基于人工智能的木板节子分类数据识别方法与流程

1.本发明涉及数据识别领域，具体涉及一种基于人工智能的木板节子分类数据识别方法。


背景技术：

2.在农业科技发展的历程中，木材缺陷对农民及农业开发公司造成了很大的困扰，节子是木材缺陷中对木材质量、价值等影响最大的一种。节子可以分为活节和死节。活节是正常的木质结构，它的材质比较坚硬；死节质地坚硬或松软，在木质板材中有时会出现活节脱落所留下的空洞。在进行加工生产之前对实木板材的原料进行节子缺陷检测与分类，为实现板材等级的自动分选打下基础，可以有效降低劳动强度，提高生产效率，对提高产品合格率有着非常重要的意义。
3.而传统的木板缺陷分类方式是通过人工观察进行检测筛选的，这种方法效率低、成本高，检测效果易受工作人员状态影响。随着科技的发展，工业自动化水平也逐年增高，木材产品市场的高需求和现代化工业生产节奏的不断加快使得设计一种实用而又高效的木材缺陷自动检测分类方法尤为重要。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的木板节子分类数据识别方法，所采用的技术方案具体如下：本发明的一种基于人工智能的木板节子分类数据识别方法，包括如下步骤：获取待测木板图像和标准木板死节图像；对所述待测木板图像进行图像分割，得到节子缺陷区域的二值图像；将所述二值图像与所述待测木板图像进行相乘得到木板节子图像；对所述木板节子图像和所述标准木板死节图像进行灰度化处理，分别得到木板节子灰度图像和标准木板死节灰度图像，对所述木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；根据所述标准木板死节灰度直方图，构建权重高斯函数；对所述标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用所述权重高斯函数对所述灰度级范围进行权重的计算，获得灰度级范围对应的高斯权重；根据所述节子灰度直方图、标准木板死节灰度直方图以及所述灰度级范围对应的高斯权重，计算差异度；比较所述差异度与设定差异的大小，当所述差异度大于设定差异，则节子灰度直方图中灰度级范围对应的区域为死节；反之，该区域为活节。
5.进一步地，所述高斯函数为：
其中，x为像素的灰度级，μ为灰度级中心点，
휎
为标准差。
6.进一步地，所述高斯权重为：其中，为第i段灰度级范围的加权值，其中i为灰度级范围的序号，a为该段灰度级范围的下限值减0.5后的值，b为该段灰度级范围的上限值加0.5后的值，为权重高斯函数。
7.进一步地，所述差异度为：其中，为灰度级x的加权值，x为x的值域，为标准木板死节灰度直方图中灰度级x的频率，为节子灰度直方图中灰度级x的频率。
8.进一步地，将所述标准木板死节灰度图像的灰度级划分为64段，每段包含4个灰度级。
9.进一步地，所述设定差异为0.7。
10.本发明的有益效果为：本发明通过构建高斯函数以及划分的灰度级范围，得到各灰度级范围对应的权重，进行差异度的计算，获取木材节子缺陷的分类，提高了分类的准确性和分类效率。
11.其中本发明进行分段权重的计算，能够使得节子区域相近的灰度级之间的凸显的差异性更小，而不同灰度级范围对应的区域之间的分级凸显的差异性更大，能够更好地识别节子中的死节。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
13.图1为本发明的一种基于人工智能的木板节子分类数据识别方法实施例的方法流程图。
具体实施方式
14.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
15.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
16.下面结合附图具体的说明本发明所提供的一种基于人工智能的木板节子分类数据识别方法的具体方案。
17.请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的木板节子分类数据识别方法的步骤流程图，该方法包括以下步骤：步骤1，获取待测木板图像和标准木板死节图像；对所述待测木板图像进行图像分割，得到节子缺陷区域的二值图像；将所述二值图像与所述待测木板图像进行相乘得到木板节子图像；本实施例中，将待测木板送到摄像头视场内，通过相机与木板平行，拍摄木板正面图像，并通过成像系统和图像采集系统，获取待测木板图像；该待测木板图像即为木板正面图像。
18.本实施例中的标准木板死节图像，可以为通过对获取的模板图像进行人工标注后确定的死节图像，当然作为其他实施方式，也可以为根据历史大数据中获取若干标准木板死节图像，如100幅标准木板死节图像。
19.本实施例中，采用全卷积神经网络对待测木板图像进行语义分割，获得正常木板区域以及节子缺陷区域的二值图像。
20.具体地，构建全卷积神经网络，该全卷积神经网络为encoder
‑
decoder结构；利用标签数据对全卷积神经网络进行训练，得到训练好的全卷积神经网络；将待测木板图像输入训练好的全卷积神经网络中，输出正常木板区域以及节子缺陷区域的二值图像。
21.其中的标签数据为：对采集的部分木板正面图像进行人工标注，标注的标签为两类，一类为正常木板区域，标注为0；另一类为节子缺陷区域，标注为1。同时，全卷积神经网络所用的loss函数为交叉熵损失函数。
22.本实施例中，把待测木板图像中所有像素点分为正常木板区域、节子缺陷区域两类，作为后续节子缺陷分类的基础。
23.进一步地，将神经网络输出的二值图像与待测木板图像做乘运算，得到木板节子图像，该木板节子图像中只有节子区域像素点不变，其他位置均为0。
24.步骤2，对所述木板节子图像和所述标准木板死节图像进行灰度化处理，分别得到木板节子灰度图像和标准木板死节灰度图像，对所述木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；进一步，本发明还可以选取若干标准木板死节灰度图像进行灰度直方图计算：1）获取标准死节灰度直方图：其中表示所有标准死节灰度直方图中第i个灰度级的平均频率，表示第j个标准木板死节灰度图像中第i个灰度级的频率，n为标准木板死节灰度图像的数目。
25.2）对获取的标准木板死节灰度直方图进行归一化处理，得到标准木板死节灰度直方图。
26.其中的归一化处理为：
其中，为第i个灰度级的归一化频率。
27.上述实施方式是为了避免一幅标准木板死节灰度图像出现的误差，从而选取多张标准木板死节灰度图像进行平均灰度直方图的计算，将该平均灰度直方图作为标准木板死节灰度直方图，提高了后续差异度计算的准确性。
28.需要说明的是，本实施例中的灰度级为像素点对应的灰度值，其范围为0
‑
255。
29.另外，对标准木板死节灰度图像进行灰度直方图计算，同样按照上述方法进行计算，得到节子灰度直方图，此处不再过多赘述。
30.其中，为了获取完整的灰度直方图，对获取的节子灰度直方图和标准木板死节灰度直方图分别进行处理：将节子灰度直方图和标准木板死节灰度直方图中没有出现的灰度级数据加入直方图中，使得对应的灰度直方图灰度范围延展至0
‑
255；由于加入的灰度级是原灰度直方图中未出现的灰度级，因此，其频率应为0。
31.本实施例中，对木板节子灰度图像和标准木板死节灰度图像分别进行灰度直方图计算，得到节子灰度直方图和标准木板死节灰度直方图；其中的灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。
32.步骤3，根据所述标准木板死节灰度直方图，构建权重高斯函数；对所述标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用所述权重高斯函数对所述灰度级范围进行权重的计算，获得灰度级范围对应的高斯权重；本实施例中，构建的权重高斯函数为：其中，x为像素点的灰度级，μ为灰度级中心点，
휎
为标准差。
33.上述中构建权重高斯函数的具体过程为：（1）根据标准木板死节灰度直方图，获取权重高斯函数的平均值μ；本实施例中，由于死节颜色往往较深，其平均灰度级较低且灰度级处于某个范围，即灰度级范围小于128；为了在选取灰度级时排除非死节区域的灰度，取灰度直方图中灰度级小于128的概率最高的前6个灰度级的平均灰度向下取整作为所构建的权重高斯函数的平均值μ。
34.（2）根据权重高斯函数的平均值μ，确定高斯函数标准差
휎
。
35.本实施例中，确定高斯函数标准差
휎
的方法如下：1.在灰度直方图中，以μ为灰度级中心点，灰度级1为步长在标准木板死节灰度直方图中从灰度级中心点向灰度级左右（左：灰度级小的方向，右：灰度级大的方向）扩张，每次左右各扩张灰度级1，即灰度级每次增加2，计算每次扩张后所包含的灰度级的总频率c。
36.2.当时，停止扩张，记录此时扩张范围包含的灰度级个数y，取为权重
高斯函数的标准差
휎
。
37.需要说明的是，在上述扩张过程中，若灰度级扩张至0仍然未达到步骤1中条件，则立刻停止扩张，记录此时扩张范围包含的灰度级个数y，取为权重高斯函数的标准差
휎
。
38.同时，上述中的阈值0.68，是考虑到了本发明的高斯函数的不定积分是一个非初等函数，称为误差函数。高斯曲线以下，横轴以上一定区间的面积（误差函数上下限之差）反映变量值落在该区间的概率（概率分布）。横轴区间（μ
‑
휎
,μ
휎
）内的面积为68.268949%。因此，本方案中，以此面积值作为标准差
휎
的取值标准。
39.本实施例中的高斯权重为：其中，为第i段灰度级范围的加权值，其中i为灰度级范围的序号，a为该段灰度级范围的下限值减0.5后的值，b为该段灰度级范围的上限值加0.5后的值，为权重高斯函数。
40.上述实施例中的高斯权重是通过对标准木板死节灰度图像进行灰度级划分，获得多个灰度级范围；利用所述权重高斯函数对所述灰度级范围进行权重的计算；由于权重高斯函数为连续函数，而灰度级为离散的，因此将灰度级划定不同的灰度级范围，并按照灰度级范围对权重高斯函数求其定积分，随后将定积分的区间均值作为对应的灰度级范围内的多个灰度级的加权值。
41.本实施例中是将灰度级分为64段，每段包含4个灰度级，并将每段灰度级范围的上下限（或者该段灰度级范围的下限值减0.5后的值，该段灰度级范围的上限值加0.5后的值）通过对作为权重高斯函数的定积分区间进行积分计算，获得不同灰度级范围对应的高斯权重。
42.需要说明的是，本实施例中进行分段权重的计算，是基于节子灰度不同，确定相同的权重，让节子区域相近的灰度级的变化是同步变化，这样后续的差异度计算时，能够使得节子区域相近的灰度级之间的凸显的差异性更小，而不同灰度级范围对应的区域之间的分级凸显的差异性更大，能够更好地识别节子中的死节。
43.同时，本实施例中通过权重高斯函数进行直方图加权时采用分级加权，还能够降低由于木板节子图像受到光照影响，灰度级可能出现少许偏差的问题。
44.步骤4，根据所述节子灰度直方图、标准木板死节灰度直方图以及所述灰度级范围对应的高斯权重，计算差异度；本实施例中采用巴氏距离的计算方法，并引入高斯权重这一参数，进行差异度的计算。
45.具体地，巴氏距离用于度量两个概率分布的相似性；它与bhattacharyya系数密切相关，后者是两个统计样本或总体之间重叠量的度量。
46.其中：
其中p、q表示需要求相似度的两个直方图，x为直方图中横坐标数据，x为x的值域，为x对应的频率。巴氏距离反映了直方图相似度，值越大则两直方图越不相似，两直方图相同时，值为0。
47.本实施例中的差异度为：其中，为灰度级x的加权值，x为x的值域，为标准木板死节灰度直方图中灰度级x的频率，为节子灰度直方图中灰度级x的频率。
48.本实施例中利用获取的高斯权重分别对准木板死节灰度直方图和节子灰度直方图进行加权运算，能够使直方图中属于死节灰度范围的频率影响力提高，其他灰度的频率影响力减小，从而提高活、死节的区别。
49.步骤5，比较所述差异度与设定差异的大小，当所述差异度大于设定差异，则节子灰度直方图中灰度级范围对应的区域为死节；反之，该区域为活节。
50.本实施例中的设定差异为0.7，其是根据先验知识确定的。因此，当时，则为活节；当时，则为死节。
51.本实施例中，由于在直方图差异度的基础上考虑了节子缺陷的灰度范围，通过加权巴氏距离进行节子类别的分类，提高了分类的准确性，越小，则缺陷区域为死节的可能性越大，越大，则缺陷区域为活节的可能性越大。
52.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
53.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
54.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。