) * 2014-04-26 2017-12-26 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
US9588098B2 (en) * 2015-03-18 2017-03-07 Centre De Recherche Industrielle Du Quebec Optical method and apparatus for identifying wood species of a raw wooden log
CN106023137B (zh) * 2016-05-03 2018-10-16 华中科技大学 一种基于轮廓优化的木材计数方法
CN106485708B (zh) * 2016-10-11 2018-12-28 南京航空航天大学 一种基于图像识别的圆木计数方法
CN108694539B (zh) * 2017-04-12 2021-12-10 杭州天象智能科技有限公司 一种基于计算机视觉的木料全自动出入库统计系统及方法
CN107679250B (zh) * 2017-11-01 2020-12-01 浙江工业大学 一种基于深度自编码卷积神经网络的多任务分层图像检索方法
CN109461159A (zh) * 2018-11-20 2019-03-12 扬州工业职业技术学院 一种田间作物杂草的图像分割方法

Also Published As

Publication number Publication date
CN109977960A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
Aquino et al. vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis
RU2680765C1 (ru) Автоматизированное определение и обрезка неоднозначного контура документа на изображении
JP7290294B2 (ja) カラーバーコードの色補正方法及びコンピュータ読取可能な記憶媒体
CN108764358B (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
Ajmal et al. A comparison of RGB and HSV colour spaces for visual attention models
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN110084132B (zh) 基于无人机的木料货场木料信息获取方法、系统、装置
CN107220664B (zh) 一种基于结构化随机森林的油瓶装箱清点方法
US9275447B2 (en) Method and system for describing image region based on color histogram
CN109472832B (zh) 一种配色方案生成方法、装置及智能机器人
CN109903265B (zh) 一种图像变化区域侦测阀值设定方法、系统及其电子装置
CN107506738A (zh) 特征提取方法、图像识别方法、装置及电子设备
CN111767943B (zh) 地膜识别方法、装置、电子设备及存储介质
CN110298835B (zh) 一种皮革表面破损检测方法、系统及相关装置
CN113343945B (zh) 水体识别方法、装置、电子设备及存储介质
CN110569716A (zh) 一种货架图像翻拍检测方法
CN109977960B (zh) 基于神经网络的木料堆信息获取方法、系统、装置
CN110619060B (zh) 一种条烟图像数据库构建方法及条烟防伪查询方法
CN116543325A (zh) 基于无人机影像的农作物人工智能自动识别方法和系统
CN115393855A (zh) 一种车牌产品质量检测方法、系统及设备
CN114820681A (zh) 一种基于rgb相机的库位检测方法及系统
CN105654467B (zh) 基于颜色恒常性特征和视觉注意机制的阴影检测方法
CN109948657A (zh) 基于可见光图像的枯死树木识别方法及设备
CN115496807B (zh) 表计指针的定位方法、装置、计算机设备和存储介质

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200228