本發(fā)明涉及一種計算機視覺檢測方法，特指一種計算機視覺結(jié)合自我學習行為的實木板材品質(zhì)檢測方法，屬于木材加工制造領(lǐng)域。

背景技術(shù)：

實木板材堅固耐用、紋路自然，大都具有天然木材特有的芳香，具有較好的吸濕性和透氣性，有益于人體健康，不造成環(huán)境污染，是制作高檔家具、裝修房屋的優(yōu)質(zhì)板材。在實木板材的生產(chǎn)及加工過程中，根據(jù)其自身的品質(zhì)特性可將實木板材分為缺陷品及不同等級的正品。缺陷品一般指板材表面存在明顯的結(jié)疤、蟲眼、裂紋、形變等缺陷，嚴重影響板材后續(xù)使用的產(chǎn)品。正品指板材表面不存在明顯的缺陷，達到實際使用的基本要求。由于實木板材的原料—木材是在自然環(huán)境下生長而成的，使得實木板材存在豐富的色彩和紋理。即使是同一根木材，其不同區(qū)域生產(chǎn)出的板材對應(yīng)的色彩和紋理也不盡相同。以實木板材為材料的木質(zhì)產(chǎn)品，如原木家具等，往往以實木的原色為基本色。為了使木質(zhì)產(chǎn)品美觀、協(xié)調(diào)，需要挑選顏色相近、紋理柔和的實木板材作為原料來加工產(chǎn)品。這就要求實木板材加工過程中不僅要區(qū)分缺陷品和正品，而且要對正品進行分等分級。

在當前木材生產(chǎn)及加工領(lǐng)域，木材品質(zhì)大部分依靠人工來進行檢測，即通過肉眼觀測木質(zhì)產(chǎn)品表面特征并判斷其品質(zhì)等級。人工檢測不但嚴重影響工作效率，而且人在疲勞情況下比較容易出現(xiàn)誤檢及漏檢情況。為了克服人工檢測方法的不足，計算機視覺被運用于檢測木材板材的品質(zhì)。計算機視覺檢測過程主要包括圖像獲取、特征提取、特征選擇和分類器設(shè)計，相關(guān)的發(fā)明專利有201510132203.0、201410642066.0、201410642068.X，201520544701.1等。對應(yīng)特定批次的實木板材，可利用特定的計算機視覺檢測程序捕捉相應(yīng)的品質(zhì)特征并結(jié)合相應(yīng)的分類方法實現(xiàn)板材品質(zhì)的快速檢測。由于實木板材的表面特征(顏色、紋理等)受到木材生長環(huán)境、取材位置、處理工藝、樹種等諸多因素的影響，導致實木板材為高度復雜的非標準品，為特定批次實木板材開發(fā)的計算機視覺檢測程序往往無法有效的運用于其它批次的產(chǎn)品，極大的限制了計算機視覺方法在實木板材品質(zhì)檢測領(lǐng)域的應(yīng)用。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供計算機視覺結(jié)合自我學習行為的實木板材品質(zhì)檢測方法，克服實木板材批次間差異對品質(zhì)檢測的影響，實現(xiàn)計算機視覺方法在實木板材品質(zhì)檢測領(lǐng)域的高效應(yīng)用。

本發(fā)明為解決上述技術(shù)問題采取的技術(shù)方案是：

計算機視覺結(jié)合自我學習行為的實木板材品質(zhì)檢測方法，其特征在于包括以下步驟：

步驟一，構(gòu)建品質(zhì)檢測模型；

步驟二，實木板材的在線檢測，即利用構(gòu)建的品質(zhì)建模模型對生產(chǎn)線上的實木板材進行品質(zhì)檢測，若正確識別率不合格，則執(zhí)行步驟三；

步驟三，品質(zhì)檢測模型自我學習修正。

所述步驟一具體包括以下過程：

過程1.1，根據(jù)產(chǎn)品品質(zhì)標準，挑選出一等品G1、二等品G2、三等品G3和缺陷品G4共4個等級的實木板材；一等品G1、二等品G2、三等品G3和缺陷品G4等級的實木板材均為m+n塊；其中每個等級中m塊實木板材用做訓練樣本，n塊實木板材用作驗證樣本；m、n均為大于零的整數(shù)；

過程1.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等級對應(yīng)的所有實木板材的圖像：

一等品G1等級的m+n塊實木板材的圖像為I-0_1,1、I-0_1,2、……、I-0_1,(m+n-1)、I-0_1,(m+n)；二等品G2等級的m+n塊實木板材的圖像為I-0_2,1、I-0_2,2、……、I-0_2,(m+n-1)、I-0_2,(m+n)；三等品G3等級的m+n塊實木板材的圖像為I-0_3,1、I-0_3,2、……、I-0_3,(m+n-1)、I-0_3,(m+n)；缺陷品G4等級的m+n塊實木板材的圖像為I-0_4,1、I-0_4,2、……、I-0_4,(m+n-1)、I-0_4,(m+n)；其中“I-”后面的數(shù)字依次代表實木板材的批次、所屬等級以及所屬編號；

過程1.3，分別提取一等品G1、二等品G2、三等品G3和缺陷品G4等級中m塊訓練樣本對應(yīng)圖像，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種圖像特征參數(shù)；將j種圖像特征參數(shù)作為輸入?yún)?shù)代入多層感知人工神經(jīng)網(wǎng)絡(luò)即MLPs，以訓練樣本的等級一等品G1、二等品G2、三等品G3和缺陷品G4作為MLPs的輸出參數(shù)，構(gòu)建包含k種圖像特征參數(shù)的品質(zhì)檢測模型Y＝F0(X_k)；

Y為實木板材的品質(zhì)等級，X_k為k種圖像特征參數(shù)，k為大于零的整數(shù)且k小于或者等于j，j為大于零的整數(shù)；

過程1.4，分別提取一等品G1、二等品G2、三等品G3和缺陷品G4等級中n塊驗證樣本對應(yīng)圖像，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種圖像特征參數(shù)X’_k；將k種圖像特征參數(shù)X’_k代入已建立的品質(zhì)檢測模型Y＝F0(X_k)預測n塊驗證樣本對應(yīng)的品質(zhì)等級Y’＝F0(X’_k)；將預測得到的驗證樣本品質(zhì)等級Y’與驗證樣本的實際等級進行比較，計算出驗證樣品品質(zhì)的正確識別率R；若正確識別率R大于等于R_合格，則執(zhí)行步驟二；若R小于R_合格，則重復步驟1.3、1.4。

所述步驟二具體包括以下過程：

過程2.1，采集生產(chǎn)線上第1批次實木板材的圖像I’-1_i，其中“I’-”后面的數(shù)字代表實木板材的批次、字母i表示實木板材所屬編號，i為大于零的整數(shù)；

過程2.2，提取第1批次實木板材的圖像I’-1_i的k種圖像特征參數(shù)X’_1,k，將k種圖像特征參數(shù)X’_1,k代入已建立的品質(zhì)檢測模型Y＝F0(X_k)得到品質(zhì)等級Y1’＝F0(X’_1,k)；

過程2.3，根據(jù)產(chǎn)品品質(zhì)標準不定期的對過程2.2的檢測結(jié)果Y1’進行人工抽檢驗證，計算抽檢樣品品質(zhì)的正確識別率R’，若正確識別率R’大于等于R’_合格，則維持品質(zhì)檢測模型不變并重復執(zhí)行過程2.1、過程2.2、過程2.3，若正確識別率R’小于R’_合格，則執(zhí)行步驟三。

所述步驟三具體包括以下過程：

過程3.1，假設(shè)生產(chǎn)線上第h批次實木板材的的抽檢正確識別率R’不滿足要求，則從第h批次實木板材中挑選出一等品G1、二等品G2、三等品G3和缺陷品G4共4個等級的實木板材，一等品G1、二等品G2、三等品G3和缺陷品G4等級的實木板材均為u+v塊；每個等級中u塊實木板材用做模型修正樣本，v塊實木板材用作驗證樣本；u、v均為大于零的整數(shù)；

過程3.2，采集一等品G1、二等品G2、三等品G3和缺陷品G4等級對應(yīng)的所有實木板材的圖像，一等品G1等級的u+v塊實木板材的圖像為I-h_1,1、I-h_1,2、……、I-h_1,(u+v-1)、I-h_1,(u+v)；二等品G2等級的u+v塊實木板材的圖像為I-h_2,1、I-h_2,2、……、I-h_2,(u+v-1)、I-h_2,(u+v)；三等品G3等級的u+v塊實木板材的圖像為I-h_3,1、I-h_3,2、……、I-h_3,(u+v-1)、I-h_3,(u+v)；缺陷品G4等級的u+v塊實木板材的圖像為I-h_4,1、I-h_4,2、……、I-h_4,(u+v-1)、I-h_4,(u+v)；

過程3.3，分別提取一等品G1、二等品G2、三等品G3和缺陷品G4等級中u塊模型修正樣本對應(yīng)圖像，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種圖像特征參數(shù)，且提取的w種圖像特征參數(shù)與所述步驟二的過程2.2中的k種圖像特征不相同；將w種圖像特征與所述步驟二過程2.2中的k種圖像特征作為輸入?yún)?shù)代入MLPs，對已建立的品質(zhì)檢測模型Y＝F0(X_k)進行修正，得到修正后的校正模型Y＝Fh(X_k+w)；w為大于零的整數(shù)；

過程3.4，分別提取一等品G1、二等品G2、三等品G3和缺陷品G4等級中v塊驗證樣本對應(yīng)圖像，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種圖像特征參數(shù)X’_k+w；將k+w種圖像特征參數(shù)X’_k+w代入已建立的品質(zhì)檢測模型Y＝Fh(X_k+w)預測v塊驗證樣本對應(yīng)的品質(zhì)等級Y’＝Fh(X’_k+w)，將預測得到的驗證樣本品質(zhì)等級Y’與驗證樣本的實際等級進行比較，計算出驗證集樣品品質(zhì)的正確識別率R”；若正確識別率R”大于等于R_合格，則執(zhí)行步驟二，若正確識別率R”小于R_合格，則重復執(zhí)行過程3.3、過程3.4。

本發(fā)明具有的有益效果：提取實木板材的圖像特征來表征板材的表面特性，結(jié)合多層感知人工神經(jīng)網(wǎng)絡(luò)(MLPs)建立品質(zhì)檢測模型，實現(xiàn)計算機視覺技術(shù)對實木板材品質(zhì)的檢測；對不同批次、差異較大的實木板材，通過提取新的圖像特征加入已建立的品質(zhì)模型的方式，可得到適應(yīng)性更強、精度更好的修正品質(zhì)檢測模型，達成計算機視覺在線檢測的自我學習行為，克服實木板材批次間差異對品質(zhì)檢測的影響，有利于計算機視覺方法在實木板材品質(zhì)檢測領(lǐng)域的高效應(yīng)用。

附圖說明

圖1為本發(fā)明技術(shù)方法流程圖。

具體實施方式

以下結(jié)合附圖，通過實施方式對本發(fā)明進行詳細描述。但這些實施方式并不限制本發(fā)明，本領(lǐng)域的普通技術(shù)人員根據(jù)這些實施方式所做出的結(jié)構(gòu)、方法、或功能上的變換均包含在本發(fā)明的保護范圍內(nèi)。

一種計算機視覺結(jié)合自我學習行為的實木板材品質(zhì)檢測方法，技術(shù)方法流程圖如圖1所示，包括步驟一品質(zhì)檢測模型構(gòu)建、步驟二品質(zhì)檢測模型在線應(yīng)用、步驟三品質(zhì)檢測模型自我學習修正。

所述方法的實現(xiàn)過程為：

步驟一，構(gòu)建品質(zhì)檢測模型，具體包含如下過程：

過程1.1，根據(jù)產(chǎn)品品質(zhì)標準，挑選出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4個等級的實木板材，G1、G2、G3和G4等級的實木板材均為80塊；其中每個等級中50塊實木板材用做訓練樣本，30塊實木板材用作驗證樣本；

過程1.2，采集G1、G2、G3和G4等級對應(yīng)的所有實木板材的圖像，G1等級的80塊實木板材的圖像為I-0_1,1、I-0_1,2、……、I-0_1,79、I-0_1,80；G2等級的80塊實木板材的圖像為I-0_2,1、I-0_2,2、……、I-0_2,79、I-0_2,80；G3等級的80塊實木板材的圖像為I-0_3,1、I-0_3,2、……、I-0_3,79、I-0_3,80；G4等級的80塊實木板材的圖像為I-0_4,1、I-0_4,2、……、I-0_4,79、I-0_4,80；其中“I-”后面的數(shù)字依次代表實木板材的批次、所屬等級以及所屬編號；

過程1.3，分別提取G1、G2、G3和G4等級中50塊訓練樣本對應(yīng)圖像(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種圖像特征參數(shù)；將15種圖像特征參數(shù)作為輸入?yún)?shù)代入MLPs，以訓練樣本的等級G1、G2、G3和G4作為MLPs的輸出參數(shù)，構(gòu)建包含10種圖像特征參數(shù)的品質(zhì)檢測模型Y＝F0(X₁₀)，其中Y為實木板材的品質(zhì)等級、X₁₀為10種圖像特征參數(shù)；

過程1.4，分別提取G1、G2、G3和G4等級中30塊驗證樣本對應(yīng)圖像(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種圖像特征參數(shù)X’₁₀；將10種圖像特征參數(shù)X’₁₀代入已建立的品質(zhì)檢測模型Y＝F0(X₁₀)預測30塊驗證樣本對應(yīng)的品質(zhì)等級Y’＝F0(X’₁₀)，將預測得到的驗證樣本品質(zhì)等級Y’與驗證樣本的實際等級進行比較，計算出驗證樣品品質(zhì)的正確識別率R；若正確識別率R大于等于R_合格＝98％，則執(zhí)行步驟二，若正確識別率R小于R_合格＝98％，則重復執(zhí)行過程1.3、過程1.4；

步驟二，實木板材的在線檢測，具體包含如下過程：

過程2.1，采集生產(chǎn)線上第1批次實木板材的圖像I’-1_i，其中“I’-”后面的數(shù)字代表實木板材的批次、字母i表示實木板材所屬編號，i為大于零的整數(shù)；

過程2.2，提取第1批次實木板材的圖像I’-1_i的10種圖像特征參數(shù)X’_1,10，將10種圖像特征參數(shù)X’_1,10代入已建立的品質(zhì)檢測模型Y＝F0(X₁₀)得到品質(zhì)等級Y1’＝F0(X’_1,10)；

過程2.3，根據(jù)產(chǎn)品品質(zhì)標準不定期的對過程2.2的檢測結(jié)果Y1’進行人工抽檢驗證，計算抽檢樣品品質(zhì)的正確識別率R’，若正確識別率R’大于等于R’_合格＝98％，則維持品質(zhì)檢測模型不變并重復執(zhí)行過程2.1、過程2.2、過程2.3，若正確識別率R’小于R’_合格＝98％，則執(zhí)行步驟三；

步驟三，品質(zhì)檢測模型自我學習修正，具體包含如下過程：

過程3.1，假設(shè)生產(chǎn)線上第h＝5批次實木板材的的抽檢正確識別率R’不滿足要求，則從第h批次實木板材中挑選出一等品(G1)、二等品(G2)、三等品(G3)和缺陷品(G4)共4個等級的實木板材，G1、G2、G3和G4等級的實木板材均為30塊；其中每個等級中20塊實木板材用做模型修正樣本，10塊實木板材用作驗證樣本；

過程3.2，采集G1、G2、G3和G4等級對應(yīng)的所有實木板材的圖像，G1等級的30塊實木板材的圖像為I-h_1,1、I-h_1,2、……、I-h_1,29、I-h_1,30；G2等級的30塊實木板材的圖像為I-h_2,1、I-h_2,2、……、I-h_2,29、I-h_2,30；G3等級的30塊實木板材的圖像為I-h_3,1、I-h_3,2、……、I-h_3,29、I-h_3,30；G4等級的30塊實木板材的圖像為I-h_4,1、I-h_4,2、……、I-h_4,29、I-h_4,30；

過程3.3，分別提取G1、G2、G3和G4等級中20塊模型修正樣本對應(yīng)圖像(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種圖像特征參數(shù)(w為大于零的整數(shù))且提取的2種圖像特征參數(shù)與步驟二過程2.2中的10種圖像特征不相同；將2種圖像特征與步驟二過程2.2中的10種圖像特征作為輸入?yún)?shù)代入MLPs，對已建立的品質(zhì)檢測模型Y＝F0(X₁₀)進行修正，得到修正后的校正模型Y＝Fh(X₁₂)；

過程3.4，分別提取G1、G2、G3和G4等級中10塊驗證樣本對應(yīng)圖像(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種圖像特征參數(shù)X’₁₂；將12種圖像特征參數(shù)X’₁₂代入已建立的品質(zhì)檢測模型Y＝Fh(X₁₂)預測10塊驗證樣本對應(yīng)的品質(zhì)等級Y’＝Fh(X’₁₂)，將預測得到的驗證樣本品質(zhì)等級Y’與驗證樣本的實際等級進行比較，計算出驗證集樣品品質(zhì)的正確識別率R”；若正確識別率R”大于等于R_合格＝98％，則執(zhí)行步驟二，若正確識別率R”小于R_合格＝98％，則重復執(zhí)行過程3.3、過程3.4。