基于人工智能的实木板材生产缺陷识别系统、电子设备技术方案

本发明专利技术涉及图像识别领域，具体涉及一种基于人工智能的实木板材生产识别系统、电子设备。包括：板材图像采集模块，用于获取板材滤波图像；缺陷板材检测模块，用于获取每个像素点的最佳归属类别；构建损失函数对板材滤波图像中所有像素点进行分割，将像素点类别数大于1的板材作为疑似缺陷板材，计算其缺陷程度，当缺陷程度大于第一阈值时为缺陷板材；无缺陷板材分类模块，用于计算无缺陷板材图像分类第一指标以及第二指标，计算两两无缺陷板材分类识别指标，当分类识别指标大于第二阈值时，将对应两两无缺陷板材划分为同一类别。本发明专利技术不仅能够对缺陷实木板材进行检测识别，而且对于无缺陷的实木板材可实现分类，计算量小且评估精度高。度高。度高。

【技术实现步骤摘要】
基于人工智能的实木板材生产缺陷识别系统、电子设备


[0001]本专利技术涉及图像识别领域，具体涉及一种基于人工智能的实木板材生产缺陷识别系统、电子设备。

技术介绍

[0002]对于实木板材而言，在其生产完成之后，对实木板材的检测识别以及分拣是极为关键的一步。实木板材表面出现缺陷时，将会导致后续使用时无法满足要求，降低家具品的质量，并且每批次的实木板材由于用途以及上色工艺的差异，实木板材的类别也不尽相同。因此，对于实木板材的检测识别，能够实现实木板材制作工艺、外观质量的一致性。
[0003]目前对于实木板材检测识别一般通过人工目视识别，通过专业的操作人员对实木板材进行缺陷检测、板材类别划分等，该方法主观性较强，且检测效率低，误检率较高，很难做到对实木板材进行全面检测。
[0004]针对上述问题，本专利技术提出一种基于人工智能的实木板材生产识别系统、电子设备，通过图像采集设备对实木板材进行图像采集，先通过图像数据对实木板材进行缺陷识别，实现对实木板材缺陷的检测，然后对于无缺陷的实木板材，本专利技术为了便于对不同类型的实木板材进行识别，本专利技术将建立板材分类识别模型，用于对无缺陷的实木板材进行分类。

技术实现思路

[0005]本专利技术提供一种基于人工智能的实木板材生产识别系统、电子设备，以解决现有的问题，包括：板材图像采集模块，用于获取板材滤波图像；缺陷板材检测模块，用于获取每个像素点的最佳归属类别；构建损失函数对板材滤波图像中所有像素点进行分割，将像素点类别数大于1的板材作为疑似缺陷板材，计算其缺陷程度，当缺陷程度大于第一阈值时为缺陷板材；无缺陷板材分类模块，用于计算无缺陷板材图像分类第一指标以及第二指标，计算两两无缺陷板材分类识别指标，当分类识别指标大于第二阈值时，将对应两两无缺陷板材划分为同一类别。
[0006]根据本专利技术提出的技术手段，基于实木板材图像数据实现对板材进行识别，不仅能够对缺陷实木板材进行检测识别，而且通过建立的板材分类模型可实现对无缺陷实木板材的分类，以便为相关工作人员提供相应的参考意见，针对性的对实木板材进行处理、分拣，具有计算量小、检测速度快、评估精度高等有益效果。
[0007]本专利技术采用如下技术方案：一种基于人工智能的实木板材生产缺陷识别系统，包括图像采集模块、图像处理模块、聚类模块、第一计算模块、分割模块、缺陷判断模块、第一指标计算模块、第二指标计算模块、第二计算模块以及分类模块；图像采集模块：用于采集板材生产过程中板材表面图像。
[0008]图像处理模块：对图像采集模块到的板材表面图像进行去噪处理获得板材去噪图
像。
[0009]聚类模块：用于对板材去噪图像中的所有像素点进行聚类，获得每一个像素点的最佳类别归属。
[0010]第一计算模块：利用聚类模块获得的每一个像素点的最佳类别归属所对应的高斯函数及该像素点在其他类别所对应的高斯函数构建损失函数，并利用构建的损失函数计算每一个像素点的损失指标。
[0011]分割模块：利用对第一计算模块获得的每一个像素点的损失指标对每一个像素点的损失指标进行分割。
[0012]缺陷判断模块，根据分割模块分割的结果判断采集模块所采集的板材图像是否有缺陷，如分割模块分割出的区域为1时，所采集的板材为无缺陷板材。
[0013]第一指标计算模块：获取每个无缺陷板材图像的结构分布矩阵，计算两两无缺陷板材图像的结构分布矩阵中每列向量的余弦相似度，将所有列向量余弦相似度的均值作为无缺陷板材图像分类第一指标。
[0014]第二指标计算模块：获取所有无缺陷板材图像R,G,B各个通道的分量差分图像，计算两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异，根据两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异值计算无缺陷板材图像分类第二指标。
[0015]第二计算模块：根据所述无缺陷板材图像分类第一指标以及第二指标建立板材分类识别模型，计算两两无缺陷板材图像的分类识别指标。
[0016]分类模块：当第二计算模块中得到的分类识别指标大于预设阈值时，将对应两两五缺陷板材划分为同一类别。
[0017]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，所述损失函数的表达式如下：其中，表示第i个像素点最大高斯函数值对应的类别为第i个像素点的最佳归属类别，为第i个像素点在第k个高斯模型中的高斯函数值，K为高斯模型个总个数，M为像素点的总个数，为自定义函数。
[0018]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，当分割模块分割出的区域不为1时，所采集的板材为疑似缺陷板材，根据疑似缺陷板材图像中疑似缺陷像素点的数量计算其缺陷程度，当该疑似缺陷板材的缺陷程度大于缺陷阈值时，该疑似缺陷板材为缺陷板材。
[0019]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，计算疑似缺陷板材图像缺陷程度的方法为：将疑似缺陷板材图像中像素点数量最多类别的区域作为正常区域，其他各个类别像素点构成的区域为疑似缺陷区域，获取所有疑似缺陷区域中疑似缺陷像素点的数量，计算疑似缺陷板材图像的缺陷程度，表达式为：
其中，S疑似缺陷板材图像中疑似缺陷像素点的数量，为疑似缺陷板材图像中像素点的类别数，为疑似缺陷板材图像的缺陷程度。
[0020]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，获取每个无缺陷板材图像的结构分布矩阵的方法为：根据每个无缺陷板材图像中所有像素点的高斯模型函数值建立对应无缺陷板材图像的高斯混合模型，根据每个无缺陷板材图像的高斯混合模型中的高斯参数构建对应无缺陷板材图像的结构分布矩阵。
[0021]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，计算两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异的方法为：所述无缺陷板材图像的各个分量差分图像分别为对应的分量差分图像；获取各分量差分图像所对应的直方图，将其作为各个分量差分图像的色彩特征参数，计算两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异的表达式为：其中，表示第i个无缺陷板材图像与第j个无缺陷板材图像的分量差分图像的色彩特征差异，表示第i个无缺陷板材图像的分量差分图像的色彩特征，表示第j个无缺陷板材图像的分量差分图像的色彩特征，表示直方图各个维度的权值，l表示维度；同理，计算得到第i个无缺陷板材图像与第j个无缺陷板材图像的分量差分图像的色彩特征差异以及分量差分图像的色彩特征差异。
[0022]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，计算无缺陷板材图像分类第二指标的方法为：其中，表示第i个无缺陷板材图像与第j个无缺陷板材图像的图像分类第二指标，表示第i个无缺陷板材图像与第j个无缺陷板材图像的分量差分图像的色彩特征差异，表示第i个无缺陷板材图像与第j个无缺陷板材图像的分量差分图像的色彩特征差异，表示第i个无缺陷板材图像与第j个无缺陷板材图像的分量差分图像的色彩特征差异，分别为权值参数。
[0023]进一步的，一种基于人工智能的实木板材生产缺陷识别系统，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的实木板材生产缺陷识别系统，其特征在于，包括图像采集模块、图像处理模块、聚类模块、第一计算模块、分割模块、缺陷判断模块、第一指标计算模块、第二指标计算模块、第二计算模块以及分类模块；图像采集模块：用于采集板材生产过程中板材表面图像；图像处理模块：对图像采集模块到的板材表面图像进行去噪处理获得板材去噪图像；聚类模块：用于对板材去噪图像中的所有像素点进行聚类，获得每一个像素点的最佳类别归属；第一计算模块：利用聚类模块获得的每一个像素点的最佳类别归属所对应的高斯函数及该像素点在其他类别所对应的高斯函数构建损失函数，并利用构建的损失函数计算每一个像素点的损失指标；分割模块：利用对第一计算模块获得的每一个像素点的损失指标对每一个像素点的损失指标进行分割；缺陷判断模块：根据分割模块分割的结果判断采集模块所采集的板材图像是否有缺陷，如分割模块分割出的区域为1时，所采集的板材为无缺陷板材；第一指标计算模块：获取每个无缺陷板材图像的结构分布矩阵，计算两两无缺陷板材图像的结构分布矩阵中每列向量的余弦相似度，将所有列向量余弦相似度的均值作为无缺陷板材图像分类第一指标；第二指标计算模块：获取所有无缺陷板材图像R,G,B各个通道的分量差分图像，计算两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异，根据两两无缺陷板材图像的各个分量差分图像的色彩特征参数差异值计算无缺陷板材图像分类第二指标；第二计算模块：根据所述无缺陷板材图像分类第一指标以及第二指标建立板材分类识别模型，计算两两无缺陷板材图像的分类识别指标；分类模块：当第二计算模块中得到的分类识别指标大于预设阈值时，将对应两两五缺陷板材划分为同一类别。2.根据权利要求1所述的一种基于人工智能的实木板材生产缺陷识别系统，其特征在于，所述损失函数的表达式如下：其中，表示第i个像素点最大高斯函数值对应的类别为第i个像素点的最佳归属类别，为第i个像素点在第k个高斯模型中的高斯函数值，K为高斯模型个总个数，M为像素点的总个数，为自定义函数。3.根据权利要求1所述的一种基于人工智能的实木板材生产缺陷识别系统，其特征在于，当分割模块分割出的区域不为1时，所采集的板材为疑似缺陷板材，根据疑似缺陷板材图像中疑似缺陷像素点的数量计算其缺陷程度，当该疑似缺陷板材的缺陷程度大于缺陷阈值时，该疑似缺陷板材为缺陷板材。4.根据权利要求3所述的一种基于人工智能的实木板材生产缺陷识别系统，其特征在
于，计算疑似缺陷板材图像缺陷程度的方法为：将疑似缺陷板材图像中像素点数量最多类别的区域作为正常区域，其他各个...

【专利技术属性】
技术研发人员：翟其恒，
申请(专利权)人：南通恒祥木业有限公司，
类型：发明
国别省市：