本发明专利技术公开了基于排列组合最优解的木材最大价值锯切算法，涉及木材锯切算法技术领域，该锯切算法旨在解决现有技术下无法适用于不同规格的木材，无法保证木材价值的最大化，并且未将木材中的缺陷完全锯切的技术问题，该锯切算法，其步骤如下：S1：采集木材图片，建立板材缺陷样本图片库，S2：利用标记了特征的缺陷图像输入到网络中进行训练，S3：通过16k工业线扫相机采集待处理木材的图像，并对木材图像进行缺陷标记，S4：根据木材正反面的缺陷分布情况，然后进行木材的锯切，该锯切算法不限定待检测木材的长度和形态，利用排列组合最优解的方式进行高效的切割，使得切割后得到的木材价值最大化，并且确保木材中的缺陷完全锯切。并且确保木材中的缺陷完全锯切。
【技术实现步骤摘要】
基于排列组合最优解的木材最大价值锯切算法
[0001]本专利技术属于木材锯切算法
，具体涉及基于排列组合最优解的木材最大价值锯切算法。
技术介绍
[0002]配料是木材加工的第一步，按照产品的尺寸、规格要求将木材锯制成各种规格和形状的毛料，木材作为自然生长的材料，在生产中是有一定缺陷的，因此企业在生产加工之前就需要进行配料工序来对这些木材进行优选。
[0003]目前，专利号为CN201810961397.9的专利技术专利公开了一种针对木材表面缺陷的最优切割方法，具体包括以下步骤：S1、首先橡胶木由原料经过人工盲切、横向和竖向抛光后，切割出一块大约长300mm、宽80mm和厚度25mm的木块，这些木材通常会有黑节、白节、树心、缺边、开裂、斜头、破损等缺陷，根据缺陷的分布规律对木材进行切割，切割后木材分为四种：AA料、AB料、C料和废料；S2、然后用高分辨率工业CCD采集木材两个面的图像，利用卷积神经网络算法对木材两个面的缺陷进行检测，提取出每个缺陷的中心位置和面积；S3、对缺陷进行Blob分析，过滤掉面积较小的缺陷，并求出每个缺陷的最小外接矩形，如果两矩形有重叠区域，或相隔较近，可对两矩形合并成一个大矩形进行处理；S4、判断木材两头是否有缺陷或斜头，若存在，则切除缺陷或斜头区域，虽然这样会产生一部分废料，但同时会产出更多的AA料或AB料；S5、排除斜头和两头缺陷后，对中间缺陷分布进行分析，首先将木材两个面的缺陷映射到一个面上，求出该面上最上方缺陷到木材上边缘的距离和最下方缺陷到木材下边缘的距离；S6、根据S5中的两个距离是否大于100mm，将切割方案分为三大类，第一种：两个距离皆大于100mm时，在最上方缺陷和最下方缺陷的边缘分别切一刀，取两个AA料和一块较短的废料，第二种：只有一个距离大约100mm，比如最上方缺陷到木材上边缘的距离超过100mm，则在该缺陷的上边缘切一刀，取一个AA料和一个AB料或C料，第三种：两个距离皆小于100mm，分析单个面中最边缘的缺陷到木材同一侧边缘的距离是否存在大于100mm，若存在，则在该缺陷边缘切一刀，取一个AB料和C料，其采用的是根据木材表面缺陷的分布规律进行数学建模，从众多缺陷分布种类中提取数学模型，将其分为三大类去考虑，并对每一大类进行了细分分析，从而使得切割方案实现了标准化，但该切割方法无法适用于不同规格的木材，普适性较差，且不能对木板的锯切方式进行排列，无法保证木材价值的最大化，并且该切割方法并未将木材中的缺陷完全锯切，影响木材的品质。
[0004]因此，针对上述锯切后无法保证木材价值最大化的问题，亟需得到解决，以改善木材的使用场景。
技术实现思路
[0005](1)要解决的技术问题
[0006]针对现有技术的不足，本专利技术的目的在于提供基于排列组合最优解的木材最大价值锯切算法，该锯切算法旨在解决现有技术下无法适用于不同规格的木材，无法保证木材
价值的最大化，并且未将木材中的缺陷完全锯切的技术问题。
[0007](2)技术方案
[0008]为了解决上述技术问题，本专利技术提供了这样基于排列组合最优解的木材最大价值锯切算法，其步骤如下：
[0009]S1：采集木材图片，对图像进行预处理和特征提取操作，建立板材缺陷样本图片库，对样本图片进行分割，通过数据增强对图片进行数据扩充，对扩充后图像进行标注，将板材缺陷样本图片库中的图片分成训练集、测试集和验证集，图像进行预处理和特征提取的步骤如下：
[0010]S11：图像进行预处理的流程为：灰度化、几何变换和图像增强，灰度化采用加权平均法得到灰度图像，几何变换通过平移、转置、镜像、旋转和缩放对采集的图像进行处理，改正图像采集系统的系统误差和仪器位置的随机误差，然后使用灰度插值算法进行计算，图像增强算法包括空间域法和频率域法；
[0011]S12：将图像划分成n个坐标格，统计每个坐标格的梯度直方图，形成每个坐标格的特征，每m个坐标格组成一个块，每个块内所有坐标格的特征串联，得到该块的特征，将图像内所有块的特征串联，得到该图像可供分类使用的特征向量；
[0012]S2：利用标记了特征的缺陷图像输入到网络中进行训练，采用全监督学习模型：
[0013]S21：表征学习将缺陷检测问题当做计算机视觉中的分类任务，包括粗粒度的图像标签分类、区域分类、以及像素分类；
[0014]S22：度量学习使用深度学习直接学习输入的相似性度量，在缺陷分类任务中，采用孪生网络进行度量学习，孪生网络的输入两张或多张成对图像，通过网络学习出输入图片的相似度，判断其是否属于同一类；
[0015]S3：通过16k工业线扫相机采集待处理木材的图像，并对木材图像进行缺陷标记：
[0016]S31：将待处理的木材图片原图变为灰度图；
[0017]S32：对图片进行高斯滤波；
[0018]S33：滤波后的图片进行均匀光照处理；
[0019]S34：对图像进行均衡化；
[0020]S35：再对图像进行二值化处理；
[0021]S36：连通区域；
[0022]S37：边缘检测，标识数字图像中亮度变化明显的点，减少数据量，保留图像重要的结构属性，边缘检测可以分为两类：基于搜索和基于零穿越；
[0023]S38：进行标记，定位缺陷的坐标，缺陷区域的初始位置用X表示，
△
X表示缺陷区域宽度；
[0024]S4：根据木材正反面的缺陷分布情况，在系统内将木材上下两个面分成带缺陷段和不带缺陷段，设定最小有效木材长度为D，计算第一个带缺陷段和第二个带缺陷段之间的距离，当该距离小于D时，将第一个带缺陷段和第二个带缺陷段合并锯切，同理对所有的缺陷区域进行排列，最后在系统内生成锯切图像，然后进行木材的锯切。
[0025]进一步地，所述S1中样本图片库中样品图片的数量不少于2000张，其中训练集、测试集和验证集的样品图片数量比例为8:1:1。
[0026]进一步地，所述S11中灰度图像每个像素用一个字节存放灰度值、灰度范围为0
‑
255，灰度插值算法采用的方法有最近邻插值、双线性插值和双三次插值。
[0027]进一步地，所述S12中每个坐标格的大小为6*6像素。
[0028]进一步地，所述S3中16k工业线扫相机采用上下双线扫相机对射架构，搭配低畸变拟镜头。
[0029]进一步地，所述S32中进行高斯滤波时将当前像素作为核中心，利用卷积核对周围邻域像素作加权平均，其值作为当前像素的新值。
[0030]进一步地，所述S36中连通区域是指图像中具有相同像素值并且位置相邻的像素组成的区域，连通域分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。
[0031]进一步地，所述S37中基于搜索通过寻找图像一阶导数中最大值来检测边界，然后利用计算结果估计边缘的局部方向，采用梯度的方向，并在此方向找到局部梯度模的最大值。
[0032]进一步地，所述S37中基于零穿越本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于排列组合最优解的木材最大价值锯切算法，其特征在于，其步骤如下：S1：采集木材图片，对图像进行预处理和特征提取操作，建立板材缺陷样本图片库，对样本图片进行分割，通过数据增强对图片进行数据扩充，对扩充后图像进行标注，将板材缺陷样本图片库中的图片分成训练集、测试集和验证集，图像进行预处理和特征提取的步骤如下：S11：图像进行预处理的流程为：灰度化、几何变换和图像增强，灰度化采用加权平均法得到灰度图像，几何变换通过平移、转置、镜像、旋转和缩放对采集的图像进行处理，改正图像采集系统的系统误差和仪器位置的随机误差，然后使用灰度插值算法进行计算，图像增强算法包括空间域法和频率域法；S12：将图像划分成n个坐标格，统计每个坐标格的梯度直方图，形成每个坐标格的特征，每m个坐标格组成一个块，每个块内所有坐标格的特征串联，得到该块的特征，将图像内所有块的特征串联，得到该图像可供分类使用的特征向量；S2：利用标记了特征的缺陷图像输入到网络中进行训练，采用全监督学习模型：S21：表征学习将缺陷检测问题当做计算机视觉中的分类任务，包括粗粒度的图像标签分类、区域分类、以及像素分类；S22：度量学习使用深度学习直接学习输入的相似性度量，在缺陷分类任务中，采用孪生网络进行度量学习，孪生网络的输入两张或多张成对图像，通过网络学习出输入图片的相似度，判断其是否属于同一类；S3：通过16k工业线扫相机采集待处理木材的图像，并对木材图像进行缺陷标记：S31：将待处理的木材图片原图变为灰度图；S32：对图片进行高斯滤波；S33：滤波后的图片进行均匀光照处理；S34：对图像进行均衡化；S35：再对图像进行二值化处理；S36：连通区域；S37：边缘检测，标识数字图像中亮度变化明显的点，减少数据量，保留图像重要的结构属性，边缘检测可以分为两类：基于搜索和基于零穿越；S38：进行标记，定位缺陷的坐标，缺陷区域的初始位置用X表示，
△
X表示缺陷区域宽度；S4：根据木材正反面的缺陷分布情况，在系统内将木材上下两个面分...
【专利技术属性】
技术研发人员：丁安波，程昊，
申请(专利权)人：苏州智颂智能装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。