计算机视觉结合自我学习行为的实木板材品质检测方法

摘要

本发明公开了计算机视觉结合自我学习行为的实木板材品质检测方法，通过构建品质检测模型，实现实木板材的在线检测，利用构建的品质建模模型对生产线上的实木板材进行品质检测，若正确识别率不合格，则对品质检测模型自我学习修正，使得正确识别率合格。本发明能克服实木板材批次间差异对品质检测的影响，实现计算机视觉方法在实木板材品质检测领域的高效应用，可应用于实木板材品质检测。

说明书

技术领域

本发明涉及一种计算机视觉检测方法，特指一种计算机视觉结合自我学习行为的实木板材品质检测方法，属于木材加工制造领域。

背景技术

实木板材坚固耐用、纹路自然，大都具有天然木材特有的芳香，具有较好的吸湿性和透气性，有益于人体健康，不造成环境污染，是制作高档家具、装修房屋的优质板材。在实木板材的生产及加工过程中，根据其自身的品质特性可将实木板材分为缺陷品及不同等级的正品。缺陷品一般指板材表面存在明显的结疤、虫眼、裂纹、形变等缺陷，严重影响板材后续使用的产品。正品指板材表面不存在明显的缺陷，达到实际使用的基本要求。由于实木板材的原料—木材是在自然环境下生长而成的，使得实木板材存在丰富的色彩和纹理。即使是同一根木材，其不同区域生产出的板材对应的色彩和纹理也不尽相同。以实木板材为材料的木质产品，如原木家具等，往往以实木的原色为基本色。为了使木质产品美观、协调，需要挑选颜色相近、纹理柔和的实木板材作为原料来加工产品。这就要求实木板材加工过程中不仅要区分缺陷品和正品，而且要对正品进行分等分级。

在当前木材生产及加工领域，木材品质大部分依靠人工来进行检测，即通过肉眼观测木质产品表面特征并判断其品质等级。人工检测不但严重影响工作效率，而且人在疲劳情况下比较容易出现误检及漏检情况。为了克服人工检测方法的不足，计算机视觉被运用于检测木材板材的品质。计算机视觉检测过程主要包括图像获取、特征提取、特征选择和分类器设计，相关的发明专利有201510132203.0、201410642066.0、201410642068.X，201520544701.1等。对应特定批次的实木板材，可利用特定的计算机视觉检测程序捕捉相应的品质特征并结合相应的分类方法实现板材品质的快速检测。由于实木板材的表面特征(颜色、纹理等)受到木材生长环境、取材位置、处理工艺、树种等诸多因素的影响，导致实木板材为高度复杂的非标准品，为特定批次实木板材开发的计算机视觉检测程序往往无法有效的运用于其它批次的产品，极大的限制了计算机视觉方法在实木板材品质检测领域的应用。

发明内容

本发明的目的在于提供计算机视觉结合自我学习行为的实木板材品质检测方法，克服实木板材批次间差异对品质检测的影响，实现计算机视觉方法在实木板材品质检测领域的高效应用。

本发明为解决上述技术问题采取的技术方案是：

计算机视觉结合自我学习行为的实木板材品质检测方法，其特征在于包括以下步骤：

步骤一，构建品质检测模型；

步骤二，实木板材的在线检测，即利用构建的品质建模模型对生产线上的实木板材进行品质检测，若正确识别率不合格，则执行步骤三；

步骤三，品质检测模型自我学习修正。

所述步骤一具体包括以下过程：

过程1.1，根据产品品质标准，挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材；一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为m+n块；其中每个等级中m块实木板材用做训练样本，n块实木板材用作验证样本；m、n均为大于零的整数；

过程1.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像：

一等品G1等级的m+n块实木板材的图像为I-0_1,1、I-0_1,2、……、I-0_1,(m+n-1)、I-0_1,(m+n)；二等品G2等级的m+n块实木板材的图像为I-0_2,1、I-0_2,2、……、I-0_2,(m+n-1)、I-0_2,(m+n)；三等品G3等级的m+n块实木板材的图像为I-0_3,1、I-0_3,2、……、I-0_3,(m+n-1)、I-0_3,(m+n)；缺陷品G4等级的m+n块实木板材的图像为I-0_4,1、I-0_4,2、……、I-0_4,(m+n-1)、I-0_4,(m+n)；其中“I-”后面的数字依次代表实木板材的批次、所属等级以及所属编号；

过程1.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中m块训练样本对应图像，即I-0_1,1、I-0_1,2、……、I-0_1,(m-1)、I-0_1,m，I-0_2,1、I-0_2,2、……、I-0_2,(m-1)、I-0_2,m，I-0_3,1、I-0_3,2、……、I-0_3,(m-1)、I-0_3,m，I-0_4,1、I-0_4,2、……、I-0_4,(m-1)、I-0_4,m，的j种图像特征参数；将j种图像特征参数作为输入参数代入多层感知人工神经网络即MLPs，以训练样本的等级一等品G1、二等品G2、三等品G3和缺陷品G4作为MLPs的输出参数，构建包含k种图像特征参数的品质检测模型Y＝F0(X_k)；

Y为实木板材的品质等级，X_k为k种图像特征参数，k为大于零的整数且k小于或者等于j，j为大于零的整数；

过程1.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中n块验证样本对应图像，即I-0_1,(m+1)、I-0_1,(m+2)、……、I-0_1,(m+n-1)、I-0_1,(m+n)，I-0_2,(m+1)、I-0_2,(m+2)、……、I-0_2,(m+n-1)、I-0_2,(m+n)，I-0_3,(m+1)、I-0_3,(m+2)、……、I-0_3,(m+n-1)、I-0_3,(m+n)，I-0_4,(m+1)、I-0_4,(m+2)、……、I-0_4,(m+n-1)、I-0_4,(m+n)的k种图像特征参数X’_k；将k种图像特征参数X’_k代入已建立的品质检测模型Y＝F0(X_k)预测n块验证样本对应的品质等级Y’＝F0(X’_k)；将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证样品品质的正确识别率R；若正确识别率R大于等于R_合格，则执行步骤二；若R小于R_合格，则重复步骤1.3、1.4。

所述步骤二具体包括以下过程：

过程2.1，采集生产线上第1批次实木板材的图像I’-1_i，其中“I’-”后面的数字代表实木板材的批次、字母i表示实木板材所属编号，i为大于零的整数；

过程2.2，提取第1批次实木板材的图像I’-1_i的k种图像特征参数X’_1,k，将k种图像特征参数X’_1,k代入已建立的品质检测模型Y＝F0(X_k)得到品质等级Y1’＝F0(X’_1,k)；

过程2.3，根据产品品质标准不定期的对过程2.2的检测结果Y1’进行人工抽检验证，计算抽检样品品质的正确识别率R’，若正确识别率R’大于等于R’_合格，则维持品质检测模型不变并重复执行过程2.1、过程2.2、过程2.3，若正确识别率R’小于R’_合格，则执行步骤三。

所述步骤三具体包括以下过程：

过程3.1，假设生产线上第h批次实木板材的的抽检正确识别率R’不满足要求，则从第h批次实木板材中挑选出一等品G1、二等品G2、三等品G3和缺陷品G4共4个等级的实木板材，一等品G1、二等品G2、三等品G3和缺陷品G4等级的实木板材均为u+v块；每个等级中u块实木板材用做模型修正样本，v块实木板材用作验证样本；u、v均为大于零的整数；

过程3.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等级对应的所有实木板材的图像，一等品G1等级的u+v块实木板材的图像为I-h_1,1、I-h_1,2、……、I-h_1,(u+v-1)、I-h_1,(u+v)；二等品G2等级的u+v块实木板材的图像为I-h_2,1、I-h_2,2、……、I-h_2,(u+v-1)、I-h_2,(u+v)；三等品G3等级的u+v块实木板材的图像为I-h_3,1、I-h_3,2、……、I-h_3,(u+v-1)、I-h_3,(u+v)；缺陷品G4等级的u+v块实木板材的图像为I-h_4,1、I-h_4,2、……、I-h_4,(u+v-1)、I-h_4,(u+v)；

过程3.3，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中u块模型修正样本对应图像，即I-h_1,1、I-h_1,2、……、I-h_1,(u-1)、I-h_1,u；I-h_2,1、I-h_2,2、……、I-h_2,(u-1)、I-h_2,u；I-h_3,1、I-h_3,2、……、I-h_3,(u-1)、I-h_3,u；I-h_4,1、I-h_4,2、……、I-h_4,(u-1)、I-h_4,u的w种图像特征参数，且提取的w种图像特征参数与所述步骤二的过程2.2中的k种图像特征不相同；将w种图像特征与所述步骤二过程2.2中的k种图像特征作为输入参数代入MLPs，对已建立的品质检测模型Y＝F0(X_k)进行修正，得到修正后的校正模型Y＝Fh(X_k+w)；w为大于零的整数；

过程3.4，分别提取一等品G1、二等品G2、三等品G3和缺陷品G4等级中v块验证样本对应图像，即I-h_1,(u+1)、I-h_1,(u+2)、……、I-h_1,(u+v-1)、I-h_1,(u+v)，I-h_2,(u+1)、I-h_2,(u+2)、……、I-h_2,(u+v-1)、I-h_2,(u+v)，I-h_3,(u+1)、I-h_3,(u+2)、……、I-h_3,(u+v-1)、I-h_3,(u+v)，I-h_4,(u+1)、I-h_4,(u+2)、……、I-h_4,(u+v-1)、I-h_4,u+v)的k+w种图像特征参数X’_k+w；将k+w种图像特征参数X’_k+w代入已建立的品质检测模型Y＝Fh(X_k+w)预测v块验证样本对应的品质等级Y’＝Fh(X’_k+w)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证集样品品质的正确识别率R”；若正确识别率R”大于等于R_合格，则执行步骤二，若正确识别率R”小于R_合格，则重复执行过程3.3、过程3.4。

本发明具有的有益效果：提取实木板材的图像特征来表征板材的表面特性，结合多层感知人工神经网络(MLPs)建立品质检测模型，实现计算机视觉技术对实木板材品质的检测；对不同批次、差异较大的实木板材，通过提取新的图像特征加入已建立的品质模型的方式，可得到适应性更强、精度更好的修正品质检测模型，达成计算机视觉在线检测的自我学习行为，克服实木板材批次间差异对品质检测的影响，有利于计算机视觉方法在实木板材品质检测领域的高效应用。

附图说明

图1为本发明技术方法流程图。

具体实施方式

以下结合附图，通过实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

一种计算机视觉结合自我学习行为的实木板材品质检测方法，技术方法流程图如图1所示，包括步骤一品质检测模型构建、步骤二品质检测模型在线应用、步骤三品质检测模型自我学习修正。

所述方法的实现过程为：

步骤一，构建品质检测模型，具体包含如下过程：

过程1.1，根据产品品质标准，挑选出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4个等级的实木板材，G1、G2、G3和G4等级的实木板材均为80块；其中每个等级中50块实木板材用做训练样本，30块实木板材用作验证样本；

过程1.2，采集G1、G2、G3和G4等级对应的所有实木板材的图像，G1等级的80块实木板材的图像为I-0_1,1、I-0_1,2、……、I-0_1,79、I-0_1,80；G2等级的80块实木板材的图像为I-0_2,1、I-0_2,2、……、I-0_2,79、I-0_2,80；G3等级的80块实木板材的图像为I-0_3,1、I-0_3,2、……、I-0_3,79、I-0_3,80；G4等级的80块实木板材的图像为I-0_4,1、I-0_4,2、……、I-0_4,79、I-0_4,80；其中“I-”后面的数字依次代表实木板材的批次、所属等级以及所属编号；

过程1.3，分别提取G1、G2、G3和G4等级中50块训练样本对应图像(I-0_1,1、I-0_1,2、……、I-0_1,49、I-0_1,50；I-0_2,1、I-0_2,2、……、I-0_2,49、I-0_2,50；I-0_3,1、I-0_3,2、……、I-0_3,49、I-0_3,50；I-0_4,1、I-0_4,2、……、I-0_4,49、I-0_4,50；)的15种图像特征参数；将15种图像特征参数作为输入参数代入MLPs，以训练样本的等级G1、G2、G3和G4作为MLPs的输出参数，构建包含10种图像特征参数的品质检测模型Y＝F0(X₁₀)，其中Y为实木板材的品质等级、X₁₀为10种图像特征参数；

过程1.4，分别提取G1、G2、G3和G4等级中30块验证样本对应图像(I-0_1,51、I-0_1,52、……、I-0_1,79、I-0_1,80；I-0_2,51、I-0_2,52、……、I-0_2,79、I-0_2,80；I-0_3,51、I-0_3,52、……、I-0_3,79、I-0_3,80；I-0_4,51、I-0_4,52、……、I-0_4,79、I-0_4,80；)的10种图像特征参数X’₁₀；将10种图像特征参数X’₁₀代入已建立的品质检测模型Y＝F0(X₁₀)预测30块验证样本对应的品质等级Y’＝F0(X’₁₀)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证样品品质的正确识别率R；若正确识别率R大于等于R_合格＝98％，则执行步骤二，若正确识别率R小于R_合格＝98％，则重复执行过程1.3、过程1.4；

步骤二，实木板材的在线检测，具体包含如下过程：

过程2.1，采集生产线上第1批次实木板材的图像I’-1_i，其中“I’-”后面的数字代表实木板材的批次、字母i表示实木板材所属编号，i为大于零的整数；

过程2.2，提取第1批次实木板材的图像I’-1_i的10种图像特征参数X’_1,10，将10种图像特征参数X’_1,10代入已建立的品质检测模型Y＝F0(X₁₀)得到品质等级Y1’＝F0(X’_1,10)；

过程2.3，根据产品品质标准不定期的对过程2.2的检测结果Y1’进行人工抽检验证，计算抽检样品品质的正确识别率R’，若正确识别率R’大于等于R’_合格＝98％，则维持品质检测模型不变并重复执行过程2.1、过程2.2、过程2.3，若正确识别率R’小于R’_合格＝98％，则执行步骤三；

步骤三，品质检测模型自我学习修正，具体包含如下过程：

过程3.1，假设生产线上第h＝5批次实木板材的的抽检正确识别率R’不满足要求，则从第h批次实木板材中挑选出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4个等级的实木板材，G1、G2、G3和G4等级的实木板材均为30块；其中每个等级中20块实木板材用做模型修正样本，10块实木板材用作验证样本；

过程3.2，采集G1、G2、G3和G4等级对应的所有实木板材的图像，G1等级的30块实木板材的图像为I-h_1,1、I-h_1,2、……、I-h_1,29、I-h_1,30；G2等级的30块实木板材的图像为I-h_2,1、I-h_2,2、……、I-h_2,29、I-h_2,30；G3等级的30块实木板材的图像为I-h_3,1、I-h_3,2、……、I-h_3,29、I-h_3,30；G4等级的30块实木板材的图像为I-h_4,1、I-h_4,2、……、I-h_4,29、I-h_4,30；

过程3.3，分别提取G1、G2、G3和G4等级中20块模型修正样本对应图像(I-h_1,1、I-h_1,2、……、I-h_1,19、I-h_1,20；I-h_2,1、I-h_2,2、……、I-h_2,19、I-h_2,20；I-h_3,1、I-h_3,2、……、I-h_3,19、I-h_3,20；I-h_4,1、I-h_4,2、……、I-h_4,19、I-h_4,20；)的w种图像特征参数(w为大于零的整数)且提取的2种图像特征参数与步骤二过程2.2中的10种图像特征不相同；将2种图像特征与步骤二过程2.2中的10种图像特征作为输入参数代入MLPs，对已建立的品质检测模型Y＝F0(X₁₀)进行修正，得到修正后的校正模型Y＝Fh(X₁₂)；

过程3.4，分别提取G1、G2、G3和G4等级中10块验证样本对应图像(I-h_1,21、I-h_1,22、……、I-h_1,29、I-h_1,30；I-h_2,21、I-h_2,22、……、I-h_2,29、I-h_2,30；I-h_3,21、I-h_3,22、……、I-h_3,29、I-h_3,30；I-h_4,21、I-h_4,22、……、I-h_4,29、I-h_4,30；)的12种图像特征参数X’₁₂；将12种图像特征参数X’₁₂代入已建立的品质检测模型Y＝Fh(X₁₂)预测10块验证样本对应的品质等级Y’＝Fh(X’₁₂)，将预测得到的验证样本品质等级Y’与验证样本的实际等级进行比较，计算出验证集样品品质的正确识别率R”；若正确识别率R”大于等于R_合格＝98％，则执行步骤二，若正确识别率R”小于R_合格＝98％，则重复执行过程3.3、过程3.4。