CN117636045A - 基于图像处理的木材缺陷检测系统 - Google Patents

基于图像处理的木材缺陷检测系统 Download PDF

Info

Publication number
CN117636045A
CN117636045A CN202311668936.7A CN202311668936A CN117636045A CN 117636045 A CN117636045 A CN 117636045A CN 202311668936 A CN202311668936 A CN 202311668936A CN 117636045 A CN117636045 A CN 117636045A
Authority
CN
China
Prior art keywords
wood
feature
training
image
timber
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.)
Pending
Application number
CN202311668936.7A
Other languages
English (en)
Inventor
潘俊杰
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.)
Huzhou Lianshi Qibao Wood Industry Co ltd
Original Assignee
Huzhou Lianshi Qibao Wood Industry 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 Huzhou Lianshi Qibao Wood Industry Co ltd filed Critical Huzhou Lianshi Qibao Wood Industry Co ltd
Priority to CN202311668936.7A priority Critical patent/CN117636045A/zh
Publication of CN117636045A publication Critical patent/CN117636045A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/507—Summing image-intensity values; Histogram 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及智能检测领域，其具体地公开了一种基于图像处理的木材缺陷检测系统，其采用基于机器视觉的人工智能检测技术，通过对木材的图片进行特征提取进而来判断待检测的木材是否存在缺陷，这样，可以实现对木材的自动化缺陷检测，有利于提升检测的效率和保证检测结果的客观性。

Description

基于图像处理的木材缺陷检测系统
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种基于图像处理的木材缺陷检测系统。
背景技术
在过去的几十年里，随着全球经济的不断发展和工业化进程的加速，制造业得到了前所未有的推动，其中木材行业作为制造业的重要组成部分，也得到了相应的繁荣。木材产业作为一个关键的资源产业，其经济价值与木材质量密切相关。然而，木材的缺陷，如裂纹、节疤、虫眼和弯曲等，会严重影响到木材的质量和使用价值。
裂纹和节疤是木材中最为常见的缺陷。这些缺陷会导致木材强度的降低，影响其耐用性和外观质量。裂纹是由于木材在生长或处理过程中受到的应力超过其承受能力而产生的；而节疤则是因为树木在生长过程中受到外部伤害或病变而形成的。这些缺陷不仅影响木材的外观，还会降低其使用价值。虫眼和弯曲也是木材中的缺陷。虫眼是由于木材内部被虫蛀食而形成的，而弯曲则是因为木材在生长过程中受到的环境因素影响而形成的。这些缺陷都会影响到木材的质量和使用价值。
目前，对于这些木材缺陷的检测和识别，大部分还是依赖于专业工人的目视检查。然而，这种人工检查的方法不仅劳动强度大，而且非常耗时。此外，由于人工判断存在主观性过强，检测结果的准确性和一致性也难以保证。
因此，需要一种优化的基于图像处理的木材缺陷检测方案。
发明内容
本申请目的在于提供了一种基于图像处理的木材缺陷检测系统，其采用基于机器视觉的人工智能检测技术，通过对木材的图片进行特征提取进而来判断待检测的木材是否存在缺陷，这样，可以实现对木材的自动化缺陷检测，有利于提升检测的效率和保证检测结果的客观性。
根据本申请的一个方面，提供了一种基于图像处理的木材缺陷检测系统，其包括：
木材图像数据获取模块，用于从摄像头获取待检测木材的图像；
图像预处理模块，用于对所述待检测木材的图像进行预处理以得到预处理木材图像；
木材图像特征编码模块，用于对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；
缺陷结果生成模块，用于基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
在上述基于图像处理的木材缺陷检测系统中，所述木材图像特征编码模块，包括：纹理特征提取单元，用于对所述预处理木材图像进行纹理特征提取以得到木材方向梯度直方图特征矩阵；木材原始特征提取单元，用于将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵；特征融合单元，用于融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵。
在上述基于图像处理的木材缺陷检测系统中，所述纹理特征提取单元，包括：方向梯度直方图提取子单元，用于从所述预处理木材图像中提取出木材的方向梯度直方图；空间注意力特征编码子单元，用于将所述木材的方向梯度直方图通过包含空间注意力机制的特征提取器以得到所述木材方向梯度直方图特征矩阵。
在上述基于图像处理的木材缺陷检测系统中，所述包含空间注意力机制的特征提取器为使用空间注意力机制的第一卷积神经网络模型，所述深度可分离卷积神经网络模型为作为特征提取器的第二卷积神经网络模型。
在上述基于图像处理的木材缺陷检测系统中，所述特征融合单元，用于：以如下融合公式来融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵；其中，所述融合公式为：
其中，Mc为所述木材综合特征矩阵，Ma为所述木材方向梯度直方图特征矩阵，Mb为所述木材原始特征矩阵，表示所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵相对应位置处的元素相加，α和β为用于控制所述木材综合特征矩阵中所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵之间的平衡的加权参数。
在上述基于图像处理的木材缺陷检测系统中，所述缺陷结果生成模块，用于：将所述木材综合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测木材是否存在缺陷。
在上述基于图像处理的木材缺陷检测系统中，还包括用于对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练的训练模块。
在上述基于图像处理的木材缺陷检测系统中，所述训练模块，包括：训练木材图像数据获取单元，用于从摄像头获取训练待检测木材的图像，以及，所述训练待检测木材是否存在缺陷的真实值；训练图像预处理单元，用于对所述训练待检测木材的图像进行预处理以得到训练预处理木材图像；训练方向梯度直方图提取单元，用于从所述训练预处理木材图像中提取出训练木材的方向提取直方图；训练空间注意力特征编码单元，用于将所述训练木材的方向梯度直方图通过所述包含空间注意力机制的特征提取器以得到训练木材方向梯度直方图特征矩阵；训练木材原始特征提取单元，用于将所述训练预处理木材图像通过所述深度可分离卷积神经网络模型以得到训练木材原始特征矩阵；训练特征融合单元，用于对所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵进行融合以得到训练木材综合特征矩阵；特征工程过渡因数计算单元，用于计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；分类损失单元，用于将所述训练木材综合特征矩阵通过所述分类器以得到分类损失函数值；模型训练单元，用于以所述分类损失函数值和所述基于先验的特征工程过渡因数之间的加权和作为损失函数值，对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练。
在上述基于图像处理的木材缺陷检测系统中，所述特征工程过渡因数计算单元，包括：以如下计算公式计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；其中，所述计算公式为：
其中，M1表示所述训练木材方向梯度直方图特征矩阵，M2表示所述训练木材原始特征矩阵，表示特征矩阵的按位置相加，/>表示特征矩阵的按位置相减，/>表示特征矩阵的Frobenius范数的平方，exp(·)表示矩阵的指数运算，α和λ分别表示超参数，Floss表示所述基于先验的特征工程过渡因数。
根据本申请的另一方面，提供了一种基于图像处理的木材缺陷检测方法，其包括：
从摄像头获取待检测木材的图像；
对所述待检测木材的图像进行预处理以得到预处理木材图像；
对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；
基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
与现有技术相比，本申请提供的基于图像处理的木材缺陷检测系统，其采用基于机器视觉的人工智能检测技术，通过对木材的图片进行特征提取进而来判断待检测的木材是否存在缺陷，这样，可以实现对木材的自动化缺陷检测，有利于提升检测的效率和保证检测结果的客观性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。在附图中：
图1为根据本申请实施例的基于图像处理的木材缺陷检测系统的系统框图。
图2为根据本申请实施例的基于图像处理的木材缺陷检测系统的架构图。
图3为根据本申请实施例的基于图像处理的木材缺陷检测系统中木材图像特征编码模块的框图。
图4为根据本申请实施例的基于图像处理的木材缺陷检测系统中纹理特征提取单元的框图。
图5为根据本申请实施例的基于图像处理的木材缺陷检测系统中训练模块的框图。
图6为根据本申请实施例的基于图像处理的木材缺陷检测方法的流程图。
图7为根据本申请实施例的计算设备的框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。提供这些实施例使得本申请全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组件、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不必然与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用，术语“和/或”及类似术语包括相关联的列出项目中的任一个、多个和全部的所有组合。
如上述背景技术所言，经济发展和工业化进程中，木材行业一直处于繁荣状态。木材作为一种重要的建筑和制造材料，被广泛应用于建筑、家具、造船、纸浆和纸张等领域。然而，木材在生长和处理过程中常常出现一些缺陷，如裂纹、节疤、虫眼和弯曲等，这些缺陷会降低木材的质量和价值。这些缺陷的形成原因多种多样。首先，木材生长过程中可能受到应力超过其承受能力的影响，导致木材内部产生裂纹或弯曲。其次，树木在生长过程中可能会遭受外部伤害或病变，例如受到风暴、虫害或疾病的侵袭，这些因素也会导致木材出现缺陷。此外，虫蛀食和环境因素(如湿度、温度变化等)也会对木材的质量产生影响。目前，人工检查是主要的木材缺陷检测和识别方法。这种方法需要大量的人力投入，耗时且容易受到主观因素的影响，难以保证检测结果的准确性和一致性。因此，期待一种基于图像处理的木材缺陷检测方案，其能够快速地对木材进行缺陷识别，在保证高效地前提下还能准确识别。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为基于图像处理的木材缺陷检测提供了新的解决思路和方案。
木材存在缺陷在木材表面会有明显的变化，所以本申请的技术构思为通过摄像头拍摄待检测木材的表面图像，并对表面图像进行一些处理以得到木材表面的特征，然后基于这些特征来判断其是否存在缺陷。
图1为根据本申请实施例的基于图像处理的木材缺陷检测系统的系统框图。图2为根据本申请实施例的基于图像处理的木材缺陷检测系统的架构图。如图1和图2所示，在基于图像处理的木材缺陷检测系统100中，包括：木材图像数据获取模块110，用于从摄像头获取待检测木材的图像；图像预处理模块120，用于对所述待检测木材的图像进行预处理以得到预处理木材图像；木材图像特征编码模块130，用于对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；缺陷结果生成模块140，用于基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
具体地，在本申请的技术方案中，首先，从摄像头获取待检测木材的图像。应可以理解，获取木材图像数据是本申请技术方案的第一步，它的作用是将木材表面的视觉信息转换为数字图像数据，为后续的数据处理步骤奠定基础。通过摄像头获取木材图像，可以实现非接触式的数据采集，无需直接接触木材表面，减少了对木材的干扰和损伤。同时，摄像头可以快速地获取图像，适用于大批量的木材检测场景，提高了检测的效率。待检测木材的图像是由摄像头拍摄的，摄像头可以部署在传送带上方，可以在木材通过传送带时进行拍摄，这个部署位置可以确保木材在运输过程中的图像被捕捉到，检测过程余生产流程无缝衔接，注意本申请所指的摄像头最好是高分辨率的摄像头，以确保能够捕捉到木材表面的细微缺陷。不难理解，高分辨率图像可以提供更多的细节信息，有助于准确识别和分类木材缺陷。
不难理解，摄像头得到的待检测木材的图像可能存在模糊，亮度较暗的问题。因此，需要对所述待检测木材的图像进行预处理以得到预处理木材图像。预处理是对待检测木材的图像进行一系列的操作，旨在去除图像中的噪声、增强图像的对比度和细节，以及调整图像的亮度和色彩等。预处理的目标是优化图像的质量，使得图像中的关键信息更加明显和可分辨，有助于后续的特征提取和分类过程。
具体来说，一个对待检测木材图像进行预处理可实施的方式可以包括：1.通过应用滤波器等技术，去除图像中的噪声，减少干扰，提高图像的清晰度；2.调整图像的像素值范围，使得图像中的不同部分的亮度差异更加明显，有利于后续特征的提取；3.锐化和平滑：通过锐化操作可以增强图像的边缘和细节信息，而平滑操作可以减少图像中的噪声和细节，使得图像更加清晰和易于处理；4.校正图像的色彩偏差，使得图像的颜色更加真实和准确。通过这些预处理操作，可以使得待检测木材的图像更加适合后续的特征提取和分类算法的应用。
在木材缺陷检测中，木材的纹理和结构信息对于判断是否存在缺陷至关重要。在本申请的技术方案中，从所述预处理木材图像中提取出木材的方向提取直方图。应可以理解，方向梯度直方图(Orientation Gradient Histogram)是一种用于描述图像纹理和边缘信息的特征表示方法。它可以反映图像中不同方向上的梯度变化情况，从而揭示出图像中的纹理和结构特征。通过提取木材图像的方向梯度直方图，可以获取木材纹理和结构的特征，进而用于后续的分类和检测任务。
具体来说，从所述预处理木材图像中提取出木材的方向提取直方图的一个可实施方法包括以下步骤：1.计算梯度：通过应用梯度算子(如Sobel算子)对预处理木材图像进行梯度计算，得到图像中每个像素点的梯度幅值和方向；2.划分方向区间：将360度的方向范围划分为若干个方向区间，通常是均匀划分，例如划分为8个方向区间；3.统计直方图：对每个像素点的梯度方向进行统计，将其分配到相应的方向区间中，并累加计数；4.归一化：对直方图进行归一化处理，以消除不同图像尺寸和亮度的影响。
本领域普通技术人员应该知晓，卷积神经网络在图像特征提取方面表现优异。通过将方向梯度直方图输入到卷积神经网络模型中，可以对方向梯度直方图进行特征提取。木材上不同位置可能存在着缺陷，空间注意力机制是在卷积神经网络的某个层中被引入，该机制可以根据输入的图像自动学习并生成一个注意力图，用于指导模型在不同空间位置上的特征提取，将注意力与特征图相乘，对原始图像进行加权，使得模型在特征提取时更加关注具有重要信息的区域。也就是，将所述木材的方向梯度直方图通过使用空间注意力机制的第一卷积神经网络模型以得到木材方向梯度直方图特征矩阵。
在本申请的实施例里面，将所述木材的方向梯度直方图通过使用空间注意力机制的第一卷积神经网络模型以得到木材方向梯度直方图特征矩阵的一个可实施方式可以为：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行基于卷积核的卷积处理以得到卷积特征图；将所述卷积特征图通过空间注意力单元以得到空间注意力图；计算所述卷积特征图与所述空间注意力图的按位置点乘以得到空间注意力特征图；将所述空间注意力特征图输入非线性激活单元以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述木材的方向梯度直方图，所述第一卷积神经网络模型的最后一层的输出为所述木材方向梯度直方图特征矩阵。
预处理后木材图像本身就包含着关于木材缺陷的相关信息，这对于检测木材缺陷也有帮助。因此，将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵。应可以理解的是，深度可分离卷积神经网络模型是一种轻量级的卷积神经网络结构，具有较少的参数和计算量，适合于处理图像数据。它通过将标准卷积操作分解为深度卷积和逐点卷积两个步骤，从而实现了参数共享和特征的高效提取。在木材缺陷检测中，预处理木材图像经过深度可分离卷积神经网络模型可以得到木材的原始特征矩阵。这些原始特征矩阵包含了图像中的低级和高级特征。通过学习这些原始特征，模型可以更好地理解木材图像的内容，并捕捉到与缺陷相关的信息。
在本申请的实施例里面，将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵的一个可实施方式可以为：所述深度可分离卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：基于卷积核对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述深度可分离卷积神经网络模型的卷积核为所述深度可分离卷积神经网络模型的最后一层的输出为所述木材原始特征矩阵，所述深度可分离卷积神经网络模型的第一层的输入为所述预处理木材图像。
应可以理解，木材方向梯度直方图特征矩阵是从木材图像中提取的一种纹理和结构特征，它可以捕捉到木材的纹理方向和梯度信息。这些信息对于区分正常木材和有缺陷的木材非常有用，因为缺陷通常会导致纹理和梯度的变化。木材原始特征矩阵是通过深度可分离卷积神经网络模型从预处理木材图像中提取的丰富特征。这些特征包含了图像中的低级和高级特征，能够捕捉到更全面的木材信息。通过将木材方向梯度直方图特征矩阵和木材原始特征矩阵进行融合，可以将它们的优势相结合，得到更综合、更具代表性的特征表示，也就是生成的木材综合特征矩阵。融合的方式可以是简单的元素级相加或拼接，也可以是通过卷积或其他操作进行特征融合。融合后的木材综合特征矩阵将综合了纹理、结构和其他相关特征，能够更好地反映木材的整体特征。这有助于提高木材缺陷检测方法的性能，使得模型能够更准确地识别和分类正常木材和有缺陷的木材。
图3为根据本申请实施例的基于图像处理的木材缺陷检测系统中木材图像特征编码模块的框图。如图3所示，所述木材图像特征编码模块130，包括：纹理特征提取单元131，用于对所述预处理木材图像进行纹理特征提取以得到木材方向梯度直方图特征矩阵；木材原始特征提取单元132，用于将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵；特征融合单元133，用于融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵。
图4为根据本申请实施例的基于图像处理的木材缺陷检测系统中纹理特征提取单元的框图。如图4所示，所述纹理特征提取单元131，包括：方向梯度直方图提取子单元1311，用于从所述预处理木材图像中提取出木材的方向梯度直方图；空间注意力特征编码子单元1312，用于将所述木材的方向梯度直方图通过包含空间注意力机制的特征提取器以得到所述木材方向梯度直方图特征矩阵。
具体地，在上述基于图像处理的木材缺陷检测系统100中，所述包含空间注意力机制的特征提取器为使用空间注意力机制的第一卷积神经网络模型，所述深度可分离卷积神经网络模型为作为特征提取器的第二卷积神经网络模型。
具体地，所述特征融合单元133，用于：以如下融合公式来融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵；其中，所述融合公式为：
其中，Mc为所述木材综合特征矩阵，Ma为所述木材方向梯度直方图特征矩阵，Mb为所述木材原始特征矩阵，表示所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵相对应位置处的元素相加，α和β为用于控制所述木材综合特征矩阵中所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵之间的平衡的加权参数。
最后，将所述木材综合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测木材是否存在缺陷。分类器可以根据学习到的特征和训练数据中的标签信息，对木材进行分类，将其划分为正常木材或有缺陷的木材。通过将木材综合特征矩阵输入分类器，可以实现对待检测木材的缺陷检测，并得到一个表示是否存在缺陷的分类结果。这种方法可以自动化和高效地进行木材缺陷检测，提高生产效率和质量控制水平。
在本申请的实施例里面，将所述木材综合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测木材是否存在缺陷的一个可实施方式可以为：使用所述分类器以如下分类公式对所述木材综合特征矩阵进行处理以生成所述分类结果；其中，所述分类公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(Mc)}
其中O为所述分类结果，Project(Mc)表示将所述木材综合特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。
具体地，所述缺陷结果生成模块140，用于基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
在上述基于图像处理的木材缺陷检测系统100中，还包括用于对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练的训练模块200。
进一步地，考虑到首先，所述训练木材方向梯度直方图特征矩阵是通过提取木材图像中的方向信息来构建的。方向梯度直方图是一种常用的特征表示方法，它将图像中的梯度方向进行统计，并以直方图的形式表示。通过提取方向梯度直方图特征，可以捕捉到木材图像中的纹理、边缘和形状等信息。这些特征对于木材缺陷检测往往是有意义的，因为缺陷通常会导致纹理、边缘或形状的变化。另一方面，所述训练木材原始特征矩阵是通过深度可分离卷积神经网络提取的。卷积神经网络是一种强大的图像特征提取器，它可以自动学习图像的抽象表示。通过深度可分离卷积，网络可以有效地捕捉到木材图像中的局部和全局特征，包括纹理、形状、颜色等。这些原始特征对于木材缺陷检测同样是有用的，因为它们可以提供更全面和丰富的图像描述。由于所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵捕捉到的特征具有不同的信息表达方式，将它们简单地叠加或连接在一起可能会导致语义特征在高维特征空间中的空间收敛问题。这意味着两种特征的信息可能会相互干扰或重叠，导致特征的冗余性增加或信息丢失。为了解决这个问题，需要对特征矩阵进行特征层面上的匹配。
图5为根据本申请实施例的基于图像处理的木材缺陷检测系统中训练模块的框图。如图5所示，所述训练模块200，包括：训练木材图像数据获取单元210，用于从摄像头获取训练待检测木材的图像，以及，所述训练待检测木材是否存在缺陷的真实值；训练图像预处理单元220，用于对所述训练待检测木材的图像进行预处理以得到训练预处理木材图像；训练方向梯度直方图提取单元230，用于从所述训练预处理木材图像中提取出训练木材的方向提取直方图；训练空间注意力特征编码单元240，用于将所述训练木材的方向梯度直方图通过所述包含空间注意力机制的特征提取器以得到训练木材方向梯度直方图特征矩阵；训练木材原始特征提取单元250，用于将所述训练预处理木材图像通过所述深度可分离卷积神经网络模型以得到训练木材原始特征矩阵；训练特征融合单元260，用于对所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵进行融合以得到训练木材综合特征矩阵；特征工程过渡因数计算单元270，用于计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；分类损失单元280，用于将所述训练木材综合特征矩阵通过所述分类器以得到分类损失函数值；模型训练单元290，用于以所述分类损失函数值和所述基于先验的特征工程过渡因数之间的加权和作为损失函数值，对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练。
具体地，所述特征工程过渡因数计算单元270，包括：以如下计算公式计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；其中，所述计算公式为：
其中，M1表示所述训练木材方向梯度直方图特征矩阵，M2表示所述训练木材原始特征矩阵，表示特征矩阵的按位置相加，/>表示特征矩阵的按位置相减，/>表示特征矩阵的Frobenius范数的平方，exp(·)表示矩阵的指数运算，α和λ分别表示超参数，Floss表示所述基于先验的特征工程过渡因数。
应可以理解，可以通过基于先验的特征工程过渡因数来计算训练木材方向梯度直方图特征矩阵和训练木材原始特征矩阵之间的权重或缩放因子。这个过渡因数可以根据实际数据集和任务需求进行学习或调整，以确保两种特征在特征空间中的表达方式更加一致和平衡。通过进行特征层面上的匹配，可以有效地融合两种特征，并减少特征之间的冗余性，从而提高木材缺陷检测的准确性和鲁棒性。
也就是，由于所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵本身的特征差异，叠加卷积编码带来的语义特征所映射到的高维特征空间的空间收敛，需要对特征矩阵进行特征层面上的匹配。基于此，在本申请的技术方案中，利用基于先验的特征工程过渡因数，将特征矩阵之间的匹配问题转化为一个训练策略优化问题，从而采用一种优化技术，来提升特征矩阵之间的匹配性和融合程度。
具体地，首先根据所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵的结构和属性，设计了一种基于先验的特征工程过渡因数策略，将不同类别和维度的特征值按照一定的先验规则进行加权和调整，从而降低了叠加卷积编码过程中的信息损失和误差累积。进而，采用基于先验的特征工程过渡因数作为损失函数来训练模型参数，可以通过位移矩阵的插值来基于低秩矩阵的先验近似知识，在无准确的流形几何关系的情况下来约束矩阵之间的匹配程度，这样基于先验的特征工程过渡策略来计算不同矩阵之间的相似度和差异度，并根据一定的阈值进行优化和修正以提高特征矩阵间的匹配性来提高融合程度。
综上所述，基于本申请实施例的基于图像处理的木材缺陷检测系统100被阐明，其采用基于机器视觉的人工智能检测技术，通过对木材的图片进行特征提取进而来判断待检测的木材是否存在缺陷，这样，可以实现对木材的自动化缺陷检测，有利于提升检测的效率和保证检测结果的客观性。
如上所述，根据本申请实施例的基于图像处理的木材缺陷检测系统100可以实现在各种终端设备中，例如用于图像处理的木材缺陷检测的服务器等。在一个示例中，根据本申请实施例的基于图像处理的木材缺陷检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于图像处理的木材缺陷检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于图像处理的木材缺陷检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于图像处理的木材缺陷检测系统100与该终端设备也可以是分立的设备，并且该基于图像处理的木材缺陷检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于图像处理的木材缺陷检测方法的流程图。如图6所示，在基于图像处理的木材缺陷检测方法中，包括：S110，从摄像头获取待检测木材的图像；S120，对所述待检测木材的图像进行预处理以得到预处理木材图像；S130，对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；S140，基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
这里，本领域技术人员可以理解，上述基于图像处理的木材缺陷检测方法中的各个步骤的具体操作已经在上面参考图1到图5的基于图像处理的木材缺陷检测系统的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的基于图像处理的木材缺陷检测方法被阐明，其采用基于机器视觉的人工智能检测技术，通过对木材的图片进行特征提取进而来判断待检测的木材是否存在缺陷，这样，可以实现对木材的自动化缺陷检测，有利于提升检测的效率和保证检测结果的客观性。
下面，参考图7来描述根据本申请实施例的计算设备。图7为根据本申请实施例的计算设备的框图。
如图7所示，计算设备10包括彼此通信耦合的处理系统11、一个或多个计算机可读介质12以及一个或多个I/O接口13，计算设备10还包括总线系统和/或其他形式的连接机构(未示出)。
处理系统11代表使用硬件执行一个或多个操作的功能。因此，处理系统11被图示为包括可被配置为处理器、功能块等的硬件元件14。硬件元件14不受其形成的材料或其中采用的处理机构的限制。例如，处理器可以由(多个)半导体和/或晶体管(例如,电子集成电路(IC))组成。处理器可以控制计算设备10中的其他组件以执行期望的功能。
计算机可读介质12被图示为包括存储器15。存储器15表示与一个或多个计算机可读介质相关联的存储器。存储器15可以包括易失性介质(诸如随机存取存储器(RAM))和/或非易失性介质(诸如只读存储器(ROM)、闪存、光盘、磁盘等)。存储器15可以包括固定介质(例如，RAM、ROM、固定硬盘驱动器等)以及可移动介质(例如，闪存、可移动硬盘驱动器、光盘等)。计算机可读介质12可以存储一个或多个计算机程序指令，以实现上文所述的本申请的各个实施例的基于图像处理的木材缺陷检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如待检测木材的图像等各种内容。
一个或多个I/O接口13代表允许用户向计算设备10输入命令和信息并且可选地还允许使用各种输入/输出设备将信息呈现给用户和/或其它组件或设备的功能。输入设备的示例包括键盘、光标控制设备(例如，鼠标)、麦克风(例如，用于语音输入)、扫描仪、触摸功能(例如，被配置为检测物理触摸的容性或其它传感器)、相机(例如，可以采用可见或不可见的波长(诸如红外频率)将不涉及触摸的运动检测为手势)等等。输出设备的示例包括显示设备(例如，监视器或投影仪)、扬声器、打印机、网卡、触觉响应设备等。输出设备可以向外部输出各种信息，包括判断待检测木材是否存在缺陷的结果等。
当然，为了简化，图7中仅示出了该计算设备10中与本申请有关的组件中的一些，省略了诸如总线等等的组件。除此之外，根据具体应用情况，计算设备10还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机可读介质。计算机可读介质可以包括可由计算设备10访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。
与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息(诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据)的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。
“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备10的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。术语“调制数据信号”是指这样的信号，该信号的特征中的一个或多个被设置或改变，从而将信息编码到该信号中。作为示例而非限制，通信介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。
如前所述，硬件元件14和计算机可读介质12代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本申请描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、复杂可编程逻辑器件(CPLD)以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。
前述的组合也可以用于实现本申请所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件14体现的一个或多个指令和/或逻辑。计算设备10可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件14，可以至少部分地以硬件来实现将模块实现为可由计算设备10作为软件执行的模块。指令和/或功能可以由一个或多个制品(例如，一个或多个计算设备10和/或处理系统11)可执行/可操作以实现本申请所述的技术、模块和示例。
以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制，虽然本申请已以较佳实施例揭露如上，然而并非用以限定本申请,任何熟悉本专业的技术人员，在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本申请技术方案的范围内。

Claims (10)

1.一种基于图像处理的木材缺陷检测系统，其特征在于，包括：
木材图像数据获取模块，用于从摄像头获取待检测木材的图像；
图像预处理模块，用于对所述待检测木材的图像进行预处理以得到预处理木材图像；
木材图像特征编码模块，用于对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；
缺陷结果生成模块，用于基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
2.根据权利要求1所述的基于图像处理的木材缺陷检测系统，其特征在于，所述木材图像特征编码模块，包括：
纹理特征提取单元，用于对所述预处理木材图像进行纹理特征提取以得到木材方向梯度直方图特征矩阵；
木材原始特征提取单元，用于将所述预处理木材图像通过深度可分离卷积神经网络模型以得到木材原始特征矩阵；
特征融合单元，用于融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵。
3.根据权利要求2所述的基于图像处理的木材缺陷检测系统，其特征在于，所述纹理特征提取单元，包括：
方向梯度直方图提取子单元，用于从所述预处理木材图像中提取出木材的方向梯度直方图；
空间注意力特征编码子单元，用于将所述木材的方向梯度直方图通过包含空间注意力机制的特征提取器以得到所述木材方向梯度直方图特征矩阵。
4.根据权利要求3所述的基于图像处理的木材缺陷检测系统，其特征在于，所述包含空间注意力机制的特征提取器为使用空间注意力机制的第一卷积神经网络模型，所述深度可分离卷积神经网络模型为作为特征提取器的第二卷积神经网络模型。
5.根据权利要求4所述的基于图像处理的木材缺陷检测系统，其特征在于，所述特征融合单元，用于：以如下融合公式来融合所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵以得到所述木材综合特征矩阵；
其中，所述融合公式为：
其中，Mc为所述木材综合特征矩阵，Ma为所述木材方向梯度直方图特征矩阵，Mb为所述木材原始特征矩阵，表示所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵相对应位置处的元素相加，α和β为用于控制所述木材综合特征矩阵中所述木材方向梯度直方图特征矩阵和所述木材原始特征矩阵之间的平衡的加权参数。
6.根据权利要求5所述的基于图像处理的木材缺陷检测系统，其特征在于，所述缺陷结果生成模块，用于：
将所述木材综合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待检测木材是否存在缺陷。
7.根据权利要求6所述的基于图像处理的木材缺陷检测系统，其特征在于，还包括用于对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练的训练模块。
8.根据权利要求7所述的基于图像处理的木材缺陷检测系统，其特征在于，所述训练模块，包括：
训练木材图像数据获取单元，用于从摄像头获取训练待检测木材的图像，以及，所述训练待检测木材是否存在缺陷的真实值；
训练图像预处理单元，用于对所述训练待检测木材的图像进行预处理以得到训练预处理木材图像；
训练方向梯度直方图提取单元，用于从所述训练预处理木材图像中提取出训练木材的方向提取直方图；
训练空间注意力特征编码单元，用于将所述训练木材的方向梯度直方图通过所述包含空间注意力机制的特征提取器以得到训练木材方向梯度直方图特征矩阵；
训练木材原始特征提取单元，用于将所述训练预处理木材图像通过所述深度可分离卷积神经网络模型以得到训练木材原始特征矩阵；
训练特征融合单元，用于对所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵进行融合以得到训练木材综合特征矩阵；
特征工程过渡因数计算单元，用于计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；
分类损失单元，用于将所述训练木材综合特征矩阵通过所述分类器以得到分类损失函数值；
模型训练单元，用于以所述分类损失函数值和所述基于先验的特征工程过渡因数之间的加权和作为损失函数值，对所述包含空间注意力机制的特征提取器、所述深度可分离卷积神经网络模型和所述分类器进行训练。
9.根据权利要求8所述的基于图像处理的木材缺陷检测系统，其特征在于，所述特征工程过渡因数计算单元，包括：以如下计算公式计算所述训练木材方向梯度直方图特征矩阵和所述训练木材原始特征矩阵之间的基于先验的特征工程过渡因数；
其中，所述计算公式为：
其中，M1表示所述训练木材方向梯度直方图特征矩阵，M2表示所述训练木材原始特征矩阵，表示特征矩阵的按位置相加，/>表示特征矩阵的按位置相减，/>表示特征矩阵的Frobenius范数的平方，exp(·)表示矩阵的指数运算，α和λ分别表示超参数，Floss表示所述基于先验的特征工程过渡因数。
10.一种基于图像处理的木材缺陷检测方法，其特征在于，包括：
从摄像头获取待检测木材的图像；
对所述待检测木材的图像进行预处理以得到预处理木材图像；
对所述预处理木材图像进行图像特征编码以得到木材综合特征矩阵；
基于所述木材综合特征矩阵，用来评估所述待检测木材是否存在缺陷。
CN202311668936.7A 2023-12-07 2023-12-07 基于图像处理的木材缺陷检测系统 Pending CN117636045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311668936.7A CN117636045A (zh) 2023-12-07 2023-12-07 基于图像处理的木材缺陷检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311668936.7A CN117636045A (zh) 2023-12-07 2023-12-07 基于图像处理的木材缺陷检测系统

Publications (1)

Publication Number Publication Date
CN117636045A true CN117636045A (zh) 2024-03-01

Family

ID=90023094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311668936.7A Pending CN117636045A (zh) 2023-12-07 2023-12-07 基于图像处理的木材缺陷检测系统

Country Status (1)

Country Link
CN (1) CN117636045A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109557104A (zh) * 2018-11-19 2019-04-02 临沂众为智能科技有限公司 一种基于深度学习的木料优选锯智能检测方法
US20210004589A1 (en) * 2018-12-18 2021-01-07 Slyce Acquisition Inc. Scene and user-input context aided visual search
CN112215155A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于多特征融合的人脸跟踪方法及系统
CN113516047A (zh) * 2021-05-19 2021-10-19 哈尔滨理工大学 一种基于深度学习特征融合的人脸表情识别方法
CN114743102A (zh) * 2022-04-11 2022-07-12 中山大学 一种面向家具板材的瑕疵检测方法、系统及装置
CN115082781A (zh) * 2022-05-26 2022-09-20 武汉工程大学 一种舰船图像检测方法、装置以及存储介质
CN115205280A (zh) * 2022-08-11 2022-10-18 浙江工业大学 一种基于纹理特征和hba-delm算法的空气源热泵除霜控制方法
CN115588188A (zh) * 2021-06-23 2023-01-10 海信集团控股股份有限公司 一种机车、车载终端和驾驶员行为识别方法
CN116740654A (zh) * 2023-08-14 2023-09-12 安徽博诺思信息科技有限公司 基于图像识别技术的变电站作业防控方法
CN116797533A (zh) * 2023-03-24 2023-09-22 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116862920A (zh) * 2022-03-24 2023-10-10 青岛海信电子技术服务有限公司 一种人像分割方法、装置、设备及介质
CN117115138A (zh) * 2023-09-22 2023-11-24 杭州风丝袅科技有限公司 服装生产过程中的智能控制系统及其方法
CN117610734A (zh) * 2023-12-04 2024-02-27 长春市镜彪远科技有限公司 基于深度学习的用户行为预测方法、系统和电子设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109557104A (zh) * 2018-11-19 2019-04-02 临沂众为智能科技有限公司 一种基于深度学习的木料优选锯智能检测方法
US20210004589A1 (en) * 2018-12-18 2021-01-07 Slyce Acquisition Inc. Scene and user-input context aided visual search
CN112215155A (zh) * 2020-10-13 2021-01-12 北京中电兴发科技有限公司 一种基于多特征融合的人脸跟踪方法及系统
CN113516047A (zh) * 2021-05-19 2021-10-19 哈尔滨理工大学 一种基于深度学习特征融合的人脸表情识别方法
CN115588188A (zh) * 2021-06-23 2023-01-10 海信集团控股股份有限公司 一种机车、车载终端和驾驶员行为识别方法
CN116862920A (zh) * 2022-03-24 2023-10-10 青岛海信电子技术服务有限公司 一种人像分割方法、装置、设备及介质
CN114743102A (zh) * 2022-04-11 2022-07-12 中山大学 一种面向家具板材的瑕疵检测方法、系统及装置
CN115082781A (zh) * 2022-05-26 2022-09-20 武汉工程大学 一种舰船图像检测方法、装置以及存储介质
CN115205280A (zh) * 2022-08-11 2022-10-18 浙江工业大学 一种基于纹理特征和hba-delm算法的空气源热泵除霜控制方法
CN116797533A (zh) * 2023-03-24 2023-09-22 东莞市冠锦电子科技有限公司 电源适配器的外观缺陷检测方法及其系统
CN116740654A (zh) * 2023-08-14 2023-09-12 安徽博诺思信息科技有限公司 基于图像识别技术的变电站作业防控方法
CN117115138A (zh) * 2023-09-22 2023-11-24 杭州风丝袅科技有限公司 服装生产过程中的智能控制系统及其方法
CN117610734A (zh) * 2023-12-04 2024-02-27 长春市镜彪远科技有限公司 基于深度学习的用户行为预测方法、系统和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ERAN ZVULONI等: "On Merging Feature Engineering and Deep Learning for Diagnosis, Risk-Prediction and Age Estimation Based on the 12-Lead ECG", 《ARXIV:2207.06096V2》, 16 July 2022 (2022-07-16), pages 1 - 16 *
汤健等: "基于多元特征异构集成深度学习的图像识别模型及其应用", 《北京工业大学学报》, vol. 50, no. 1, 2 December 2023 (2023-12-02), pages 27 - 37 *
黄宁: "基于多特征聚合的视觉显著性织物疵点检测算法研究", 《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》, 15 January 2023 (2023-01-15), pages 024 - 189 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935174A (zh) * 2024-03-22 2024-04-26 浙江佑威新材料股份有限公司 真空袋膜生产线的智能化管理系统及方法

Similar Documents

Publication Publication Date Title
CN109584248B (zh) 基于特征融合和稠密连接网络的红外面目标实例分割方法
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
CN113065558A (zh) 一种结合注意力机制的轻量级小目标检测方法
CN109118473B (zh) 基于神经网络的角点检测方法、存储介质与图像处理系统
CN108520273A (zh) 一种基于目标检测的稠密小商品快速检测识别方法
CN111445459A (zh) 一种基于深度孪生网络的图像缺陷检测方法及系统
CN106355579A (zh) 烟条表面褶皱的缺陷检测方法
Chen et al. Edge-glued wooden panel defect detection using deep learning
CN115841447A (zh) 一种磁瓦表面缺陷的检测方法
Hu et al. LE–MSFE–DDNet: a defect detection network based on low-light enhancement and multi-scale feature extraction
CN117636045A (zh) 基于图像处理的木材缺陷检测系统
US20210390282A1 (en) Training data increment method, electronic apparatus and computer-readable medium
CN108133235A (zh) 一种基于神经网络多尺度特征图的行人检测方法
CN117103790A (zh) 瓦楞纸板生产线及其控制方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
Bappy et al. Real estate image classification
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN115984662A (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN114612399A (zh) 一种用于手机外观标记的图片识别系统及方法
CN116994049A (zh) 全自动针织横机及其方法
Gao et al. Electronic components detection for PCBA based on a tailored YOLOv3 network with image pre-processing
Li et al. A novel feature‐based network with sequential information for textile defect detection
CN110659694A (zh) 一种基于机器学习的柑橘果蒂的检测方法
Lee et al. Fault detection using canny edge detection and mask r-cnn in injection molding of manufacturing processes

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