CN115294143A - 一种用于家具制造的板材平面自动打磨方法 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种用于家具制造的板材平面自动打磨方法，其包括先采集打磨过程中的板材的表面图像；之后对采集的不同阶段的打磨的板材表面图像进行特征分析，得到板材该面的打磨粗糙程度；进而根据所述粗糙程度，选取粗糙程度大于第一设定值，则该板材打磨效果差，需要全局打磨；当粗糙程度大于第二设定值且小于第一设定值，则该板材打磨效果中等，需要进行定点打磨；当粗糙程度小于第二设定值，则该板材打磨完成；其中第一设定值大于第二设定值；即本发明的方案能够准确地对用于家具制造板材进行打磨。

Description

一种用于家具制造的板材平面自动打磨方法

技术领域

本发明涉及数据处理领域，具体为一种用于家具制造的板材平面自动打磨方法。

背景技术

随着科技的不断发展，板材在家具上已经是一种十分重要的型材。板材本身是做成标准大小的扁平矩形建筑材料板，在建筑行业中，多用于家具的构建。在实际生产或使用板材组装时，需要对已经成型的板材对其表面进行打磨，以保证在实际使用中的同种板材质量统一。在现有技术下，板材的打磨方式一般为人工打磨和机器打磨，两种打磨方式各有其优缺点，人工打磨费时费力，经济成本高，甚至打磨精度较低，但是可以人为分辨粗糙程度。而机器打磨方式若没有较为精准的粗糙程度分析，那么机器打磨的精度更低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种用于家具制造的板材平面自动打磨方法，所采用的技术方案具体如下：

本发明提供的一种用于家具制造的板材平面自动打磨方法，包括以下步骤：

步骤1，采集打磨过程中的板材的表面图像；

步骤2，对采集的不同阶段的打磨的板材表面图像进行特征分析，得到板材该面的打磨粗糙程度；

步骤3，根据所述粗糙程度，选取粗糙程度大于第一设定值，则该板材打磨效果差，需要全局打磨；当粗糙程度大于第二设定值且小于第一设定值，则该板材打磨效果中等，需要进行定点打磨；当粗糙程度小于第二设定值，则该板材打磨完成；其中第一设定值大于第二设定值；

步骤2中确定粗糙程度的具体过程为：

（1）采用神经网络模型从打磨的板材表面图像中提取出板材目标图像；

（2）对板材目标图像进行分析，得到粗糙程度；

对板材目标图像进行分析的具体过程为：

获取板材目标图像中木纹生长方向；基于木纹生长方向，得到图像像素点的序列；

将所述序列作为时间序列，并将序列中的相邻两点作差，得到对应的差值序列，确定时间延迟量，并构建相空间，采用G-P算法得到关联维数，将所述关联维数记为粗糙程度。

优选地，所述木纹生长方向的获取过程为：

采用Canny算子检测边缘像素点，任意选择其中一个边缘像素点，将其与其周围

邻域内的边缘像素点分为一类，之后对于新加入该类的边缘像素点使用同样的方式分类，得到分类后的边缘像素点类别；

基于每个边缘像素点类别，确定各边缘像素点类别的长度，并得到长度延伸方向，所述长度延伸方向为木纹生长方向。

优选地，所述图像像素点的序列的获取过程为：

若木纹的生长方向为水平方向，以图像的左上角开始遍历整幅图像，从左上角开始首先遍历第一列，让左上角像素点遍历到右下角像素点，第一列遍历完成后，向右移动一位，对第二列进行遍历，从下往上遍历，得到一个

的序列。

优选地，所述神经网络模型为是U-net语义分割网络，该神经网络模型的输入是灰度化后的板材图像，输出是分割后的板材目标图像。

优选地，所述确定时间延迟量的具体过程为：

将序列中相邻两点作差，得到差值序列，在差值序列中计算大津阈值，将大于阈值的认为是木纹灰度与其余灰度之间的差值；得到木纹灰度差值序列，将所述木纹灰度差值序列转换到图像像素点的序列中，并计算出相邻两个被标记的点之间的距离，从所有距离中选择其平均数作为时间延迟量。

本发明的有益效果：

本发明提供了一种新型的判断打磨程度的方法，在现有技术中只判断其打磨完成与否，本发明不仅看整体的打磨程度，并且分析局部的打磨程度，当局部打磨程度较高时，不进行打磨，只对打磨程度低的部分进行打磨。本方案使用G-P算法求解关联维数来分析其打磨程度，为了使更精确的得到其维数信息，本方案根据板材的木头纹理进行分析，选出了其时间延迟量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明的一种用于家具制造的板材平面自动打磨方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

具体地，本发明提出的一种用于家具制造的板材平面自动打磨方法的实施例，请参阅图1所示，包括以下步骤：

步骤1，采集打磨过程中的板材的表面图像。

本实施例中，将未处理板材周围放置板材翻转装置，调整打磨路径，令打磨机路径完全覆盖板材的一面，打磨机按照路径移动，移动过程中打磨机会在路径上摆动移动，当打磨机随着打磨路径移动一遍后，装置自动使用图像采集装置采集俯视角图像；当判断板材该面被打磨完成后，启动翻转装置对剩余几面进行打磨，直到六面全部打磨完成；当判断板材该面没有打磨完成后，根据该面的粗糙程度选择定向打磨还是随路径打磨，再次打磨后再次采集图像，重复这个过程直到根据图像判断出板材该面打磨完成。

至此，打磨机随着打磨路径移动一次后，采集打磨后的板材的表面图像，之后根据粗糙程度选择是采集该面再次打磨的图像还是另一面打磨后的图像。

步骤2，对采集的不同阶段的打磨的板材表面图像进行特征分析，得到板材该面的打磨粗糙程度。

其中，确定粗糙程度的具体过程为：

（1）采用神经网络模型从打磨的板材表面图像中提取出板材目标图像，排除背景图像；

（2）对板材目标图像进行分析，得到其粗糙程度。

上述步骤（1）中，板材放置完毕后，打磨机随打磨路径打磨一次后，采集得到的图像记为第一次打磨图像，对第一次打磨图像进行灰度化，得到其灰度图像。在本方案中只需要分析板材本身的特征，因此使用神经网络语义分割将板材部分从采集到的图像中分割出来。

本方案使用的是U-net语义分割网络，该网络的输入是灰度化后的板材图像，网络的输出是分割后只剩下板材部分的灰度图像。

神经网络的训练过程为添加更多的纹理信息，经过4次下采样和4次上采样，通常来说就是提取特征并且上下采样，该网络是区域级分割。

该网络使用的交叉熵损失函数。

经过语义分割网络的处理，就得到了只包括板材部分的灰度图像；记此时的灰度图像大小为

。

上述步骤（2）中的粗糙程度的具体获取的具体步骤为：

由于打磨前板材图像表面粗糙，没有规律，混乱程度较高，打磨后有明显的纹理特性。在灰度图中，未打磨的板材灰度分布混乱不均匀，而打磨后的板材灰度分布呈现规律性，各个木头纹理排布在板材上且木头纹理不相交。

因此，首先使用Canny算子检测边缘，对于检测到的边缘像素点，任意选择其中一个边缘像素点，将其与其周围

邻域内的边缘像素点分为一类，之后对于新加入该类的像素点使用同样的方式分类，当最新加入的边缘像素点周围

邻域内除了已经分为一类的边缘像素点外没有其余的边缘像素点，那么认为已经分完的边缘像素点为一类；之后对图像中所有边缘像素点分类。

对于分类后的边缘像素点，得到每个类的长度，并且得到其长度延伸方向，对于打磨后的板材，每个类的长度延伸方向就是木纹的生长方向，该方向只为图像的数值方向和水平方向，木纹在该方向上是长条，在其垂直方向为小段的宽度。

通过边缘检测确定了木纹生长方向，假设木纹的生长方向为水平方向，图像的大小为

，表示图像有N行M列。若木纹的生长方向为水平方向，那么以该图像的左上角开始遍历整幅图像，从左上角开始首先遍历第一列，让左上角像素点遍历到右下角像素点，第一列遍历完成后，向右移动一位，对第二列进行遍历，此时是从下往上遍历，由此就得到了一个

的序列。

打磨前后的板材混乱度不同，打磨前混乱度更高，而混乱度可以用关联维数表示，粗糙程度可以用混乱度表示，因而可以用关联维数的维数值表示粗糙程度。

使用G-P算法计算关联维数，首先要确定时间延迟量

，将采集到的

序列看作时间序列，每一个单位长度记为时间单位1，序列值是图像的灰度值。

将序列中相邻两点作差，因为打磨后的图像中木纹灰度和其余灰度值不同，两者之间存在灰度梯度值，而在木纹灰度与木纹灰度，其余灰度与其余灰度之间差值较小，由此在差值序列中计算其大津阈值，将大于阈值的认为是木纹灰度与其余灰度之间的差值。将大于阈值的差值在差值序列中得到，转换到灰度序列当中，差值是按照序列顺序相减的，由此将差值位置转换到灰度序列的位置。

之后计算出相邻两个被标记的点之间的距离，从所有距离中选择其平均数作为时间延迟量

。因为

的取值尽量要使向量不相关，而在打磨后的板材是木纹和其余部分是交替进行的，因此将其宽度作为时间延迟量

，之后得到的向量维数都是在不同的部分，因而就保证了向量之间的不相关性。

得到时间延迟量后，构建相空间，序列共有

的长度，构造的相空间中每个向量为：

其中m表示嵌入维数，

表示时间延迟量，

表示第i个向量。

剩余的部分就是G-P算法的常规部分，G-P算法为公知技术在此就不做详细赘述，经过G-P算法计算后得到

，并且计算出关联维数D；此时也就认为关联维数D为粗糙程度。

本实施例中，使用神经网络提取图像中板材部分，根据板材打磨后的纹理信息得到木纹生长方向，之后根据木纹生长方向使用G-P算法计算关联维数表示粗糙程度。

步骤3，根据所述粗糙程度，选取粗糙程度大于第一设定值，则该板材打磨效果差，需要全局打磨；当粗糙程度大于第二设定值且小于第一设定值，则该板材打磨效果中等，需要进行定点打磨；当粗糙程度小于第二设定值，则该板材打磨完成；其中第一设定值大于第二设定值。

本实施例中，当第一次打磨完成后，若经过判断得到粗糙程度较高，但是还存在部分未打磨区域，此时在灰度图中做木纹生长方向的垂线，根据图像的大小，对图像数值方向上遍历得到M个N维向量。

图像共有M列，每一列都是从该列第一行到该列的第N行。将得到的所有M个向量，两两之间求其内积，得到一个

的矩阵。

该矩阵就是风格矩阵，该风格矩阵表示的是板材图像中列与列之间的关系。

若该列对应的都是粗糙程度较高的，那么两列相乘得到的值分别与两列向量取模对应的值差距是较小的，基于此可以得到包含未打磨区域的列，一般来说，很多列是相连的，之后对这些列按照顺序排序，将相连的列放在一起。

对于每一部分相连的列，打磨机对于这部分进行定点打磨防止出现过打磨的情况。

对于粗糙程度较高，且存在未打磨区域的图像进行定向打磨，防止过打磨。

本实施例中给定两个阈值，记为

，

，其中

。当

时，认为该板材打磨效果不好，还需要全局打磨。当

时，认为该板材打磨效果较好，但是还存在打磨不好的部分，对这些部分进行定点打磨。当

时，认为该板材打磨完成。在本方案中给定经验值，

，

。

判断一张板材一面打磨完成后，使用翻转装置翻转，继续打磨另一面，直到六面打磨完成。至此，根据粗糙程度判断之后板材要经过怎样的打磨，并且对其余几面进行打磨。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种用于家具制造的板材平面自动打磨方法，其特征在于，包括以下步骤：

步骤1，采集打磨过程中的板材的表面图像；

步骤2，对采集的不同阶段的打磨的板材表面图像进行特征分析，得到板材该面的打磨粗糙程度；

步骤3，根据所述粗糙程度，选取粗糙程度大于第一设定值，则该板材打磨效果差，需要全局打磨；当粗糙程度大于第二设定值且小于第一设定值，则该板材打磨效果中等，需要进行定点打磨；当粗糙程度小于第二设定值，则该板材打磨完成；其中第一设定值大于第二设定值；

步骤2中确定粗糙程度的具体过程为：

（1）采用神经网络模型从打磨的板材表面图像中提取出板材目标图像；

（2）对板材目标图像进行分析，得到粗糙程度；

对板材目标图像进行分析的具体过程为：

获取板材目标图像中木纹生长方向；基于木纹生长方向，得到图像像素点的序列；

将所述序列作为时间序列，并将序列中的相邻两点作差，得到对应的差值序列，确定时间延迟量，并构建相空间，采用G-P算法得到关联维数，将所述关联维数记为粗糙程度。

2.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法，其特征在于，

所述木纹生长方向的获取过程为：

采用Canny算子检测边缘像素点，任意选择其中一个边缘像素点，将其与其周围

邻域内的边缘像素点分为一类，之后对于新加入该类的边缘像素点使用同样的方式分类，得到分类后的边缘像素点类别；

基于每个边缘像素点类别，确定各边缘像素点类别的长度，并得到长度延伸方向，所述长度延伸方向为木纹生长方向。

3.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法，其特征在于，所述图像像素点的序列的获取过程为：

若木纹的生长方向为水平方向，以图像的左上角开始遍历整幅图像，从左上角开始首先遍历第一列，让左上角像素点遍历到右下角像素点，第一列遍历完成后，向右移动一位，对第二列进行遍历，从下往上遍历，得到一个

的序列。

4.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法，其特征在于，所述神经网络模型为是U-net语义分割网络，该神经网络模型的输入是灰度化后的板材图像，输出是分割后的板材目标图像。

5.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法，其特征在于，所述确定时间延迟量的具体过程为：

将序列中相邻两点作差，得到差值序列，在差值序列中计算大津阈值，将大于阈值的认为是木纹灰度与其余灰度之间的差值；得到木纹灰度差值序列，将所述木纹灰度差值序列转换到图像像素点的序列中，并计算出相邻两个被标记的点之间的距离，从所有距离中选择其平均数作为时间延迟量。

Images