板片影像辨识方法及系统与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及一种辨识方法及系统，特别是涉及一种板片影像辨识方法及系统。背景技术：2.在目前的家具材料自动化产线中，作为家具材料的板片在出厂前，会通过影像辨识编程以进行产品质量确认或是进行木纹分类。3.目前采用的影像辨识方法，是先使用图像边缘检测技术(edge detection)检测出影像中的边缘，再进一步辨识所述边缘所代表的钻孔位置是否正确，或是所述边缘所代表的木纹分类，如此，以确保出厂的产品的质量良好及种类正确。4.由于影像辨识编程肩负质量把关的责任，因此，如何能更进一步提升影像辨识的精确度，即为业界研究目标。技术实现要素：5.本发明的目的在于提供一种能提升影像辨识精确度的板片影像辨识方法。6.本发明的板片影像辨识方法，适用于运算装置，并包含下列步骤：7.(a)撷取板片影像的色彩数据而取得多个色彩影像层。8.(b)将所述板片影像进行边缘检测处理以取得边缘影像层。9.(c)将步骤(a)取得的所述色彩影像层与步骤(b)取得的所述边缘影像层输入神经网络，以取得边缘特征值组。10.(d)根据步骤(c)取得的所述边缘特征值组输出辨识结果。11.本发明的板片影像辨识方法，于步骤(a)中，所述色彩影像层的数量为三，且分别相关于所述板片影像的红色、绿色、蓝色的色彩数据。12.本发明的板片影像辨识方法，步骤(b)的边缘检测处理使用roberts cross、prewitt、sobel、log、canny、或lapacian运算元进行运算。13.本发明的板片影像辨识方法，于步骤(b)中，所述边缘检测处理包括边缘检测及灰阶处理，使所述边缘影像层为灰阶影像。14.本发明的板片影像辨识方法，于步骤(c)中，所述神经网络为卷积神经网络。15.本发明的板片影像辨识方法，于步骤(d)中，将所述边缘特征值组与标准特征值组比较，并根据比较结果输出所述辨识结果。16.本发明的板片影像辨识方法，于步骤(d)中，使用欧氏距离或余弦距离运算所述边缘特征值组与所述标准特征值组的差异值作为比较结果。17.本发明的目的在于提供一种能提升影像辨识精确度的板片影像辨识系统。18.本发明的板片影像辨识系统，包含输送装置、彩色摄影装置、照明装置，及运算装置。19.所述输送装置用于输送板片。20.所述彩色摄影装置对应所述输送装置设置，用于朝所述板片拍摄，并输出多个撷取影像。21.所述照明装置对应所述彩色摄影装置设置，用于提供所述彩色摄影装置拍摄所述板片时的照明。22.所述运算装置信号连接所述彩色摄影装置，根据所述撷取影像得出板片影像，并用于执行如上述的板片影像辨识方法，以取得所述辨识结果。23.本发明的板片影像辨识系统，所述照明装置提供的照明的色温介于4500k～6500k间。24.本发明的有益效果在于：通过将所述板片影像进行边缘检测处理而取得所述边缘影像层，并将所述边缘影像层与所述色彩影像层一起输入所述神经网络进行边缘特征处理，可以提升影像辨识精确度。附图说明25.图1是本发明板片影像辨识系统的一个实施例的一个示意图；26.图2是本发明板片影像辨识方法的一个实施例的一个流程图；27.图3是所述实施例的一个示意图；28.图4是所述实施例的一个板片影像的示意图；及29.图5是所述实施例的一个边缘影像层的示意图。具体实施方式30.参阅图1，本发明板片影像辨识系统的一个实施例，包含一个输送装置2、一个彩色摄影装置3、一个照明装置4，及一个运算装置5。31.所述输送装置2用于输送一个板片9前进。所述输送装置2能使用履带或是多个并列转动的滚轮实施。32.所述彩色摄影装置3对应所述输送装置2设置，用于朝所述板片9拍摄，并输出多个撷取影像。所述彩色摄影装置3为能撷取彩色影像的装置，例如，使用cmos彩色摄影机、ccd彩色摄影机等，其中，较佳是使用灵敏度、解析度、杂讯控制皆较佳的ccd彩色摄影机，以获得较佳的影像质量。其中，由于一般家具的所述板片9面积较大，因此，通常无法将整张所述板片9容纳在一张影像中，所以会对所述板片9进行分区摄影而取得多张撷取影像，再分别对所述撷取影像直接进行处理，或是将所述撷取影像组合为一张对应于整张所述板片9的一个板片影像71(见图3)再进行处理。33.所述照明装置4对应所述彩色摄影装置3设置，用于提供所述彩色摄影装置3拍摄所述板片9时的照明。为了可以减少色偏，提高木纹颜色的正确度，所述照明装置4较佳是选用白光的灯具，例如，选用色温在4500k～6500k间的灯具，较佳是选用6000k左右的正白光灯具。34.所述运算装置5信号连接所述彩色摄影装置3，接收所述撷取影像，并将所述撷取影像组合而得出所述板片影像71，并用于执行内存的编程指令以执行一个板片影像辨识方法，以取得相关于所述板片9上的多个钻孔91位置是否正确、或相关于所述板片9的木纹种类的一个辨识结果。其中，所述运算装置5与所述彩色摄影装置3间能使用有线连接或无线连接(如wi-fi、蓝牙等无线传输技术)传输所述撷取影像。所述运算装置5能使用电脑、服务器等具有影像处理计算能力的电子装置，例如，能使用具有图形处理器(graphics processing unit，缩写为gpu)、神经网络处理器(neural network processing unit，缩写为npu)、或张量处理器(tensor processing unit，缩写为tpu)的电脑实施。35.参阅图1、图2及图3，本发明板片影像辨识方法的一个实施例运用于所述运算装置5，且适用于上述的板片影像辨识系统，所述板片影像辨识方法包含以下步骤：36.步骤81：撷取一个板片影像71的色彩数据而取得多个色彩影像层72。37.其中，所述色彩影像层72的数量为三，且分别相关于所述板片影像71的红色(r)、绿色(g)、蓝色(b)的色彩数据。例如，分别将所述板片影像71的红色(r)、绿色(g)、蓝色(b)的数据取出而形成红色(r)、绿色(g)、蓝色(b)的色彩影像层72，且每一个色彩影像层72中的每一个像素(pixel)具有0～255阶的色彩数据。38.步骤82：将所述板片影像71进行边缘检测处理(edge detection)以取得一个边缘影像层73。39.其中，所述边缘检测处理能使用roberts cross、prewitt、sobel、log、canny、或lapacian运算元进行边缘检测处理运算。例如，将图4所示的彩色的所述板片影像71进行边缘检测处理后，会取得如图5所示的所述边缘影像层73。其中，所述边缘检测处理包括边缘检测及灰阶处理，使所述边缘影像层73为灰阶影像。即，所述边缘检测处理可以是先使用运算元对彩色的所述板片影像71进行边缘检测后，再进行灰阶处理以使所述边缘影像层73为灰阶影像，或是先对彩色的所述板片影像71进行灰阶处理后，再对已转为灰阶的所述板片影像71进行边缘检测而得到呈灰阶影像的所述边缘影像层73。40.步骤83：将步骤81取得的所述色彩影像层72与步骤82取得的所述边缘影像层73输入一个神经网络6(neural network，nn)，以取得一个边缘特征值组74。41.其中，每一个边缘特征值组74具有多个边缘特征值741，且每一个边缘特征值组74较佳是具有500个以上对应板片孔洞瑕疵或木纹辨识的特征的边缘特征值741。例如，能具有500、600、1000或10000个以上的边缘特征值741，每一个边缘特征值741都是对应一种板片孔洞瑕疵或木纹的一个特征，例如，所述边缘特征值741可以是对应胡桃木纹的线条的密度、线条的曲度分布状态等等，此等边缘特征值741都是由所述神经网络6在进行训练过程自行撷取出的特征向量运算所得。42.其中，所述神经网络6能使用目前广泛使用于影像辨识领域的卷积神经网络(convolutional neural networks，缩写为cnn)实施，并依照实际辨识精确度及运算时间的考量进行卷积层(convolutional layer)、线性整流单元层(rectified linear units layer，缩写为relu layer)、池化层(pooling layer)的数量建置，及设定每一个卷积层中的卷积核(kernel)的尺寸。43.步骤84：根据步骤83取得的所述边缘特征值组74输出一个辨识结果。44.其中，将所述边缘特征值组74与一个标准特征值组75比较，并根据比较结果输出所述辨识结果。所述标准特征值组75具有多个分别对应于所述边缘特征值741的标准特征值751。所述标准特征值组75所具有的所述标准特征值751的数量相同于所述边缘特征值组74所具有的所述边缘特征值741的数量。45.其中，能使用欧氏距离(或称欧几里得距离)或余弦距离(或称余弦相似度)运算所述边缘特征值组74与所述标准特征值组75的差异值作为比较结果，并于所述差异值大于一个标准预定值时，判断所述板片9上的所述钻孔91具有瑕疵。例如，假设所述神经网络6所输出的所述边缘特征值组74具有1000个边缘特征值741，运算所述边缘特征值组74的1000个边缘特征值741与所述标准特征值组75的1000个标准特征值751的欧氏距离，当所运算出的欧氏距离小于所述标准预定值时，则判断所述边缘特征值组74所对应的所述板片9上的所述钻孔91不具有瑕疵，若大于所述标准预定值时，则判断所述边缘特征值组74所对应的所述板片9上的所述钻孔91具有瑕疵。46.并且，较佳是针对同一个钻孔91取得多张板片影像71，并经由所述神经网络6输出对应的多组边缘特征值组74，再分别将所述边缘特征值组74与所述标准特征值组75进行比较，接着使用多数决(voting)方式决定最终的所述辨识结果，例如，当7张板片影像71中超过半数判断为小于所述标准预定值时，最终所述辨识结果为所述钻孔91不具有瑕疵。47.经由以上的说明，本实施例的功效如下：48.通过将所述板片影像71进行边缘检测处理而取得所述边缘影像层73，并将所述边缘影像层73与所述色彩影像层72一起输入所述神经网络6进行边缘特征处理，不仅可以取得较现有影像辨识方法更佳的影像精确度，也能取得较仅使用所述色彩影像层72进行运算较佳的影像精确度。其原理为，由于进行板片孔洞瑕疵检测或木纹辨识时，孔洞及其周边瑕疵的轮廓、木纹线条分布等，在影像上都是以「边缘」的形式显现，因此，预先撷取所述板片影像71的边缘数据后再与所述色彩影像层72一起供所述神经网络6再次进行边缘特征处理，可以达到更佳的影像精确度。经实验结果，通过加入所述边缘影像层73进行运算，相较于仅使用所述色彩影像层72进行运算，可以将影像辨识准确度由87％提升至89％。49.综上所述，本发明板片影像辨识方法及系统，确实能达成本发明的目的。50.以上所述者，仅为本发明的实施例而已，当不能以此限定本发明实施的范围，即凡依本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!