CN112132212B - 一种容忍异常原料的木材原料选色方法 - Google Patents

一种容忍异常原料的木材原料选色方法 Download PDF

Info

Publication number
CN112132212B
CN112132212B CN202010998744.2A CN202010998744A CN112132212B CN 112132212 B CN112132212 B CN 112132212B CN 202010998744 A CN202010998744 A CN 202010998744A CN 112132212 B CN112132212 B CN 112132212B
Authority
CN
China
Prior art keywords
wood
cluster
distance
centroids
array
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
Application number
CN202010998744.2A
Other languages
English (en)
Other versions
CN112132212A (zh
Inventor
徐哲壮
林烨
梁世佳
陈丹
陈剑
邱洋
连岩杰
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202010998744.2A priority Critical patent/CN112132212B/zh
Publication of CN112132212A publication Critical patent/CN112132212A/zh
Application granted granted Critical
Publication of CN112132212B publication Critical patent/CN112132212B/zh
Active 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

本发明涉及一种容忍异常原料的木材原料选色方法。首先消除异常原料对离线聚类结果的影响，优化由聚类所获得的质心，进而基于优化后的质心确定距离阈值，用于在线分类时滤除异常原料。本发明方法应用于木材原料颜色分类时，可以有效消除异常原料的影响。

Description

一种容忍异常原料的木材原料选色方法
技术领域
本发明涉及木材原料选色技术领域，特别涉及一种容忍异常原料的木材原料选色方法。
背景技术
在木材家具行业，家具的美观性对经济效益有极大的影响；保持木材配件的颜色协调统一能显著改善家具的外观，因此，需要选用颜色相近的木板来生产制作同一件家具。
我国木材原料的利用率一直不高，大多数情况需要靠人工目测检测去甄别颜色。由于木材颜色丰富，人工识别时也很难将其归为指定的颜色，如红色、黄色等，同时木材的纹理对颜色的判断也会造成影响。工业需要高速度、高精度的木材颜色识别技术以代替人工目测颜色，提高工业生产效率。利用机器学习的方法对不同木材原料表面的颜色进行聚类分析，有效避免了人为主观因素的影响。
改善异常木材样本对聚类结果的影响，以及确定距离阈值滤除在线分类时的异常木材有效保证了分类结果的可靠性，同时减轻了对已分类木材进一步处理的负担。这种颜色分类方法在木材工业中的各个环节中都起着相当重要的作用。
中国专利申请号为：CN201810203274.9，名称为：一种基于主颜色的竹条颜色分类方法及系统。该方法将竹条图像转换为HSI色彩空间图像。分别得到HS直方图，进行量化与归一化处理，并合成一维特征矢量。通过k近邻与最近邻算法进行与样本库内竹条进行匹配，实现颜色分类。该方法只针对固定类别的颜色进行分类，在标注样本时，只能依靠人工来筛除异常图片。并且在线分类无法保证同一类内颜色的统一性。
中国专利申请号为：CN201710714573.4，名称为：一种天然棉花颜色分类的方法。该方法通过颜色测量仪器采集天然白棉与天然彩棉的光谱信息与色度信息，专业人员对棉花样本进行颜色分类实验，对分类的棉花样本取色度的平均值，得到色度值与颜色类型的数学关系式。检测待测棉花的色度时，带入公式，对计算结果四舍五入取值确定棉花样本的颜色类型。该方法预先对颜色进行测量，采用四舍五入的方式确定颜色类型，不能筛除异常颜色。同时由于木材颜色丰富，无法进行颜色测量。
发明内容
本发明的目的在于提供一种容忍异常原料的木材原料选色方法，首先消除异常原料对离线聚类结果的影响，优化由聚类所获得的质心，进而基于优化后的质心确定距离阈值，可以用于在线分类时滤除异常原料，将本发明处理异常原料的方式应用到木材原料颜色分类时，可以有效消除异常原料的影响。
为实现上述目的，本发明的技术方案是：一种容忍异常原料的木材原料选色方法，包括如下步骤：
步骤S1、特征提取：基于木材图像样本在RGB色彩空间下的颜色分布，找到木材的色彩子空间，并将该色彩子空间划分成n×n×n个bins；对木材图像进行特征提取时，按照所划分的bins统计木材图像的三维直方图，并做归一化处理，得到木材图像的特征向量
Figure BDA0002693489990000021
步骤S2、聚类：将预先采集的木材图像，经特征提取后，进行聚类，将木材样本聚成指定数量K的簇；
步骤S3、对木材样本聚类后的质心进行优化，得到K个簇优化后的质心；
步骤S4、确定距离阈值，滤除在线分类时的异常木材原料；
步骤S5、在线分类：对待测样本进行分类时，经过预处理后，提取木材样本特征，计算特征向量与所有优化的质心的距离，筛选出最短距离以及该距离所对应的簇，若最短距离小于距离阈值，则木材样本被分到该距离所对应的簇，否则，木材样本被归类到异常类。
在本发明一实施例中，所述步骤S3对木材样本聚类后的质心进行优化，得到K个簇优化后的质心的具体实现方式如下：
S31、设木材样本经过聚类之后得到K个簇，各个簇的样本数量分别为m1,m2,…,mk；
S32、抽取出第1个簇内的m1个木材样本的特征向量
Figure BDA0002693489990000022
S33、提取出m1个特征向量在第1个维度上的数值
Figure BDA0002693489990000023
S34、选取置信度α计算数组
Figure BDA0002693489990000024
的置信区间；
S35、滤除数组
Figure BDA0002693489990000025
内在置信区间以外的数值，并计算剩余数值的平均值，并将该平均值作为第一个簇的质心在第一维度上的值；
S36、按照S31-S35分别求出第1个簇的质心在2,3,…,n3维度上的数值，即可得到第1个簇优化后的质心
Figure BDA0002693489990000026
S37、同理分别求取第2,3,…,K个簇优化后的质心，即可得到K个簇优化后的质心。
在本发明一实施例中，所述步骤S4确定距离阈值的具体实现方式如下：
S41、抽取出第1个簇内的m1个木材样本的特征向量
Figure BDA0002693489990000027
分别计算每个特征向量与第1个簇优化后的质心
Figure BDA0002693489990000028
的欧氏距离，即可得到第1个簇内所有特征向量到质心距离的数组
Figure BDA0002693489990000031
S42、分别计算第2,3,…,K个簇内特征向量到质心距离的数组D2,D3,…,DK；
S43、将距离数组D1,D2,…,DK整合成一个距离数组
Figure BDA0002693489990000032
S44、选取置信度α计算数组D的置信区间，并选取该区间的上界作为距离阈值θ。
相较于现有技术，本发明具有以下有益效果：
(1)本发明有效处理了异常木材原料对颜色分类的影响，不需要人工反复对比筛除异常木材原料，大大减少了人力成本。
(2)对质心进行优化，有效减轻了异常木材数据对聚类的影响，同时提高了聚类结果的可靠性。
(3)设置距离阈值，在进行新木材样本分类时，能自动筛除异常木材样本，有效保证了同一簇内木材颜色的相似性。
附图说明
图1为本发明所述质心优化算法流程图。
图2为本发明所述距离阈值确定算法流程图。
图3为本发明所述木材在线分类流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种容忍异常原料的木材原料选色方法，包括如下步骤：
步骤S1、特征提取：基于木材图像样本在RGB色彩空间下的颜色分布，找到木材的色彩子空间，并将该色彩子空间划分成n×n×n个bins；对木材图像进行特征提取时，按照所划分的bins统计木材图像的三维直方图，并做归一化处理，得到木材图像的特征向量
Figure BDA0002693489990000033
步骤S2、聚类：将预先采集的木材图像，经特征提取后，进行聚类，将木材样本聚成指定数量K的簇；
步骤S3、对木材样本聚类后的质心进行优化，得到K个簇优化后的质心；
步骤S4、确定距离阈值，滤除在线分类时的异常木材原料；
步骤S5、在线分类：对待测样本进行分类时，经过预处理后，提取木材样本特征，计算特征向量与所有优化的质心的距离，筛选出最短距离以及该距离所对应的簇，若最短距离小于距离阈值，则木材样本被分到该距离所对应的簇，否则，木材样本被归类到异常类。
以下为本发明的具体实现过程。
一种容忍异常原料的木材原料选色方法，具体实现如下：
1)通过工业相机采集一定数量的木材样本，统计木材颜色在RGB颜色空间下的颜色分布，确定木材颜色子空间，将该色彩子空间划分成8×8×8个bins。按照所划分的bins，统计木材图像的三维直方图，并做归一化处理，提取木材图像的特征向量
Figure BDA0002693489990000041
2)对由木材图像的特征向量组成的向量集通过K-means算法进行聚类，将木材样本聚成40个簇，每个簇的样本数量分别为m1,m2,…,m40。
3)基于聚类结果优化质心，如图1，方法如下：
4)提取出第一个簇的特征向量组
Figure BDA0002693489990000042
5)提取出m1个特征向量在第一个维度上的数值
Figure BDA0002693489990000043
6)选取95％的置信度计算数组
Figure BDA0002693489990000044
的置信区间。
7)滤除数组
Figure BDA0002693489990000045
内在置信区间以外的数值，并计算剩余数值的平均值。将该平均值作为第一个簇的质心在第一维度上的值。
8)按照以上方式分别求出第一个簇的质心在2,3,…,83维度上的数值，即可得到第一个簇优化后的质心
Figure BDA0002693489990000046
9)接着将此方法分别应用到第2,3,…,40个簇，即可得到40个优化后的质心。
10)利用聚类结果和优化的质心确定距离阈值，如图2，方法如下：
11)抽取出第一个簇内的m1个木材样本的特征向量
Figure BDA0002693489990000047
分别计算每个特征向量与质心
Figure BDA0002693489990000048
Figure BDA0002693489990000049
的欧氏距离，即可得到该簇内所有特征向量到质心距离的数组
Figure BDA00026934899900000410
Figure BDA00026934899900000411
12)分别计算第2,3,…,40个簇内特征向量到质心距离的数组D2,D3,…,D40
13)将距离数组D1,D2,…,D40整合成一个距离数组
Figure BDA00026934899900000412
Figure BDA00026934899900000413
14)选取95％的置信度计算数组D的置信区间，并选取该区间的上界作为距离阈值θ。
15)在线分类(如图3所示)：工业相机拍摄图片，经过预处理和特征提取后，计算特征向量与所有优化的质心的距离，筛选出最短距离以及该距离所对应的簇，若最短距离小于距离阈值θ，则木材样本被分到该距离所对应的簇，否则，木材样本被归类到异常类。同时将类别标签打印在木材表面。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (1)

1.一种容忍异常原料的木材原料选色方法，其特征在于，包括如下步骤：
步骤S1、特征提取：基于木材图像样本在RGB色彩空间下的颜色分布，找到木材的色彩子空间，并将该色彩子空间划分成n×n×n个bins；对木材图像进行特征提取时，按照所划分的bins统计木材图像的三维直方图，并做归一化处理，得到木材图像的特征向量
Figure FDA0003665603960000011
步骤S2、聚类：将预先采集的木材图像，经特征提取后，进行聚类，将木材样本聚成指定数量K的簇；
步骤S3、对木材样本聚类后的质心进行优化，得到K个簇优化后的质心；
步骤S4、确定距离阈值，滤除在线分类时的异常木材原料；
步骤S5、在线分类：对待测样本进行分类时，经过预处理后，提取木材样本特征，计算特征向量与所有优化的质心的距离，筛选出最短距离以及该距离所对应的簇，若最短距离小于距离阈值，则木材样本被分到该距离所对应的簇，否则，木材样本被归类到异常类；
所述步骤S3对木材样本聚类后的质心进行优化，得到K个簇优化后的质心的具体实现方式如下：
S31、设木材样本经过聚类之后得到K个簇，各个簇的样本数量分别为m1,m2,…,mk；
S32、抽取出第1个簇内的m1个木材样本的特征向量
Figure FDA0003665603960000012
S33、提取出m1个特征向量在第1个维度上的数值
Figure FDA0003665603960000013
S34、选取置信度α计算数组
Figure FDA0003665603960000014
的置信区间；
S35、滤除数组
Figure FDA0003665603960000015
内在置信区间以外的数值，并计算剩余数值的平均值，并将该平均值作为第一个簇的质心在第一维度上的值；
S36、按照S31-S35分别求出第1个簇的质心在2,3,…,n3维度上的数值，即可得到第1个簇优化后的质心
Figure FDA0003665603960000016
S37、同理分别求取第2,3,…,K个簇优化后的质心，即可得到K个簇优化后的质心；
所述步骤S4确定距离阈值的具体实现方式如下：
S41、抽取出第1个簇内的m1个木材样本的特征向量
Figure FDA0003665603960000017
分别计算每个特征向量与第1个簇优化后的质心
Figure FDA0003665603960000018
的欧氏距离，即可得到第1个簇内所有特征向量到质心距离的数组
Figure FDA0003665603960000019
S42、分别计算第2,3,…,K个簇内特征向量到质心距离的数组D2,D3,…,DK；
S43、将距离数组D1,D2,…,DK整合成一个距离数组
Figure FDA0003665603960000021
S44、选取置信度α计算数组D的置信区间，并选取该区间的上界作为距离阈值θ。
CN202010998744.2A 2020-09-22 2020-09-22 一种容忍异常原料的木材原料选色方法 Active CN112132212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010998744.2A CN112132212B (zh) 2020-09-22 2020-09-22 一种容忍异常原料的木材原料选色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010998744.2A CN112132212B (zh) 2020-09-22 2020-09-22 一种容忍异常原料的木材原料选色方法

Publications (2)

Publication Number Publication Date
CN112132212A CN112132212A (zh) 2020-12-25
CN112132212B true CN112132212B (zh) 2022-08-09

Family

ID=73842052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010998744.2A Active CN112132212B (zh) 2020-09-22 2020-09-22 一种容忍异常原料的木材原料选色方法

Country Status (1)

Country Link
CN (1) CN112132212B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107528823A (zh) * 2017-07-03 2017-12-29 中山大学 一种基于改进的K‑Means聚类算法的网络异常检测方法
CN110555464A (zh) * 2019-08-06 2019-12-10 高新兴科技集团股份有限公司 一种基于深度学习模型的车辆颜色识别方法
CN111401316A (zh) * 2020-04-13 2020-07-10 网易（杭州）网络有限公司 图像主色确定方法、装置、存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7809185B2 (en) * 2006-09-21 2010-10-05 Microsoft Corporation Extracting dominant colors from images using classification techniques
US8565536B2 (en) * 2010-04-01 2013-10-22 Microsoft Corporation Material recognition from an image
CN104281849B (zh) * 2013-07-03 2017-09-19 广州盖特软件有限公司 一种布料图像颜色特征提取方法
CN108154157B (zh) * 2017-12-06 2020-07-28 西安交通大学 一种基于集成的快速谱聚类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107528823A (zh) * 2017-07-03 2017-12-29 中山大学 一种基于改进的K‑Means聚类算法的网络异常检测方法
CN110555464A (zh) * 2019-08-06 2019-12-10 高新兴科技集团股份有限公司 一种基于深度学习模型的车辆颜色识别方法
CN111401316A (zh) * 2020-04-13 2020-07-10 网易（杭州）网络有限公司 图像主色确定方法、装置、存储介质及电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Color Based Clustering for Trunk Segmentation;L.Czúni etal.;《2018 25th International Conference on Systems, Signals and Image Processing (IWSSIP)》;20180622;全文 *
基于加速k均值的谱聚类图像分割算法改进;李昌兴 等;《传感器与微系统》;20160930;第35卷(第9期);全文 *
基于聚类分析的木材缺陷识别研究;吴东洋;《中国优秀硕士学位论文全文数据库（信息科技I辑）》;20120515;全文 *
复杂背景下的手势识别算法研究;丁毅 等;《自动化技术与应》;20160831;第35卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112132212A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
US10474874B2 (en) Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
Hittawe et al. Multiple features extraction for timber defects detection and classification using SVM
CN103824059A (zh) 一种基于视频图像序列的人脸表情识别方法
CN115375690B (zh) 一种舌象腐腻苔分类识别方法
CN103456013A (zh) 一种表示超像素以及度量超像素之间相似性的方法
JP4553300B2 (ja) コンテンツ識別装置
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别系统、电子设备
CN110929787B (zh) 一种基于图像的苹果客观定级系统
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN113012156B (zh) 实木板材颜色智能分类方法
CN102136077A (zh) 基于支持向量机的口唇颜色自动识别的方法
CN112132212B (zh) 一种容忍异常原料的木材原料选色方法
CN110542659B (zh) 基于可见光光谱的珍珠光泽检测方法
CN111563536B (zh) 一种基于机器学习的竹条颜色自适应分类方法
CN115587988A (zh) 基于数字图像处理的分辨烟叶成熟度高低的方法
He et al. Method for grade identification of tobacco based on machine vision
CN115049865A (zh) 基于计算机视觉的烟叶分级方法和系统
CN113780488A (zh) 基于位置聚合程度的刮伤与擦伤缺陷检测方法
CN107220673B (zh) 一种基于knn算法的竹条颜色分类方法
CN118045773A (zh) 一种基于机器视觉的中药饮片质量检测分析系统及方法

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