基于深度学习的木材薄板分类系统及算法.pdf

《基于深度学习的木材薄板分类系统及算法.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的木材薄板分类系统及算法.pdf（9页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910179642.5 (22)申请日 2019.03.11 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大学路 3501号 (72)发明人 宋纯丽马凤英于文志 (74)专利代理机构 济南舜源专利事务所有限公 司 37205 代理人 韩洪淼 (51)Int.Cl. G06K 9/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的木材薄板分类系统及 算法 (57)摘要。

2、 本发明涉及一种基于深度学习的木材薄板 分类系统及算法， 包括分类模型构建模块， 采集 不同等级质量的薄板模板图像并进行标注， 将采 集到的薄板模板图像进行尺寸归一化处理， 归一 化处理后的图像送入卷积神经网络， 得到初步模 型； 通过交叉熵损失函数计算初步模型的图像数 据损失， 并根据图像数据损失定义优化器； 同时 采用梯度随机下降法训练卷积神经网络， 得到最 终的薄板分类模型； 薄板信息采集模块， 采集待 分类的薄板图片数据信息； 薄板图像识别模块， 将采集到的薄板图片数据信息传送至薄板分类 模型进行分析处理； 薄板处理模块， 利用机械手 臂将不同类别的薄板进行分类抓取并存放。 权利要求书。

3、2页 说明书4页 附图2页 CN 110059549 A 2019.07.26 CN 110059549 A 1.一种基于深度学习的木材薄板分类系统， 其特征在于， 包括： 分类模型构建模块， 采集不同等级质量的薄板模板图像并进行标注， 将采集到的薄板 模板图像进行尺寸归一化处理， 归一化处理后的图像送入卷积神经网络， 得到初步模型； 通 过交叉熵损失函数计算初步模型的图像数据损失， 并根据图像数据损失定义优化器； 同时 采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型； 薄板信息采集模块， 采集待分类的薄板图片数据信息； 薄板图像识别模块， 将采集到的薄板图片数据信息传送至薄板分。

4、类模型进行分析处 理； 薄板处理模块， 利用机械手臂将不同类别的薄板进行分类抓取并存放。 2.根据权利要求1所述的一种基于深度学习的木材薄板分类系统， 其特征在于， 所述分 类模型构建模块中， 针对不同等级质量的薄板模板图像各采集1000张。 3.根据权利要求1所述的一种基于深度学习的木材薄板分类系统， 其特征在于， 所述分 类模型构建模块中， 将薄板模板图像尺寸归一化处理为3232。 4.根据权利要求1所述的一种基于深度学习的木材薄板分类系统， 其特征在于， 卷积神 经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层含有20个滤波器(大小为5 5)， 步长为1； 第二个卷积层含有40。

5、个滤波器(大小为44)， 步长为1； 第三层为全连接层。 5.根据权利要求1所述的一种基于深度学习的木材薄板分类系统， 其特征在于， 所述分 类模型构建模块中， 通过多次迭代初步模型， 并调整权重学习率， 直至初步模型的误差不再 减小， 获取最终的薄板分类模型。 6.一种基于深度学习的木材薄板分类算法， 其特征在于， 包括以下步骤： 步骤S1： 构建分类模型的步骤， 具体包括： S1.1： 采集不同等级质量的薄板模板图像并进行标注， 将采集到的薄板模板图像进行 尺寸归一化处理， 归一化处理后的图像送入卷积神经网络， 得到初步模型； S1.2： 通过交叉熵损失函数计算初步模型的图像数据损失， 并。

6、根据图像数据损失定义 优化器； S1.3： 采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型； S2： 采集薄板信息的步骤， 采集待分类的薄板图片数据信息； S3： 薄板图像识别的步骤， 将采集到的薄板图片数据信息传送至薄板分类模型进行分 析处理； S4： 薄板处理的步骤， 利用机械手臂将不同类别的薄板进行分类抓取并存放。 7.根据权利要求6所述的一种基于深度学习的木材薄板分类算法， 其特征在于， 所述步 骤S1.1中， 针对不同等级质量的薄板模板图像各采集1000张。 8.根据权利要求7所述的一种基于深度学习的木材薄板分类算法， 其特征在于， 所述步 骤S1.1中， 将薄板模板图。

7、像尺寸归一化处理为3232。 9.根据权利要求8所述的一种基于深度学习的木材薄板分类算法， 其特征在于， 所述步 骤S1.1中， 卷积神经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层含有20个滤波器 权利要求书 1/2 页 2 CN 110059549 A 2 (大小为55)， 步长为1； 第二个卷积层含有40个滤波器(大小为44)， 步长为1； 第三层为 全连接层。 10.根据权利要求9所述的一种基于深度学习的木材薄板分类算法， 其特征在于， 所述 步骤S1.3中， 通过多次迭代初步模型， 并调整权重学习率， 直至初步模型的误差不再减小， 获取最终的薄板分类模型。 权利要求书 2。

8、/2 页 3 CN 110059549 A 3 一种基于深度学习的木材薄板分类系统及算法 技术领域 0001 本发明属于神经网络应用技术领域， 具体涉及一种基于深度学习的木材薄板分类 系统及算法。 背景技术 0002 近年来， 我国工业发展迅速， 木材薄板的使用也随着工业的发展急速增长。 0003 但是现有技术中， 薄板的分类仍需人工操作， 这是一个亟待解决的问题。 人工分类 的方法存在着耗时耗力， 精确度低等缺点， 因此一种方便快速， 准确率高的分类系统可以解 决这个问题。 0004 图像识别技术作为人工智能的一个重要领域， 是一种对图像进行对象识别， 以识 别各种不同模式的目标和对象的技术。

9、。 0005 我国在图像识别领域起步较晚， 导致在薄板分类这一领域的研究一直无人重视， 因此一套高精确度， 低成本的薄板分类系统具有重要的意义。 目前， 国内各大薄板加工厂对 薄板的分类仍以人工为主， 主要将其分为5类， 但无法对薄板产品中的材质缺陷进行精准的 判断， 并且速度无法达到理想的标准， 准确性与可靠性与市场要求相距甚远。 此为现有技术 的不足之处。 0006 有鉴于此， 本发明提供设计一种基于深度学习的木材薄板分类系统及算法； 以解 决现有技术中存在的无法对薄板产品中的材质缺陷进行精准的判断， 并且速度无法达到理 想的标准， 准确性与可靠性与市场要求相距甚远的缺陷。 发明内容 00。

10、07 本发明的目的在于， 针对上述现有技术存在的无法对薄板产品中的材质缺陷进行 精准的判断， 并且速度无法达到理想的标准， 准确性与可靠性与市场要求相距甚远的缺陷， 提供设计一种基于深度学习的木材薄板分类系统及算法， 以解决上述技术问题。 0008 为实现上述目的， 本发明给出以下技术方案： 0009 一种基于深度学习的木材薄板分类系统， 包括： 0010 分类模型构建模块， 采集不同等级质量的薄板模板图像并进行标注， 将采集到的 薄板模板图像进行尺寸归一化处理， 归一化处理后的图像送入卷积神经网络， 得到初步模 型； 通过交叉熵损失函数计算初步模型的图像数据损失， 并根据图像数据损失定义优化。

11、器； 同时采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型。 0011 薄板信息采集模块， 采集待分类的薄板图片数据信息。 0012 薄板图像识别模块， 将采集到的薄板图片数据信息传送至薄板分类模型进行分析 处理。 0013 薄板处理模块， 利用机械手臂将不同类别的薄板进行分类抓取并存放。 0014 作为优选， 所述分类模型构建模块中， 针对不同等级质量的薄板模板图像各采集 1000张； 提高后续对比的准确度。 说明书 1/4 页 4 CN 110059549 A 4 0015 作为优选， 所述分类模型构建模块中， 将薄板模板图像尺寸归一化处理为32*32； 提高薄板分类模型的判断。

12、准确度。 0016 作为优选， 卷积神经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层含 有20个滤波器(大小为5*5)， 步长为1； 第二个卷积层含有40个滤波器(大小为4*4)， 步长为 1； 第三层为全连接层。 0017 作为优选， 所述分类模型构建模块中， 通过多次迭代初步模型， 并调整权重学习 率， 直至初步模型的误差不再减小， 获取最终的薄板分类模型。 0018 一种基于深度学习的木材薄板分类算法， 包括以下步骤： 0019 步骤S1： 构建分类模型的步骤， 具体包括： 0020 S1.1： 采集不同等级质量的薄板模板图像并进行标注， 将采集到的薄板模板图像 进行尺寸归一。

13、化处理， 归一化处理后的图像送入卷积神经网络， 得到初步模型； 0021 S1.2： 通过交叉熵损失函数计算初步模型的图像数据损失， 并根据图像数据损失 定义优化器； 0022 S1.3： 采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型； 0023 S2： 采集薄板信息的步骤， 采集待分类的薄板图片数据信息； 0024 S3： 薄板图像识别的步骤， 将采集到的薄板图片数据信息传送至薄板分类模型进 行分析处理； 0025 S4： 薄板处理的步骤， 利用机械手臂将不同类别的薄板进行分类抓取并存放。 0026 作为优选， 所述步骤S1.1中， 0027 针对不同等级质量的薄板模板图像各。

14、采集1000张； 提高后续对比的准确度。 0028 作为优选， 所述步骤S1.1中， 0029 将薄板模板图像尺寸归一化处理为32*32； 提高薄板分类模型的判断准确度。 0030 作为优选， 所述步骤S1.1中， 0031 卷积神经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层含有20个滤 波器(大小为5*5)， 步长为1； 第二个卷积层含有40个滤波器(大小为4*4)， 步长为1； 第三层 为全连接层。 0032 作为优选， 所述步骤S1.3中， 通过多次迭代初步模型， 并调整权重学习率， 直至初 步模型的误差不再减小， 获取最终的薄板分类模型。 0033 本发明的有益效果在于，。

15、 将薄板进行图像采集并标注后， 利用神经网络的分类模 型让算法进行训练， 获得较好的训练模型， 智能的对薄板进行分类， 可以使使用者更加轻易 地获得不同等级的薄板， 对后续薄板的分类加工具有重要的指导意义， 同时可作为其他商 业用途的参考指标。 并且本发明将人类劳动力从复杂工作中解放出来， 使得使用者可以在 同样的时间做更多的事， 得到更多的信息， 补足了传统薄板分类过程中浪费人力， 效率低下 的不足。 0034 此外， 本发明设计原理可靠， 结构简单， 具有非常广泛的应用前景。 0035 由此可见， 本发明与现有技术相比， 具有突出的实质性特点和显著地进步， 其实施 的有益效果也是显而易见的。

16、。 说明书 2/4 页 5 CN 110059549 A 5 附图说明 0036 图1是本发明提供的一种基于深度学习的木材薄板分类系统的原理框图。 0037 图2是本发明提供的一种基于深度学习的木材薄板分类算法的流程图。 具体实施方式 0038 下面结合附图并通过具体实施例对本发明进行详细阐述， 以下实施例是对本发明 的解释， 而本发明并不局限于以下实施方式。 0039 实施例1： 0040 如图1所示， 本发明提供的一种基于深度学习的木材薄板分类系统， 包括： 0041 分类模型构建模块， 采集不同等级质量的薄板模板图像并进行标注， 将采集到的 薄板模板图像进行尺寸归一化处理， 归一化处理后。

17、的图像送入卷积神经网络， 得到初步模 型； 通过交叉熵损失函数计算初步模型的图像数据损失， 并根据图像数据损失定义优化器； 同时采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型。 0042 薄板信息采集模块， 采集待分类的薄板图片数据信息。 0043 薄板图像识别模块， 将采集到的薄板图片数据信息传送至薄板分类模型进行分析 处理。 0044 薄板处理模块， 利用机械手臂将不同类别的薄板进行分类抓取并存放。 0045 本实施例中， 所述分类模型构建模块中， 针对不同等级质量的薄板模板图像各采 集1000张； 提高后续对比的准确度。 0046 本实施例中， 所述分类模型构建模块中， 将。

18、薄板模板图像尺寸归一化处理为32* 32； 提高薄板分类模型的判断准确度。 0047 本实施例中， 卷积神经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层 含有20个滤波器(大小为5*5)， 步长为1； 第二个卷积层含有40个滤波器(大小为4*4)， 步长 为1； 第三层为全连接层。 0048 本实施例中， 所述分类模型构建模块中， 通过多次迭代初步模型， 并调整权重学习 率， 直至初步模型的误差不再减小， 获取最终的薄板分类模型。 0049 实施例2： 0050 如图2所示， 本发明提供的一种基于深度学习的木材薄板分类算法， 包括以下步 骤： 0051 步骤S1： 构建分类模型的步。

19、骤， 具体包括： 0052 S1.1： 采集不同等级质量的薄板模板图像并进行标注， 将采集到的薄板模板图像 进行尺寸归一化处理， 归一化处理后的图像送入卷积神经网络， 得到初步模型； 0053 S1.2： 通过交叉熵损失函数计算初步模型的图像数据损失， 并根据图像数据损失 定义优化器； 0054 S1.3： 采用梯度随机下降法训练卷积神经网络， 得到最终的薄板分类模型； 0055 S2： 采集薄板信息的步骤， 采集待分类的薄板图片数据信息； 0056 S3： 薄板图像识别的步骤， 将采集到的薄板图片数据信息传送至薄板分类模型进 行分析处理； 0057 S4： 薄板处理的步骤， 利用机械手臂将不。

20、同类别的薄板进行分类抓取并存放。 说明书 3/4 页 6 CN 110059549 A 6 0058 本实施例中， 所述步骤S1.1中， 0059 针对不同等级质量的薄板模板图像各采集1000张； 提高后续对比的准确度。 0060 本实施例中， 所述步骤S1.1中， 0061 将薄板模板图像尺寸归一化处理为32*32； 提高薄板分类模型的判断准确度。 0062 本实施例中， 所述步骤S1.1中， 0063 卷积神经网络包含两个卷积层和一个全连接层； 其中， 第一个卷积层含有20个滤 波器(大小为5*5)， 步长为1； 第二个卷积层含有40个滤波器(大小为4*4)， 步长为1； 第三层 为全连接层。 0064 本实施例中， 所述步骤S1.3中， 通过多次迭代初步模型， 并调整权重学习率， 直至 初步模型的误差不再减小， 获取最终的薄板分类模型。 0065 以上公开的仅为本发明的优选实施方式， 但本发明并非局限于此， 任何本领域的 技术人员能思之的没有创造性的变化， 以及在不脱离本发明原理前提下所作的若干改进和 润饰， 都应落在本发明的保护范围内。 说明书 4/4 页 7 CN 110059549 A 7 图1 说明书附图 1/2 页 8 CN 110059549 A 8 图2 说明书附图 2/2 页 9 CN 110059549 A 9 。