CN113012156A - 实木板材颜色智能分类方法 - Google Patents

实木板材颜色智能分类方法 Download PDF

Info

Publication number
CN113012156A
CN113012156A CN202110506907.5A CN202110506907A CN113012156A CN 113012156 A CN113012156 A CN 113012156A CN 202110506907 A CN202110506907 A CN 202110506907A CN 113012156 A CN113012156 A CN 113012156A
Authority
CN
China
Prior art keywords
solid wood
wood board
color
picture
class
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
CN202110506907.5A
Other languages
English (en)
Other versions
CN113012156B (zh
Inventor
刘�英
王争光
丁奉龙
杨雨图
倪超
庄子龙
周海燕
费叶琦
唐敏
缑斌丽
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry 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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202110506907.5A priority Critical patent/CN113012156B/zh
Publication of CN113012156A publication Critical patent/CN113012156A/zh
Application granted granted Critical
Publication of CN113012156B publication Critical patent/CN113012156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30161—Wood; Lumber

Abstract

本发明公开一种实木板材颜色智能分类方法，包括：对实木板材图片预处理；将RGB彩色空间转换到Lab彩色空间和HSV彩色空间；获取Lab彩色空间、HSV彩色空间的颜色的一阶矩和二阶矩；使用K‑Means聚类算法对图片进行聚类；采用基于K‑Means聚类算法的主颜色提取方法对低通滤波后的实木板材图片进行主颜色提取，根据主颜色含量进行等级划分；对图片进行高通滤波，获得纹理信息，将图片划分为直纹或曲纹；给实木板材图片贴标签，制作样本集；将待分类的实木板材图片输入到训练、验证得到的最优颜色分类模型中，实现实木板材颜色分类；本发明可有效对实木板材图像颜色进行分类，且该方法不需要颜色空间量化、特征向量维数低。

Description

实木板材颜色智能分类方法
技术领域
本发明属于图像识别技术领域，具体涉及一种实木板材颜色智能分类方法。
背景技术
颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值，mean)、二阶矩(方差，variance)和三阶矩(斜度，skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布。
颜色是彩色图像最重要的内容之一，被广泛用于图像检索中。但从图像中提取颜色特征时，很多算法都先要对图像进行量化处理。量化处理容易导致误检，并且产生的图像特征维数较高，不利于检索。
实木板材的颜色分类没有具体的标准，各个企业间的分类存在差距，所以对于实木板材颜色的分类，企业多根据客户的实际需求进行划分。
基于此，需要提供一种不需要颜色空间量化、特征向量维数低的实木板材颜色智能分类方法，为企业对实木板材的颜色分类提供方便。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种实木板材颜色智能分类方法，本实木板材颜色智能分类方法可有效对实木板材图像颜色进行分类，且该方法不需要颜色空间量化、特征向量维数低。
为实现上述技术目的，本发明采取的技术方案为：
一种实木板材颜色智能分类方法，包括：
步骤1：采集多张实木板材图片，对实木板材图片进行预处理；
步骤2：将每张实木板材图片均从RGB彩色空间分别转换到Lab彩色空间和HSV彩色空间；
步骤3：分别获取Lab彩色空间图片的颜色的一阶矩和二阶矩和HSV彩色空间图片的颜色的一阶矩和二阶矩；
步骤4：使用K-Means聚类算法对所有的Lab彩色空间的图片和HSV彩色空间的图片进行无监督学习，从而对采集的多张实木板材图片实现初步聚类，初步聚类为三类，记为a类、b类和c类；
步骤5：对初步聚类后的每张实木板材图片进行低通滤波，获得底色；采用基于K-Means聚类算法的主颜色提取方法对a类、b类和c类中低通滤波后的每张实木板材图片进行主颜色提取，获取每类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，进一步将a类、b类和c类中的实木板材图片细划为A类、B类和C类；
步骤6：对初步聚类后的每张实木板材图片进行高通滤波，获得实木板材图片的纹理信息，根据a类、b类和c类中的每张实木板材图片的纹理信息中的曲、直，将每张实木板材图片分别划分为直纹或曲纹；
步骤7、根据步骤5和步骤6的分类结果给每张实木板材图片贴标签，所述标签包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹；
步骤8：将已贴标签的实木板材图片作为样本，将所有样本分为训练集、验证集和测试集；
步骤9：使用训练集对pytorch图像分类器进行训练，获得实木板材颜色估计模型，使用验证集对实木板材颜色估计模型进行验证，调整模型参数，得到最优的实木板材颜色分类模型，使用测试集检验最优的实木板材颜色分类模型的性能；
步骤10：将待分类的实木板材图片输入到最优的实木板材颜色分类模型中，获得实木板材的标签信息，从而实现实木板材的颜色分类。
作为本发明进一步改进的技术方案，所述的步骤5具体为：
对初步聚类后的每张实木板材图片进行低通滤波，获得底色；
采用基于K-Means聚类算法的主颜色提取方法对a类中低通滤波后的每张实木板材图片进行主颜色提取，获取a类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为A类；
采用基于K-Means聚类算法的主颜色提取方法对b类中低通滤波后的每张实木板材图片进行主颜色提取，获取b类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为B类；
采用基于K-Means聚类算法的主颜色提取方法对c类中低通滤波后的每张实木板材图片进行主颜色提取，获取c类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为C类。
作为本发明进一步改进的技术方案，所述训练集、验证集和测试集均包括A类直纹的实木板材图片、B类直纹的实木板材图片、C类直纹的实木板材图片、A类曲纹的实木板材图片、B类曲纹的实木板材图片和C类曲纹的实木板材图片。
本发明的有益效果为：
本发明采用颜色矩作为分类的依据，使用K-Means(K均值)聚类算法进行无监督学习，对一批实木板材实现初步的聚类，拟聚为a、b、c三类，实现实木板材颜色的粗分类。之后，采用基于K-Means聚类算法的主颜色提取，对a、b、c三个类中的每张图片都进行主颜色(滤波之后)提取并记录。汇总之后，找到a、b、c三类，每个类中图片主颜色的存在规律，对于每个类中的主颜色与该类普遍规律差异较大的图片进行剔除。经过这一步之后，a、b、c三个类中的图片彼此的相似度进一步提高，可以进行标签化，记A、B、C三类。再之后进行纹理提取，根据纹理的直、曲，将A、B、C三个类继续细分为六个类。颜色矩已证明可有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低。
本发明使用pytorch图像分类器实现实木板材颜色分类，分类效率高，准确率高。为企业对实木板材的颜色分类提供方便。
附图说明
图1为本发明预处理流程图。
图2为本发明方法流程图。
具体实施方式
下面根据附图对本发明的具体实施方式作出进一步说明：
一种实木板材颜色智能分类方法，如图2所示，包括：
步骤1：采集多张实木板材图片，对实木板材图片进行预处理。
在实木板材图像获取过程中会将实木板材的背景信息等也存放在图片中，这些信息会对实木板材图像的特征提取产生一定的影响，所以对实木板材图片的进行一系列的预处理，包括实木板材图像的平滑、图像锐化、图像形态学操作和图像去背景。具体预处理流程如图1所示。
步骤2：将每张实木板材图片均从RGB彩色空间分别转换到Lab彩色空间和HSV彩色空间。
彩色空间转换：
(2.1)RGB彩色空间与HSV彩色空间之间的转换：
Cmax＝max(R′,G′,B′)；
Cmin＝min(R′,G′,B′)；
Δ＝Cmax-Cmin；
其中R′,G′,B′表示为经过归一化后的RGB值。
色相表达式：
Figure BDA0003058783620000041
饱和度表达式：
Figure BDA0003058783620000042
明度表达式：
V＝Cmax；
(2.2)由于RGB颜色空间不能直接转化为CIELab，需要借助XYZ颜色空间，需要先将RGB颜色空间转化到XYZ空间，然后才能转化到Lab颜色空间，RGB转化为XYZ空间方法如下：
Figure BDA0003058783620000043
之后再由XYZ颜色空间转化为Lab颜色空间：
Figure BDA0003058783620000044
Figure BDA0003058783620000045
Figure BDA0003058783620000046
其中：
Figure BDA0003058783620000047
步骤3：分别获取Lab彩色空间图片的颜色的一阶矩和二阶矩和HSV彩色空间图片的颜色的一阶矩和二阶矩。
图像的颜色特征主要表示方法：颜色直方图、颜色矩、颜色聚合向量、颜色相关图等。本发明选择的颜色特征的表示方法是颜色矩(低阶矩中的一阶矩和二阶矩)。
三个颜色矩的数学定义如下：
Figure BDA0003058783620000051
Figure BDA0003058783620000052
Figure BDA0003058783620000053
其中pi,j为图像在坐标(i，j)处的像素值，μi为图像的一阶矩，σi为二阶矩，si为三阶矩。
步骤4：K均值聚类算法实现初步聚类，拟聚类为三类：使用K-Means聚类算法对所有的Lab彩色空间的图片和HSV彩色空间的图片进行无监督学习，从而对采集的多张实木板材图片实现初步聚类，初步聚类为三类，记为a类、b类和c类。
步骤5：对初步聚类后的每张实木板材图片进行低通滤波，获得底色；采用基于K-Means聚类算法的主颜色提取方法对a类、b类和c类中低通滤波后的每张实木板材图片进行主颜色提取并记录各成分的占比，根据统计学原理，获取每类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，进一步将a类、b类和c类中的实木板材图片细划为A类、B类和C类。
低通滤器通常会取均值，因此低通过滤器的元素加起来应该为1，这就能保留图像的亮度，确保图像不会变亮或变暗，若核的元素加起来等于9，所以我们需要进行归一化处理也就是将核值总和除以9。
K均值聚类算法实现初步聚类，拟聚类为a类、b类和c类三类，然后基于K-Means聚类算法的主颜色提取方法给每个类进行主颜色提取并记录各成分的占比，根据统计学原理，找出每个类的主颜色存在的一般规律，再次精确一下每个类的成分(与特定类的一般规律差异大的，就剔除)，这样根据聚类成的三个类，划分成A类、B类和C类三个等级，具体到视觉上表现为浅、中、深三个等级。
步骤6：对初步聚类后的每张实木板材图片进行高通滤波，获得实木板材图片的纹理信息，根据a类、b类和c类中的每张实木板材图片的纹理信息中的曲、直，将每张实木板材图片分别划分为直纹或曲纹。
选择高通滤波，让高频信号通过，过滤掉低频信息(即去除底色)，保留图片的纹理信息，对纹理划分等级：直纹、曲纹两个等级。
本实施例的高通滤波器，是个三乘三的核其元素总和为0，边缘检测时所有元素总和为0是很重要的，因为这类过滤器要计算的是相邻像素的差异或者说变化，要计算差异就需要将像素值相减，如果这些核值加起来不等于0，那就意味着计算出来的差，权重会有正负结果，就是滤波后的图像亮度会相应地提高或降低，这就是卷积核元素相加为零的原因。
实木板材表面的纹理复杂多样，可以根据不同的要素或需求划分为不同的等级，在本发明中，关于纹理信息，划分为直纹、曲纹两个等级。
步骤7、根据步骤5和步骤6的分类给每张实木板材图片贴标签，所述标签包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹；
步骤8：将已贴标签的实木板材图片作为样本，将所有样本分为训练集、验证集和测试集。
其中训练集占60％，测试集占20％，验证集占20％，三部分都是从样本中随机抽取。每个集合包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹(即浅色直纹、浅色曲纹、中色直纹、中色曲纹、深色直纹、深色曲纹六个等级的实木板材图片)。其中训练集用来估计模型，验证集用来调整模型参数从而得到最优模型，而测试集则检验最优的模型的性能如何。
步骤9：使用训练集对pytorch图像分类器进行训练，获得实木板材颜色估计模型，使用验证集对实木板材颜色估计模型进行验证，调整模型参数，得到最优的实木板材颜色分类模型，使用测试集检验最优的实木板材颜色分类模型的性能。
用pytorch实现一个简单的图像分类器，定义的网络结构就是一个小的金字塔结构，通道数逐渐增大的同时feature map的大小在逐渐减小。每个block里面都是卷积(Conv2d)-激活函数(ReLU)-最大池化(MaxPool2d)的这种较为普遍的形式。该分类器载入贴有标签的图片，机器学习通过训练集和验证集，经过调参，获得一个实木板材的颜色分类模型。
对于训练好的实木板材的颜色分类模型，使用测试集检验最优的模型的性能如何(实木板材颜色等级分类的准确率、所用时长等)。
步骤10：将待分类的实木板材图片输入到最优的实木板材颜色分类模型中，获得实木板材的标签信息，从而实现实木板材的颜色分类。
所述的步骤5具体为：
对初步聚类后的每张实木板材图片进行低通滤波，获得底色；
采用基于K-Means聚类算法的主颜色提取方法对a类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取a类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为A类。
采用基于K-Means聚类算法的主颜色提取方法对b类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取b类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为B类。
采用基于K-Means聚类算法的主颜色提取方法对c类中低通滤波后的每张实木板材图片进行主颜色提取，根据统计学原理，获取c类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为C类。
本实施例采用颜色矩作为分类的依据，使用K-Means(K均值)聚类算法进行无监督学习，对一批实木板材实现初步的聚类，拟聚3类。到此，实现实木板材颜色的粗分类，但此时的结果是无监督学习的结果，只是将实木板材聚为3类，但是没有相应的等级标签，先记为a、b、c三类。
之后，采用基于K-Means聚类算法的主颜色提取，对a、b、c三个类中的每张图片都进行主颜色(滤波之后)提取并记录。汇总之后，找到a、b、c三类，每个类中图片主颜色的存在规律，对于每个类中的主颜色与该类普遍规律差异较大的图片进行剔除(或者放入与它相近的类中)。经过这一步之后，a、b、c三个类中的图片彼此的相似度进一步提高，可以进行标签化，记A、B、C三类。再之后进行纹理提取，根据纹理的直、曲，将A、B、C三个类继续细分为六个类。
颜色矩是一种简单有效的颜色特征表示方法，有一阶矩(均值，mean)、二阶矩(方差，variance)和三阶矩(斜度，skewness)等，由于颜色信息主要分布于低阶矩中，所以用一阶矩，二阶矩和三阶矩足以表达图像的颜色分布，颜色矩已证明可有效地表示图像中的颜色分布，该方法的优点在于：不需要颜色空间量化，特征向量维数低。
本发明的保护范围包括但不限于以上实施方式，本发明的保护范围以权利要求书为准，任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。

Claims (3)

1.一种实木板材颜色智能分类方法，其特征在于，包括：
步骤1：采集多张实木板材图片，对实木板材图片进行预处理；
步骤2：将每张实木板材图片均从RGB彩色空间分别转换到Lab彩色空间和HSV彩色空间；
步骤3：分别获取Lab彩色空间图片的颜色的一阶矩和二阶矩和HSV彩色空间图片的颜色的一阶矩和二阶矩；
步骤4：使用K-Means聚类算法对所有的Lab彩色空间的图片和HSV彩色空间的图片进行无监督学习，从而对采集的多张实木板材图片实现初步聚类，初步聚类为三类，记为a类、b类和c类；
步骤5：对初步聚类后的每张实木板材图片进行低通滤波，获得底色；采用基于K-Means聚类算法的主颜色提取方法对a类、b类和c类中低通滤波后的每张实木板材图片进行主颜色提取，获取每类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，进一步将a类、b类和c类中的实木板材图片细划为A类、B类和C类；
步骤6：对初步聚类后的每张实木板材图片进行高通滤波，获得实木板材图片的纹理信息，根据a类、b类和c类中的每张实木板材图片的纹理信息中的曲、直，将每张实木板材图片分别划分为直纹或曲纹；
步骤7、根据步骤5和步骤6的分类结果给每张实木板材图片贴标签，所述标签包括A类直纹、B类直纹、C类直纹、A类曲纹、B类曲纹和C类曲纹；
步骤8：将已贴标签的实木板材图片作为样本，将所有样本分为训练集、验证集和测试集；
步骤9：使用训练集对pytorch图像分类器进行训练，获得实木板材颜色估计模型，使用验证集对实木板材颜色估计模型进行验证，调整模型参数，得到最优的实木板材颜色分类模型，使用测试集检验最优的实木板材颜色分类模型的性能；
步骤10：将待分类的实木板材图片输入到最优的实木板材颜色分类模型中，获得实木板材的标签信息，从而实现实木板材的颜色分类。
2.根据权利要求1所述的实木板材颜色智能分类方法，其特征在于，
所述的步骤5具体为：
对初步聚类后的每张实木板材图片进行低通滤波，获得底色；
采用基于K-Means聚类算法的主颜色提取方法对a类中低通滤波后的每张实木板材图片进行主颜色提取，获取a类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为A类；
采用基于K-Means聚类算法的主颜色提取方法对b类中低通滤波后的每张实木板材图片进行主颜色提取，获取b类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为B类；
采用基于K-Means聚类算法的主颜色提取方法对c类中低通滤波后的每张实木板材图片进行主颜色提取，获取c类中的主颜色含量变化的一般规律，剔除不符合一般规律的实木板材图片，留下的多张实木板材图片记为C类。
3.根据权利要求1所述的实木板材颜色智能分类方法，其特征在于，所述训练集、验证集和测试集均包括A类直纹的实木板材图片、B类直纹的实木板材图片、C类直纹的实木板材图片、A类曲纹的实木板材图片、B类曲纹的实木板材图片和C类曲纹的实木板材图片。
CN202110506907.5A 2021-05-10 2021-05-10 实木板材颜色智能分类方法 Active CN113012156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110506907.5A CN113012156B (zh) 2021-05-10 2021-05-10 实木板材颜色智能分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110506907.5A CN113012156B (zh) 2021-05-10 2021-05-10 实木板材颜色智能分类方法

Publications (2)

Publication Number Publication Date
CN113012156A true CN113012156A (zh) 2021-06-22
CN113012156B CN113012156B (zh) 2022-02-01

Family

ID=76380926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110506907.5A Active CN113012156B (zh) 2021-05-10 2021-05-10 实木板材颜色智能分类方法

Country Status (1)

Country Link
CN (1) CN113012156B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218423A (zh) * 2022-02-21 2022-03-22 广东联邦家私集团有限公司 基于5g的非标签化实木板材身份数字化方法、设备和系统
CN114817609A (zh) * 2022-04-15 2022-07-29 南京林业大学 一种基于提升树的实木地板颜色的自动排序方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2095154A1 (en) * 1993-04-29 1994-10-30 Gilles Allaire Method and Apparatus for Classifying Articles According to Their Color
US20140341436A1 (en) * 2013-05-15 2014-11-20 Canon Kabushiki Kaisha Classifying materials using texture
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
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
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
CN107578451A (zh) * 2017-09-20 2018-01-12 太原工业学院 一种面向自然图像的自适应主色提取方法
CN108197662A (zh) * 2018-01-22 2018-06-22 湖州师范学院 一种实木地板分类方法
CN108648157A (zh) * 2018-05-08 2018-10-12 南京林业大学 数码木纹扫描采集与色差处理方法
US20190227049A1 (en) * 2017-03-13 2019-07-25 Lucidyne Technologies, Inc. Method of board lumber grading using deep learning techniques
CN110516725A (zh) * 2019-08-16 2019-11-29 三峡大学 基于机器视觉的木板条纹间距和颜色的检测方法
CN111598119A (zh) * 2020-02-18 2020-08-28 天津大学 一种基于残差网络的图像聚类方法
CN111768455A (zh) * 2020-07-03 2020-10-13 福州大学 一种基于图像的木材区域和主色提取方法
CN112419278A (zh) * 2020-11-25 2021-02-26 上海应用技术大学 一种基于深度学习的实木地板分类方法
CN112561976A (zh) * 2020-12-09 2021-03-26 齐鲁工业大学 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2095154A1 (en) * 1993-04-29 1994-10-30 Gilles Allaire Method and Apparatus for Classifying Articles According to Their Color
US20140341436A1 (en) * 2013-05-15 2014-11-20 Canon Kabushiki Kaisha Classifying materials using texture
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
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
US20190227049A1 (en) * 2017-03-13 2019-07-25 Lucidyne Technologies, Inc. Method of board lumber grading using deep learning techniques
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
CN107578451A (zh) * 2017-09-20 2018-01-12 太原工业学院 一种面向自然图像的自适应主色提取方法
CN108197662A (zh) * 2018-01-22 2018-06-22 湖州师范学院 一种实木地板分类方法
CN108648157A (zh) * 2018-05-08 2018-10-12 南京林业大学 数码木纹扫描采集与色差处理方法
CN110516725A (zh) * 2019-08-16 2019-11-29 三峡大学 基于机器视觉的木板条纹间距和颜色的检测方法
CN111598119A (zh) * 2020-02-18 2020-08-28 天津大学 一种基于残差网络的图像聚类方法
CN111768455A (zh) * 2020-07-03 2020-10-13 福州大学 一种基于图像的木材区域和主色提取方法
CN112419278A (zh) * 2020-11-25 2021-02-26 上海应用技术大学 一种基于深度学习的实木地板分类方法
CN112561976A (zh) * 2020-12-09 2021-03-26 齐鲁工业大学 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
SCHMITT, E 等: "Fuzzy linguistic rules classifier for wooden board color sorting", 《N LECTURE NOTES IN COMPUTER》 *
ZILONG ZHUANG 等: "Online Color Classification System of Solid Wood Flooring Based on Characteristic Features", 《SENSORS 2021》 *
庄子龙 等: "基于多层感知机的木材颜色分类", 《林业机械与木工设备》 *
戴天虹 等: "基于颜色特征对木质板材分级的研究", 《系统仿真学报》 *
杨少春: "木材表面颜色模式识别方法的研究", 《中国优秀硕士论文全文数据库》 *
杨帆: "《数字图像处理与分析 第4版》", 31 January 2019, 北京航空航天大学出版社 *
胡跃明 等: "基于计算机视觉的全自动原木板材分检系统研究", 《林业机械与木工设备》 *
袁金国: "《遥感图像数字处理》", 28 February 2006, 中国环境科学出版社 *
钟玉琢 等: "《多媒体计算机技术基础及应用》", 30 June 1999, 高等教育出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114218423A (zh) * 2022-02-21 2022-03-22 广东联邦家私集团有限公司 基于5g的非标签化实木板材身份数字化方法、设备和系统
CN114218423B (zh) * 2022-02-21 2022-05-20 广东联邦家私集团有限公司 基于5g的非标签化实木板材身份数字化方法、设备和系统
CN114817609A (zh) * 2022-04-15 2022-07-29 南京林业大学 一种基于提升树的实木地板颜色的自动排序方法
CN114817609B (zh) * 2022-04-15 2022-11-25 南京林业大学 一种基于提升树的实木地板颜色的自动排序方法

Also Published As

Publication number Publication date
CN113012156B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
Jagadev et al. Detection of leukemia and its types using image processing and machine learning
CN110334706B (zh) 一种图像目标识别方法及装置
CN107729812B (zh) 一种适用于监控场景中的车辆颜色识别的方法
CN113012156B (zh) 实木板材颜色智能分类方法
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN109509188B (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN103853724A (zh) 多媒体数据分类方法及装置
CN107730499A (zh) 一种基于nu‑支持向量机的白细胞分类方法
Chen et al. A rotation-invariant convolutional neural network for image enhancement forensics
Habibi et al. Splicing image forgery detection and localization based on color edge inconsistency using statistical dispersion measures
Pawade et al. Comparative study of different paper currency and coin currency recognition method
CN115272838A (zh) 基于信息融合技术的海洋浮游生物自动识别方法及系统
Kartika et al. Butterfly image classification using color quantization method on hsv color space and local binary pattern
Pratap et al. Development of Ann based efficient fruit recognition technique
CN112070116B (zh) 一种基于支持向量机的艺术画作自动分类系统及方法
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統
Rafi et al. Salient object detection employing regional principal color and texture cues
CN103871084B (zh) 蓝印花布图案识别方法
CN115761341A (zh) 基于图像识别的纺织废料自动分类方法及装置
Felhi et al. Multiscale stroke-based page segmentation approach
CN111563536A (zh) 一种基于机器学习的竹条颜色自适应分类方法
Wattana et al. Counting and separating damaged seeds of soybean seeds using image processing
SOETEDJO et al. A new approach on red color thresholding for traffic sign recognition system
KR20120051441A (ko) 잡초 이미지에 포함된 잡초 분류 방법 및 그 장치
CN113139936B (zh) 一种图像分割处理方法及装置

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