基于自学习的实木地板颜色分类方法

本发明属于实木地板分选，具体涉及一种基于机器视觉与图像处理实木地板的颜色分类方法。

背景技术：

1、木材是当经家具制造业和建筑装修业的主要原料，在建筑、家具等行业中得到了广泛的应用。实木地板受到原材料的限制，在加工之后，相互之间存在颜色与木纹差异。因此，对实木地板进行颜色分选是十分必要的。目前实木地板的颜色分类主要仍由工人手动完成。人工分选方法存在成本高、效率低下、分选检测率浮动大等缺点。对于分选系统中的物料图像处理来说，预处理和图像分割一般是都要进行的工作，这对物料的定位影响巨大。最大类间方差法是分选系统中比较常用的一种阈值分割方法。弋伟国在研究枸杞分选系统时，利用最大类间方差法分割枸杞图像，孙宏佳使用最大类间方差法分割花生图像。颜色识别技术在物料分选中应用广泛，所做的研究也较多。但是目前应用最多的当属农业领域，比如大米、大豆、花生、茶叶、水果等农业产品的品种分类、质量筛选、等级划分等，在工业产品的应用没有涉及。

2、一般的分类模型在训练完成后对于新出现的类别需要手动更新模型，这在实际生产中有很多限制。

技术实现思路

1、本发明解决的技术问题：提供一种能够自学习的实木地板颜色分选算法，提高识别精度和模型训练效率。

2、技术方案：为了解决上述问题，本发明所采用的技术方案如下：

3、一种基于自学习的实木地板颜色分类方法，根据采集的实木地板的彩色图像，先进行阈值分割，将背景去除的预处理步骤；将预处理后的实木地板图像进行区块化处理来数据增强，训练出一个可以识别已知类别和未知类别的循环迭代树；将待分类图像输入到循环迭代树中，得到实木地板的颜色类别，如果不属于已知的颜色种类，则使用少量特定已知的颜色区块替换待识别实木地板的部分位置；循环多次后，如果确定为未知类别，则将该实木地板的颜色更新进循环迭代树中，实现自学习。具体包括以下步骤：

4、s1：采集不同颜色的实木地板图像，并标记不同颜色的实木地板图片，将获得到的图像转化为灰度图像，根据阈值分割将图像转化位二值化图像，取出实木地板的区域；

5、s2：将处理后的图片进行区块化处理数据增强，得到扩充后的数据集；

6、s3：使用扩充后的数据集训练一个可以识别已知类别和未知类别的循环迭代树；

7、s4：将待分类的实木地板图片输入到训练好的循环迭代树模型中，得到实木地板的颜色类别；

8、s5：确定为未知类别的实木地板通过自学习的方式将新的类别更新进循环迭代树模型中。

9、作为优选，步骤s1中，使用线性平滑滤波器，使得实木地板区域边缘平滑，平滑滤波公式如下：

10、

11、式中为f(x,y)在x方向的方差，为f(x,y)在y方向的方差。

12、作为优选，所述步骤s2的具体实现方法如下：

13、s21：首先将所获得的实木地板图片均匀地分割为n*n个像素块；

14、s22：将像素块分为不同的区块，并编号为像素区块ⅰ、像素区块ⅱ、像素区块ⅲ……；

15、s23：将同一像素区块内的像素块随机互换位置得到新的实木地板图片，并将得到的实木地板图片打上同种类型的标签；

16、s24：多次重复步骤s23直到获得上百张该类别的实木地板图片，将这上百张图片打上a类图像标签；

17、s25：将其余类别的实木地板图片按步骤s21分割成n*n个像素块；

18、s26：将步骤s25所获得的实木地板图片的所有像素块打乱，随机重组，获得新的实木地板图片；

19、s27：重复步骤s26，直到获得上百张新的实木地板图片，将这上百张图片打上类图像标签。

20、作为优选，所述步骤s3的具体实现方法如下：

21、s31：构建一个卷积神经网络模型；

22、s32：将图像经过步骤s22获得像素区块ⅰ、像素区块ⅱ、像素区块ⅲ，像素区块ⅰ、像素区块ⅱ、像素区块ⅲ所缺部分用0值填充；

23、s33：将填充好的像素区块ⅰ、像素区块ⅱ、像素区块ⅲ输入神经网络模型中，获得像素块的置信水平b1，b2，b3，将获得的置信水平通过权重共享层得到输出分类的置信水平b0＝[b1,b2]；

24、s34：当b1>0.7时，图像则识别为a类，否则图像识别为非a类，至此获得判别是否为a类颜色实木地板的神经网络模型；

25、s35：重复步骤s32、s33、s34获得判断是否为b类、c类颜色的神经网络模型；

26、s36：级联a类、b类、c类神经网络模型，获得循环迭代树模型。

27、作为优选，步骤s33中，权重共享层公式如下：

28、

29、像素区块ⅰ、像素区块ⅱ和像素区块ⅲ分别输入神经网络中，经全连接层获得置信水平b1，b2，b3，式中，分别表示b2和b3的转置。

30、作为优选，所述步骤s5的具体实现方法如下：

31、s51：当出现无法分类的实木地板图像时，将无法分类的实木地板图像按照步骤s21分为n*n的均匀像素块；

32、s52：从数据集中随机取a类、b类、c类实木地板图像一张，并根据步骤s21将每张图像均匀地分割为n*n的像素块；

33、s53：将无法分类的实木地板图像中的若干个像素块随机替换为a类、b类、c类实木地板图像分割出的同区块同位置的像素块，获得新的图像，将新获得的图像输入至循环迭代树模型；

34、s54：重复步骤s51、s52、s53十次，若十次内有八次及以上无法分类，则判断这张图像为新的实木地板颜色类别；

35、s55：将新的颜色类别的实木地板图像重复步骤s31～s34，获得新类别实木地板颜色d类识别模型；

36、s56：将获得的d类神经网路模型与a类、b类、c类神经网络模型级联，至此完成循环迭代树模型的更新。

37、有益效果：与现有技术对比，本发明的优点包括：

38、(1)本发明将卷积网络全连接层的输出作为置信水平区间，进而进行加权计算，得出最终的颜色分类置信水平区间，识别准确率更高；

39、(2)本发明提出循环迭代树模型，实现了模型的自学习功能，节约了对新的颜色分类模型的训练时间

40、(3)利用图像处理去除实木地板图像的背景，然后利用卷积神经网络得出颜色置信区间，避免了背景对识别结果的影响。

技术特征：

1.一种基于自学习的实木地板颜色分类方法，其特征在于：将预处理后的实木地板图像进行区块化处理来数据增强，训练出一个可以识别已知类别和未知类别的循环迭代树；将待分类图像输入到循环迭代树中，得到实木地板的颜色类别，如果不属于已知的颜色种类，则使用少量特定已知的颜色区块替换待识别实木地板的部分位置；循环多次后，如果确定为未知类别，则将该实木地板的颜色更新进循环迭代树中，实现自学习。

2.根据权利要求1所述的基于自学习的实木地板颜色分类方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的基于自学习的实木地板颜色分类方法，其特征在于：步骤s1中，使用线性平滑滤波器，使得实木地板区域边缘平滑，平滑滤波公式如下：

4.根据权利要求2所述的基于自学习的实木地板颜色分类方法，其特征在于：所述步骤s2的具体实现方法如下：

5.根据权利要求2所述的基于自学习的实木地板颜色分类方法，其特征在于：所述步骤s3的具体实现方法如下：

6.根据权利要求2所述的基于自学习的实木地板颜色分类方法，其特征在于：步骤s33中，权重共享层公式如下：

7.根据权利要求2所述的基于自学习的实木地板颜色分类方法，其特征在于：所述步骤s5的具体实现方法如下：

技术总结
本发明公开了一种基于自学习的实木地板颜色分类方法，属于机器视觉和图像处理领域。将预处理后的实木地板图像进行区块化处理来数据增强，训练出一个可以识别已知类别和未知类别的循环迭代树；将待分类图像输入到循环迭代树中，得到实木地板的颜色类别，如果不属于已知的颜色种类，则使用少量特定已知的颜色区块替换待识别实木地板的部分位置；循环多次后，如果确定为未知类别，则将该实木地板的颜色更新进循环迭代树中，实现自学习。本发明在图像识别的过程中，通过区块化处理进行数据增强，以达到使用少量实木地板样本即可训练出可用模型。在识别中，不断更新循环迭代树进行自学习，使得模型可以不断学习新的数据，不断增强模型的识别能力。

技术研发人员：倪超,崔闻琪,周超,李振业,薛胜,苏瀚东,朱婷婷
受保护的技术使用者：南京林业大学
技术研发日：
技术公布日：2024/1/13