CN113610831B - 基于计算机图像技术和迁移学习的木材缺陷检测方法 - Google Patents

Abstract

本发明提供了基于计算机图像技术和迁移学习的木材缺陷检测方法，首先对数据预处理；接着构建多层卷积神经网络迁移学习模型；然后利用构建的迁移学习模型对预处理后的数据进行训练；其次对训练后的数据进行处理，得到一批新的图像数据；之后将新的图像数据输入迁移学习模型进行训练得到临界值；接着对新的图像数据进行搜索缺陷特征、构建计算机图像技术模型，然后对缺陷特征进行量化处理，最后将临界值与缺陷分类的阈值结合，从而得到最后待检测的木材缺陷检测模型，根据木材缺陷检测模型进行木材缺陷检测。本发明提高木材缺陷处理速度和识别精度。

Description

基于计算机图像技术和迁移学习的木材缺陷检测方法

技术领域

本发明属于图像处理领域，具体涉及基于计算机图像技术和迁移学习的木材缺陷检测方法。

背景技术

随着互联网技术在智能工厂中高效的应用，越来越多的工厂走向智能化的处理。在木材行业中，传统的木材缺陷进行分类主要依靠工人经验，主观性强，效率低，因此需引入自动化手段实现木材缺陷的准确分类。

目前，对于木材缺陷的检测，一般采用的是图像进行检测，而图像无疑是效率最高、最易获得的信息，但是木材缺陷类别中朽节与死结之间的高相似性，树心、木裂、直纹理的高相似性，树结与山纹理之间的高相似性，使得利用算法进行图像检测难以识别上述木材缺陷。另外的，现有技术中基于迁移学习的卷积神经网络模型可以自动提取高阶特征，实现对高相似度图像的准确分类；但是卷积神经网络参数极多，若从头开始训练，其训练时间长、算力消耗大、且需要大量带标签数据，这为迁移学习模型的实施带来了限制。

因此，急需一种基于计算机图像技术和迁移学习的木材缺陷检测的方法，以解决上述问题。

发明内容

本发明提供基于计算机图像技术和迁移学习的木材缺陷检测方法，提高木材缺陷处理速度和识别精度。

本发明的技术方案是：一种基于计算机图像技术和迁移学习的木材缺陷检测方法，具体步骤如下：

采集木材图像数据，对木材图像数据进行预处理，得到样本数据集；

构建多层卷积神经网络迁移学习模型；

采用样本数据集中的训练集对迁移学习模型进行训练，得到用于识别木材有无缺陷的卷积模型包；

将待检测的木材图像数据按照检测要求进行处理，得到一批新的图像数据；

将新的图像数据中待检测木材图像数据输入到卷积模型包中，从而得到木材有无缺陷判断的概率值，将得到的概率值进行阈值化处理，利用该阈值作为有缺陷和无缺陷的临界值；

基于计算机图像技术，将新的图像数据进行木材缺陷特征搜索，根据搜索到的缺陷特征构建计算机图像技术模型，得到用于识别木材中有无缺陷的识别木材缺陷模型；

将搜索到的缺陷特征进行量化，得到用于缺陷分类的阈值，从而对木材有无缺陷进行判断；

有缺陷和无缺陷的临界值和缺陷分类的阈值进行结合，从而得到待检测的木材缺陷检测模型；

根据木材缺陷检测模型进行木材缺陷检测。

进一步地，得到样本数据集的具体处理步骤如下：

对工业相机采集的图像进行裁剪，获得不含有背景色的图像数据；

将不含有背景色的图像数据的像素大小进行统一标准化处理；

将标准化处理后的图像数据利用旋转、翻转和缩放操作进行图像增强；

将图像增强后的图像数据进行训练集和测试集的分类。

进一步地，所述预处理包括：

图像增强，将分好类的相同缺陷数据集进行缺陷特征增强，裁剪出缺陷位置的视野区，对图像增强采用旋转、翻转和缩放操作进行数据增强；

数据集划分，将整个图像的数据集按照7：3的比例划分为训练集和测试集；

样本集分类，将具有相同缺陷的归为同一个样本集，按图形学以肉眼的观察特征将缺陷分为：死节、木裂、树心和树结，所述死节还包括：朽节和朽节凹坑；所述木裂还包括啃头咬尾。

进一步地，所述旋转包括30°旋转和-30°旋转；所述翻转包括随机水平翻转和随机竖直翻转，所述缩放为1：2缩放，对训练集中每张图像进行处理并保存副本，从而使数据规模扩大到原来的6倍。

进一步地，所述得到用于识别木材有无缺陷的卷积模型包的具体步骤如下：

所述多层卷积神经网络迁移学习模型为VGG-19，模型框架为迁移学习，样本数据集用于对多层卷积神经网络迁移学习模型VGG-19进行训练，得到用于木材纹理判断的卷积模型包；

设置模型的训练参数，MiniBatchSize参数设置为10；学习率参数设置为0.0001；采用的梯度估计修正为SGDM；采用的损失函数为Multinomial Logistic Regression；采用的优化算法为小批量梯度下降；采用的数据打乱方式为每个训练周期都进行数据打乱；

所述卷积模型包包括：CNN319纹理识别主模型、CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型，其中CNN319纹理识别主模型是用于识别纹理种类的，CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型是用于对CNN319纹理识别主模型识别结果进行验证与修正。

进一步地，所述将待检测的木材图像数据按照检测要求进行处理的具体过程如下；

判断木材图像像素的高是否大于高度阈值M，若大于M，将像素压缩至M，否则不进行处理；

判断木材图像像素的宽是否大于宽度阈值N，若大于N，将像素压缩至N，否则不进行处理；

将图像数据的像素进行长宽同时压缩n倍。

进一步地，所述用于识别木材中有无缺陷的检测具体步骤如下：

将得到的概率值进行阈值化处理，阈值化处理后的概率值作为有缺陷和无缺陷的临界值，用于有无缺陷的判断；

将新的图像数据输入到迁移学习模型中进行运算，运算结果使用临界值进行有无缺陷的判断。

进一步地，所述基于计算机图像技术，将新的图像数据进行木材缺陷特征搜索的具体步骤如下：

对新的图像数据进行灰度处理，获得图像的灰度数据；

将图像的灰度数据进行一维转换；

计算图像的灰度数据的平均值；

判断新的图像数据中的每个点的灰度值是否大于灰度数据的平均值，如若大于平均值并且小于缺陷分类的阈值，则记录该位置的点。

相对于现有技术，本发明的有益效果：

在本发明中主要是针对不同的缺陷类型给出了不同的卷积模型和基于特征的计算机图像技术模型，使得在处理速度上，一块木材的处理时间在0.4-0.1s之间，缩短处理时间，提高木材缺陷处理速度和识别精度，为了实现工厂的全自动化，加快生产的速度，提高工厂的经济效益。

附图说明

图1为本发明的检测方法流程示意图。

图2为本发明提供了几种主要缺陷类型示意图。

图3为本发明中计算机图像技术模型提取缺陷的效果图。

图4为最终判断缺陷有无的逻辑流程图。

图5为迁移学习模型示意图。

具体实施方式

下面结合附图1-5，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

以下是结合实际工厂中生产的橡胶木材给出的实例对本发明给出进一步的说明。

本发明提出了一种计算机图像技术和迁移学习的木材缺陷检测方法，该方法以图像处理为基础对工厂中的木材进行缺陷的识别，主要用于判断该木材上是否有缺陷。在这里给出了四种缺陷类型，如图2为以实际工厂中展示的缺陷样本为主要识别缺陷类型。在本发明中主要是针对不同的缺陷类型给出了不同的卷积模型和基于特征的计算机图像技术模型，而在处理速度上，一块木材的处理时间最短的为0.4秒，最快时间为0.1秒，在实际生产过程中符合流水线的处理速度。

本发明给出了四个卷积模型，分别是CNN319、CNSWZ2、CNSWZ3、CN435。在计算机图像技术模型中，主要是用来剔除有明显缺陷的木材，这个作用主要是为了提高流水线上的处理速度，也是将一些直接对木材的等级有很大影响的木材进行优先处理。迁移学习算法主要是用来剔除计算机图像技术无法识别出的不明显的缺陷。具体实例步骤如下：

本发明的检测方法流程示意图如图1所示：本发明提供计算机图像技术和迁移学习的木材缺陷检测方法，包括如下步骤：

S1.获取实际生产中的木材图像数据，由于采集的图像数据是带有背景色的，因此在使用前需要将带有背景色的图像进行图像背景的去除，将获取的图像数据进行预处理，包括图像增强、数据集划分、样本集分类，得到训练数据；

A.针对图像增强，将分好类的相同缺陷数据集进行缺陷特征增强，裁剪出缺陷位置的视野区，对图像增强采用旋转、翻转、缩放等操作进行数据增强，使数据集规模扩充为原来的6倍，其中数据增强的操作具体包括：30°旋转、-30°旋转、随机水平翻转、随机竖直翻转、1：2缩放，对训练集中每张图像进行处理并保存副本，从而使数据规模扩大到原来的6倍；

B.针对数据集划分，将整个图像的数据集按照7：3的比例划分为训练集和测试集；进一步的，所述样本集分类方式为：按图形学以肉眼的观察特征将数据库图像细分为四个子类：死节、木裂、树心、树结。其中朽节、朽节凹坑、死节都归类为死节；啃头咬尾、木裂归类为木裂。

C.针对样本集分类，将具有相同缺陷的归为同一个样本集，并且按照要求将图像数据的像素进行统一标准化。

S2.构建多层卷积神经网络VGG-19迁移学习模型，得到木材缺陷图像数据分类模型；

S3.采用步骤S1中已经处理好的训练数据对步骤S2中构建的迁移学习模型进行训练，得到用于识别木材中有无缺陷的检测器；具体采用如下步骤进行训练：

(1).对步骤S4给出一批新的图像数据进行重新设置像素大小；

具体实施时，读取当前待分类图像的图片分辨率并根据实际情况进行像素压缩。冻结模型除全连接层外所有参数，仅保留全连接层权重为可训练参数，并将全连接层的输出改为木材缺陷数据集的类别数，将处理好的训练集图像数据导入微调后的模型中进行若干轮次训练，训练过程中观察训练集准确率与损失函数，直至模型损失不再下降，平稳后停止训练，保存模型参数，得到木材缺陷图像分类模型；

(2).选择用小批量梯度下降优化算法，其中MiniBatchSize设置为10，梯度估计修正选择SGDM，学习率设置为0.0001，采用的优化方法为随机梯度下降法，学习率设置为0.0001；选用Multinomial Logistic Regression损失函数，数据打乱方式设置为每个训练周期都进行数据打乱。

(3).根据步骤S1中的图像数据分类集进行不同缺陷类型的训练，从而得到了CNN319、CNSWZ2、CNSWZ3、CN435四个卷积模型。

S4.将待检测的木材图像数据按照检测要求进行处理，得到一批新的图像数据；

S5.将步骤S4中新的图像数据中待检测木材图像数据输入到步骤S3中得到的缺陷卷积模型中，从而得到木材有无缺陷判断的概率值，将得到的概率值进行阈值化处理，利用该阈值作为有缺陷和无缺陷的临界值；

S6.将步骤S4中新的图像数据进行基于计算机图像技术的木材缺陷特征搜索，根据搜素出的缺陷特征构建计算机图像技术模型，得到用于识别木材中有无缺陷的识别木材缺陷模型；

具体实施时，对RGB图像数据转换成灰度。得到的二维灰度数据转换成一维的向量数据，提高算法的计算速度并计算出灰度数据的平均值。判断每个点的灰度值是否大于给出的平均值并且该点的灰度值要小于100，两个条件同时满足时，将该位置的点赋值为1，否则就将该位置的点赋值为0存入新的矩阵中，并且将满足条件的值的行号和列号保存在新的矩阵中。判断给出的行号列号矩阵是否为空，如果为空则进行卷积神经网络的判断，如果不为空进入下一个计算机图像技术模型中进行判断。

S7.将步骤S6中寻找到的特征进行量化，得到用于缺陷分类的阈值，从而对木材有无缺陷进行判断，具体效果如图3所示；

S8.在判断木材是否有缺陷时将步骤S5中得到的临界值和步骤S7中的阈值进行结合，从而得到最后待检测的木材检测结果。其中分类特征标码0-7之间的一个数字，0代表计算机图像技术模型拦截下来明显的木材缺陷，1代表死节、2代表木裂、3代表树结、4代表树心、5、6、7代表无缺陷，具体逻辑流程图如图4结合步骤如下：

步骤一：针对实际工厂流水线上带黑色背景的样本图片，获取木材图像数据；

步骤二：裁剪流水线上带有黑色背景样本数据的背景，留下没有背景木材样本数据；

步骤三：将不带有黑色背景的木材图像数据输入到计算机图像技术模型中；

步骤四：将步骤三得到的图像数据进行缺陷算法处理，判断图像像素的高是否大于M，若大于M，将像素压缩至M，否则不进行处理，进入下一步骤；

步骤五：将步骤三得到的样本数据判断图像像素的宽是否大于N，若大于N，将像素压缩至N，否则不进行处理，进入下一步骤；

步骤六：将步骤四和五得到的数据进行长宽同时压缩n倍；

步骤七：将步骤六得到的数据进行灰度处理；

步骤八：计算出步骤七得到的灰度数据的灰度平均值；

步骤九：用每个像素点的灰度值和步骤八得到的灰度平均值做差，判断是否大于给定的值HD，并且同时判断每个像素点的灰度值是否大于给定的一个临界值HD1，如果两个条件同时满足则对该位置的数据赋值为1进行记录并保存到新的矩阵中，并且该点的行号和列号存入新的矩阵，如果所有像素点都不满足两个条件的判断，则将进入下一步的缺陷判断；

步骤十：将步骤九中记录下的行号和列号进行组合，两个行号和两个列号将组成一个区域，判断该区域中的和是否大于Z，大于Z则判断该区域的缺陷大小构成需要剔除的缺陷剁料(即木材)，如果该区域的和小于Z，则判断该区域内的缺陷大小不足以构成缺陷。构成缺陷就直接剔除，输出有缺陷，不构成则进行下一步骤；

步骤十一：将步骤三中得到的图像数据压缩至之前构建好的符合卷积模型输入层要求像素尺寸；

步骤十二：将步骤十一中得到的数据输入卷积模型CNN319进行识别并且记录识别结果；调用卷积模型CNSWZ2进行识别并记录所有类别对应的分类概率；调用卷积模型CNSWZ3进行识别并记录所有类别对应的分类概率；调用卷积模型CN435进行识别并且记录识别结果，判断当前样本利用卷积模型CNN319识别结果特征值，如果CNN319识别结果特征值为1，则输出特征标码“1”；如果CNN319识别结果特征值不等于1则进入下一步；

步骤十三：如果CNN319识别结果特征值为2，继续判断卷积模型CNSWZ3，如果对当前样本识别、分类为5的概率若大于设定阈值，则使用计算机图像技术模型计算特征值，如果特征值等于5，则输出特征标码“5”；如果特征值等于6，则输出特征标码“6”；否则则输出特征标码“7”；继续判断卷积模型CNSWZ3，如果对当前样本识别、分类为6的概率若大于设定阈值，则输出特征标码“6”。当CNSWZ3对当前样本识别、分类为5的概率不大于设定阈值、CNSWZ3对当前样本识别、分类为6的概率不大于设定阈值，则输出特征标码“2”。如果CNN319识别结果特征值不等于2则进入下一步。

步骤十四：如果CNN319识别结果特征值为3，则输出特征标码“3”，如果CNN319识别结果特征值不等于3则进入下一步。

步骤十五：如果CNN319识别结果特征值为4，则输出特征标码“4”，如果CNN319识别结果特征值不等于4则进入下一步。

步骤十六：如果CNN319识别结果特征值为5，继续判断卷积模型CNSWZ2对当前样本识别、分类为3的概率若小于设定阈值，则输出特征标码“5”；如果CNSWZ2对当前样本识别、分类为3的概率若不小于设定阈值，继续判断卷积模型CN435对当前样本识别、分类且当特征值为7时，如果特征值等于5，则输出特征标码“5”；如果特征值等于6，则输出特征标码“6”；否则记录特征标码“7”并用卷积模型CN435对当前样本识别、分类且当特征值不为7时则输出特征标码“3”。如果CNN319识别结果特征值不等于5则进入下一步。

步骤十七：如果CNN319识别结果特征值为6，则记录特征标码“6”并跳转至步骤十九，如果CNN319识别结果特征值不等于6则进入下一步。

步骤十八：如果CNN319识别结果特征值为7，继续判断卷积模型CNSWZ2对当前样本识别、分类为3的概率若小于设定阈值，则使用计算机图像技术计算特征值，如果特征值等于5，则输出特征标码“5”；如果特征值等于6，则输出特征标码“6”；否则记录特征标码“7”并用CNSWZ2对当前样本识别、分类为3的概率若不小于设定阈值，继续判断卷积模型CN435对当前样本识别、分类且当特征值为7时，如果特征值等于5，则记录特征标码“5”，则输出特征标码“5”；如果特征值等于6，则输出特征标码“6”；

实施例：选取橡胶木为木材实验样本，采集的缺陷样本数据含死节缺陷样本数据、含木裂缺陷样本数据、含树心缺陷样本数据、含树结缺陷样本数据，含无缺陷样本数据一共3373张。其中含死节缺陷类型一共1001张，分类准确率为100％；含木裂缺陷类型一共29张，分类准确率为100％；含树心缺陷类型一共86张，分类准确率为100％；含树结缺陷类型一共258张，分类准确率为100％；无缺陷的一共1999张，分类准确率为100％，总体的分类准确率为100％。

本发明构建多层卷积神经网络VGG-19迁移学习模型参数如下表格：

本发明提供了一种计算机图像技术和迁移学习的木材缺陷检测方法，主要识别的缺陷类别有黑节、朽节凹坑、朽节、啃头咬尾、木裂、树心、树结。

本发明的目的之一主要是为了实现工厂的全自动化，加快生产的速度，提高工厂的经济效益。

本发明的目的之二是提高木材缺陷处理速度和识别精度。

本发明在处理缺陷时结合了计算机图像技术，通过计算机图像技术可以将明显的缺陷进行优先剔除，并且在对木材进行分类定级时，计算机图像技术剔除的木材都是级别最差的。这在计算时间上无疑又提高了处理速度，并且降低了卷积神经网络的复杂度和降低了处理时间。而且将迁移学习算法和计算机图形技术模型进行结合也是一种创新的方法。

本发明主要是利用计算机图像技术对木材缺陷进行识别。首先，利用工业相机采集图像数据，对采集的图像数据进行预处理、图像增强、数据集划分、样本分类。然后，构建卷积迁移学习模型，将处理好的图像数据进行训练，得到识别缺陷的数据包。其次，寻找木材缺陷的特征，根据寻找到的缺陷特征，给出识别缺陷的计算机图像技术模型。最后，将计算机图像技术模型和迁移学习算法进行结合，根据实际情况给出处理时间最快的组合处理方法对缺陷进行识别。

本发明公开了一种基于计算机图像技术和迁移学习的木材缺陷检测处理方法，包括获取木材图像数据并进行预处理得到训练数据；构建用于检测有无缺陷的迁移学习模型和基于特征值的计算机图像技术；采用训练数据对构建好的迁移学习模型进行训练得到判断有无缺陷的模型数据包；将基于计算机图像技术寻找到的特征进行阈值化处理得到判断有无缺陷的计算机图像技术分类模型；根据实际生产中的环境按照最优的计算逻辑将计算机图像技术和迁移学习算法进行组合得到最终判断木材缺陷有无的分类模型，将测试图像数据输入到分类模型从而得到最终的判断结果。本发明是根据实际生产情况所设计的，模型可靠性高、实用性好，且在生产中能进一步改进木材缺陷处理方法。

本发明提供了基于计算机图像技术和迁移学习的木材缺陷检测方法，该方法以图像处理为基础对工厂中的木材进行缺陷的识别，主要用于判断该木材上是否有缺陷。在这里给出了四种缺陷类型，分别为死节、树心、树结、木裂；同时本发明给出了四个模型，主要的分类卷积模型有四个，分别是CNN319、CNSWZ2、CNSWZ3、CN435。在计算机图像技术模型中，主要是用来剔除有明显缺陷的木材，这个作用主要是为了提高流水线上的处理速度，也是将一些直接对木材的等级有很大影响的木材进行优先处理。

在本发明中主要是针对不同的缺陷类型给出了不同的卷积模型和基于特征的计算机图像技术模型，使得在处理速度上，一块木材的处理时间在0.4-0.1s之间，缩短处理时间，提高木材缺陷处理速度和识别精度，为了实现工厂的全自动化，加快生产的速度，提高工厂的经济效益。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (7)

1.一种基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，具体步骤如下：

采集木材图像数据，对木材图像数据进行预处理，得到样本数据集；

构建多层卷积神经网络迁移学习模型；

采用样本数据集中的训练集对迁移学习模型进行训练，得到多个针对不同的缺陷类型的卷积模型；

将待检测的木材图像数据按照检测要求进行处理，得到一批新的图像数据；

将新的图像数据中待检测木材图像数据输入到多个针对不同的缺陷类型的卷积模型中，从而得到木材有无缺陷判断的概率值，将得到的概率值进行阈值化处理，利用该阈值作为有缺陷和无缺陷的临界值；

基于计算机图像技术，将新的图像数据进行木材缺陷特征搜索，根据搜索到的缺陷特征构建计算机图像技术模型，得到用于识别木材中有无缺陷的识别木材缺陷模型；

将搜索到的缺陷特征进行量化，得到用于缺陷分类的阈值，从而对木材有无缺陷进行判断；

有缺陷和无缺陷的临界值和缺陷分类的阈值进行结合，从而得到待检测的木材缺陷检测模型；

根据木材缺陷检测模型进行木材缺陷检测；

所述得到多个针对不同的缺陷类型的卷积模型的具体步骤如下：

所述多层卷积神经网络迁移学习模型为VGG-19，模型框架为迁移学习，样本数据集用于对多层卷积神经网络迁移学习模型VGG-19进行训练，得到用于木材纹理判断的多个针对不同的缺陷类型的卷积模型；

设置模型的训练参数，MiniBatchSize参数设置为10；学习率参数设置为0.0001；采用的梯度估计修正为SGDM；采用的损失函数为Multinomial Logistic Regression；采用的优化算法为小批量梯度下降；采用的数据打乱方式为每个训练周期都进行数据打乱；

所述多个针对不同的缺陷类型的卷积模型包括：CNN319纹理识别主模型、CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型，其中CNN319纹理识别主模型是用于识别纹理种类的，CNSWZ2特征值计算模型、CNSWZ3特征值计算模型和CN435纹理修正模型是用于对CNN319纹理识别主模型识别结果进行验证与修正。

2.如权利要求1所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，得到样本数据集的具体处理步骤如下：

对工业相机采集的图像进行裁剪，获得不含有背景色的图像数据；

将不含有背景色的图像数据的像素大小进行统一标准化处理；

将标准化处理后的图像数据利用旋转、翻转和缩放操作进行图像增强；

将图像增强后的图像数据进行训练集和测试集的分类。

3.如权利要求1所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，所述预处理包括：

图像增强，将分好类的相同缺陷数据集进行缺陷特征增强，裁剪出缺陷位置的视野区，对图像增强采用旋转、翻转和缩放操作进行数据增强；

数据集划分，将整个图像的数据集按照7：3的比例划分为训练集和测试集；

样本集分类，将具有相同缺陷的归为同一个样本集，按图形学以肉眼的观察特征将缺陷分为：死节、木裂、树心和树结，所述死节还包括：朽节和朽节凹坑；所述木裂还包括啃头咬尾。

4.如权利要求3所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，所述旋转包括30°旋转和-30°旋转；所述翻转包括随机水平翻转和随机竖直翻转，所述缩放为1：2缩放，对训练集中每张图像进行处理并保存副本，从而使数据规模扩大到原来的6倍。

5.如权利要求1所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，所述将待检测的木材图像数据按照检测要求进行处理的具体过程如下；

判断木材图像像素的高是否大于高度阈值M，若大于M，将像素压缩至M，否则不进行处理；

判断木材图像像素的宽是否大于宽度阈值N，若大于N，将像素压缩至N，否则不进行处理；

将图像数据的像素进行长宽同时压缩n倍。

6.如权利要求5所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，所述用于识别木材中有无缺陷的检测具体步骤如下：

将得到的概率值进行阈值化处理，阈值化处理后的概率值作为有缺陷和无缺陷的临界值，用于有无缺陷的判断；

将新的图像数据输入到迁移学习模型中进行运算，运算结果使用临界值进行有无缺陷的判断。

7.如权利要求5所述的基于计算机图像技术和迁移学习的木材缺陷检测方法，其特征在于，所述基于计算机图像技术，将新的图像数据进行木材缺陷特征搜索的具体步骤如下：

对新的图像数据进行灰度处理，获得图像的灰度数据；

将图像的灰度数据进行一维转换；

计算图像的灰度数据的平均值；

判断新的图像数据中的每个点的灰度值是否大于灰度数据的平均值，如若大于平均值并且小于缺陷分类的阈值，则记录该位置的点。

Images