一种刨花板表面小坑的判断方法与流程

1.本发明涉及小坑识别技术领域，尤其涉及一种刨花板表面小坑的判断方法。


背景技术：

2.木板厂生产刨花板因产线设备等其他的问题，刨花板总会出现各种问题，如油污、大刨花、粉尘斑、乌云斑、沾料、漏砂等。大部分都是大面积特征明显，人眼容易观察发现到的问题。
3.目前已存在一些板材表面问题识别方法，但仅针对刨花板一些常见的如上述油污、大刨花等进行分类为某一种类型的问题板，或检测出缺陷矩形框，无法准确定位，无法对小坑进行识别。但实际生产操作中产生的却几乎都是小坑，目标极小，形状不规则，有凹陷，人眼观察是难以观察到的，从正面看，也无法判断其边缘，无法发现异于背景的特征。现有的板材表面问题识别方法无法精准定位判断小坑，无法进行准确的识别。


技术实现要素：

4.本发明所述的一种刨花板表面小坑的判断方法，以解决上述背景技术中提出的现有的板材表面问题识别方法无法精准定位判断小坑，无法进行准确的识别的问题。
5.为实现上述目的，本发明提供如下技术方案：一种刨花板表面小坑的判断方法，包括以下步骤：
6.s1：建立通过从不同角度采集且采用不同角度光源照射的刨花板表面问题特征库；
7.s2：从特征库中选取小坑区域，且小坑区域对应有小坑区域标识用于表现小坑区域特征；
8.s3：建立小坑区域识别网络模型；
9.s4：采集不同角度刨花板照片，将照片输入对应角度的网络模型中识别出不规则小坑区域；
10.s5：通过模型融合加权平均法预测出不规则小坑区域；
11.s6：提取网络模型中识别出的不规则的小坑区域的小坑区域标识；
12.s7：提取上述步骤s6中网络模型中识别出的小坑区域与所述步骤s2中选取的小坑区域，进行两个区域的小坑区域标识比较；
13.s8：判断所述步骤s7中的比较结果是否满足设定的条件，若满足，则此区域是小坑区域。
14.优选的，所述小坑区域特征包括纹理特征和颜色直方图特征。
15.优选的，所述步骤s3中的小坑区域识别网络模型为cnn卷积神经网络。
16.优选的，所述步骤s4包括以下步骤：
17.s401：将刨花板照片输入cnn进行小坑特征图提取，通过边缘检测算法对小坑的纹理特征进行提取；
18.s402：将所述小坑特征图输入rpn生成18000个roi，把roi映射到cnn的最后一层卷积的feature map上；
19.s403：将这些候选的roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi；
20.s404：对剩下的roi先将原小坑照片和feature map的pixel对应起来，然后将feature map和固定的feature对应起来操作；
21.s405：对所述步骤s404的roi进行分类、bb回归和mask生成得到不规则的小坑区域。
22.优选的，所述步骤s5中的所述加权平均法的计算公式如下：
[0023][0024]
其中，xn为各角度模型的加权值，yn为各模型预测结果。
[0025]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域文理特征比较，具体如下：
[0026]
x＝[x1，x2，...，xi]
[0027]
y＝[y1，y2，...，yi]
[0028][0029]
其中，x为小坑纹理特征向量，y为特征库选定的小坑的纹理特征向量，cosθ为两个特征向量比较的余弦值。
[0030]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域颜色直方图特征比较，具体如下：
[0031][0032]
其中，m为小坑颜色直方图特征，n为选定的小坑颜色直方图特征。d(m,n)为直方图特征相交距离。
[0033]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域文理特征比较和小坑区域颜色直方图特征比较双重比较方法：
[0034]
所述小坑区域文理特征比较具体如下：
[0035]
x＝[x1，x2，...，xi]
[0036]
y＝[y1，y2，...，yi]
[0037][0038]
其中，x为小坑纹理特征向量，y为特征库选定的小坑的纹理特征向量，cosθ为两个特征向量比较的余弦值；
[0039]
所述小坑区域颜色直方图特征比较具体如下：
[0040][0041]
其中，m为小坑颜色直方图特征，n为选定的小坑颜色直方图特征。d(m,n)为直方图特征相交距离。
[0042]
优选的，所述不同角度光源照射为采用25
°
和45
°
光源照射。
[0043]
本发明的有益效果为：
[0044]
通过步骤s1：建立通过从不同角度采集的刨花板表面问题特征库；s2：从特征库中选取小坑区域，且小坑区域对应有小坑区域标识用于表现小坑区域特征；s3：建立小坑区域识别网络模型；s4：采集不同角度刨花板照片，将照片输入对应角度的网络模型中识别出不规则小坑区域；s5：通过模型融合加权平均法预测出不规则小坑区域；s6：提取网络模型中识别出的不规则的小坑区域的小坑区域标识；s7：提取上述步骤s6中网络模型中识别出的小坑区域与所述步骤s2中选取的小坑区域，进行两个区域的小坑区域标识比较；s8：判断所述步骤s7中的比较结果是否满足设定的条件，若满足，则此区域是小坑区域。实现了精准识别小坑区域，且本发明基于刨花板的表观特征，智能判断出不规则小坑区域，可有效评估刨花板是否存在小坑，能高效提高木板厂对小坑问题的排查，提高木板厂的生产质量。
附图说明
[0045]
图1为本发明一种刨花板表面小坑的判断方法的流程图。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0048]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0049]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0050]
本发明提供的一种刨花板表面小坑的判断方法，结合图1来说明，包括以下步骤：
[0051]
s1：建立通过从不同角度采集且采用不同角度光源照射的刨花板表面问题特征库；
[0052]
s2：从特征库中选取小坑区域，且小坑区域对应有小坑区域标识用于表现小坑区域特征；
[0053]
s3：建立小坑区域识别网络模型；
[0054]
s4：采集不同角度刨花板照片，将照片输入对应角度的网络模型中识别出不规则
小坑区域；
[0055]
s5：通过模型融合加权平均法预测出不规则小坑区域；
[0056]
s6：提取网络模型中识别出的不规则的小坑区域的小坑区域标识；
[0057]
s7：提取上述步骤s6中网络模型中识别出的小坑区域与所述步骤s2中选取的小坑区域，进行两个区域的小坑区域标识比较；
[0058]
s8：判断所述步骤s7中的比较结果是否满足设定的条件，若满足，则此区域是小坑区域。
[0059]
优选的，所述小坑区域特征包括纹理特征和颜色直方图特征。
[0060]
优选的，所述步骤s3中的小坑区域识别网络模型为cnn卷积神经网络。
[0061]
优选的，所述步骤s4包括以下步骤：
[0062]
s401：将刨花板照片输入cnn进行小坑特征图提取，通过边缘检测算法对小坑的纹理特征进行提取；
[0063]
s402：将所述小坑特征图输入rpn生成18000个roi，把roi映射到cnn的最后一层卷积的feature map上；
[0064]
s403：将这些候选的roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi；
[0065]
s404：对剩下的roi先将原小坑照片和feature map的pixel对应起来，然后将feature map和固定的feature对应起来操作；
[0066]
s405：对所述步骤s404的roi进行分类、bb回归和mask生成得到不规则的小坑区域。
[0067]
优选的，所述步骤s5中的所述加权平均法的计算公式如下：
[0068][0069]
其中，xn为各角度模型的加权值，yn为各模型预测结果。
[0070]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域文理特征比较，具体如下：
[0071]
x＝[x1，x2，...，xi]
[0072]
y＝[y1，y2，...，yi]
[0073][0074]
其中，x为小坑纹理特征向量，y为特征库选定的小坑的纹理特征向量，cosθ为两个特征向量比较的余弦值。
[0075]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域颜色直方图特征比较，具体如下：
[0076][0077]
其中，m为小坑颜色直方图特征，n为选定的小坑颜色直方图特征。d(m,n)为直方图
特征相交距离。
[0078]
优选的，所述步骤s7中的两个区域的小坑区域标识比较的方法为小坑区域文理特征比较和小坑区域颜色直方图特征比较双重比较方法：
[0079]
所述小坑区域文理特征比较具体如下：
[0080]
x＝[x1，x2，...，xi]
[0081]
y＝[y1，y2，...，yi]
[0082][0083]
其中，x为小坑纹理特征向量，y为特征库选定的小坑的纹理特征向量，cosθ为两个特征向量比较的余弦值；
[0084]
所述小坑区域颜色直方图特征比较具体如下：
[0085][0086]
其中，m为小坑颜色直方图特征，n为选定的小坑颜色直方图特征。d(m,n)为直方图特征相交距离。
[0087]
优选的，所述不同角度光源照射为采用25
°
和45
°
光源照射。
[0088]
下面进一步说明本实施例的使用流程和原理。
[0089]
基于小坑目标极小，形状不规则，有凹陷，从正面看，也无法判断其边缘，无法发现异于背景的特征等特点。本实施例根据实际场景，优选25
°
,45
°
进行光源照射，通过光源调整，使小坑因其凹陷特殊性，突出其边缘特征、纹理特征、颜色直方图特征等，采用实例分割与表观特征结合方式，提供一种刨花板表面小坑的判断方法。
[0090]
主要包括以下步骤:
[0091]
s1：建立通过从不同角度采集且采用不同角度光源照射的刨花板表面问题特征库；
[0092]
这个步骤采集的特征库保证了采集到的特征为不同光源和不同角度拍摄下的特征，不同光源照射和不同角度拍摄可以保证小坑特征更为明显，其中，不同光源照射更是突出了小坑的边缘，不同角度拍摄也同样保证了小坑在不同角度的识别特征，这对于后期进行比较提供了更加完善的小坑特征库，提高了后期小坑区域特征比较的精确度，为后续小坑区域特征比较奠定了数据基础。
[0093]
s2、从特征库中选取的小坑区域标识，所述小坑区域标识包括纹理特征和颜色直方图特征，具体如下：
[0094]
fsw1＝[fsw1,fsw2,
…
,fswn]
[0095]
…
[0096]
fswn＝[fsw1,fsw2,
…
,fswn]
[0097]
fsw＝[fsw1,fsw2,
…
,fswn]
[0098]
frgb1＝[frgb1,frgb2,
…
,frgbn]
[0099]
…
[0100]
frgb n
＝[frgb1,frgb2,
…
,frgbn]
[0101]
frgb＝[frgb1,frgb2,
…
,frgbn]
[0102]
fs＝{fsw,frgb,
…
,fsx}
[0103]
其中fsw为多角度纹理特征库集合，frgb为多角度直方图特征集合。fs特征库包含纹理特征fsw，颜色直方图特征frgb，其他特征fsx。
[0104]
s3、建立小坑区域识别网络模型，这里的小坑区域识别网络模型为cnn卷积神经网络。
[0105]
s4：采集不同角度刨花板照片，将照片输入对应角度的网络模型中识别出不规则小坑区域；
[0106]
所述步骤s4包括以下步骤：
[0107]
s401：将刨花板照片输入cnn进行小坑特征图提取，通过边缘检测算法对小坑的纹理特征进行提取；
[0108]
s402：将所述小坑特征图输入rpn生成18000个roi，把roi映射到cnn的最后一层卷积的feature map上；
[0109]
s403：将这些候选的roi送入rpn网络进行二值分类和bb回归，过滤掉一部分候选的roi；
[0110]
s404：对剩下的roi先将原小坑照片和feature map的pixel对应起来，然后将feature map和固定的feature对应起来操作；
[0111]
s405：对所述步骤s404的roi进行分类、bb回归和mask生成得到不规则的小坑区域。
[0112]
识别出不规则小坑区域之后，下面进行步骤s5。
[0113]
s5：通过模型融合加权平均法预测出更为精准的不规则小坑区域；
[0114]
由于步骤s4得到了n个模型的预测结果y，通过加权平均法计算预测结果：
[0115][0116]
其中xn为各角度模型的加权值，yn为各模型预测结果。
[0117]
s6：提取网络模型中识别出的不规则的小坑区域的小坑区域标识；
[0118]
这里为识别出来不规则小坑区域之后的操作，识别出不规则小坑区域之后，则需提取出该不规则小坑区域的小坑区域标识，所述小坑区域特征包括纹理特征和颜色直方图特征，提取出来纹理特征和颜色直方图特征，方便进行下一步的比较操作。
[0119]
s7：提取上述步骤s6中网络模型中识别出的小坑区域与所述步骤s2中选取的小坑区域，进行两个区域的小坑区域标识比较；
[0120]
本实施例中采用的比较方法为小坑区域文理特征比较和小坑区域颜色直方图特征比较双重比较方法：
[0121]
所述小坑区域文理特征比较具体如下：
[0122]
x＝[x1，x2，...，xi]
[0123]
y＝[y1，y2，...，yi]
[0124]
[0125]
其中，x为小坑纹理特征向量，y为特征库选定的小坑的纹理特征向量，cosθ为两个特征向量比较的余弦值；
[0126]
所述小坑区域颜色直方图特征比较具体如下：
[0127][0128]
其中，m为小坑颜色直方图特征，n为选定的小坑颜色直方图特征。d(m,n)为直方图特征相交距离。
[0129]
s8：判断所述步骤s7中的比较结果是否满足设定的条件，若满足，则此区域是小坑区域。
[0130]
这里设定的条件为人为设定的确定的标准值，可通过后期不断推敲进行调整，方便进一步提升小坑识别的准确性和提升小坑区域的精确性。
[0131]
综上所述，通过步骤s1：建立通过从不同角度采集的刨花板表面问题特征库；s2：从特征库中选取小坑区域，且小坑区域对应有小坑区域标识用于表现小坑区域特征；s3：建立小坑区域识别网络模型；s4：采集不同角度刨花板照片，将照片输入对应角度的网络模型中识别出不规则小坑区域；s5：通过模型融合加权平均法预测出不规则小坑区域；s6：提取网络模型中识别出的不规则的小坑区域的小坑区域标识；s7：提取上述步骤s6中网络模型中识别出的小坑区域与所述步骤s2中选取的小坑区域，进行两个区域的小坑区域标识比较；s8：判断所述步骤s7中的比较结果是否满足设定的条件，若满足，则此区域是小坑区域。实现了精准识别小坑区域，且本发明基于刨花板的表观特征，智能判断出不规则小坑区域，可有效评估刨花板是否存在小坑，能高效提高木板厂对小坑问题的排查，提高木板厂的生产质量，解决了现有技术存在的问题。
[0132]
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。