板片辨识分类方法及系统与流程

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分类方法及系统，特别是涉及一种板片辨识分类方法及系统。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，需进行辨识分类以确保出厂的货品正确。3.由于板片通常面积较大，例如，常为2米x2米以上尺寸的板片，因此，会先使用摄影装置将板片分区拍摄为多张影像，接着，再使用辨识编程对所述影像进行辨识分类。目前的辨识编程的建构方式，是先由人工列出木纹的辨识特征，例如，胡桃木纹的色调分布状态、特定曲线、特定形状等，接着，分别由人工根据所述辨识特征撰写辨识运算式，再使用包含所述辨识运算式的辨识编程对所述影像进行辨识分类。4.然而，此种辨识方式受限于人工能列出的木纹的辨识运算式十分有限，不仅辨识精确度仍有改善空间，且难以随着板材种类增加而快速扩充更新辨识编程。技术实现要素：5.本发明的目的在于提供一种能解决背景技术问题的板片辨识分类方法。6.本发明的板片辨识分类方法，适用于运算装置，并包含下列步骤：7.(a)于相关于所述板片的分析影像中取多个辨识影像。8.(b)使用神经网络，所述神经网络根据每一个辨识影像输出特征值组，每一个特征值组具有多个特征值。9.(c)将所述特征值组各自与至少一个标准特征值组比较，并根据比较结果判断所述板片的分类，所述至少一个标准特征值组具有多个分别对应于所述特征值的标准特征值。10.本发明的板片辨识分类方法，于步骤(a)中，于所述分析影像中取n个辨识影像，n为奇数且小于20。11.本发明的板片辨识分类方法，于步骤(b)中，每一个特征值组具有500个以上对应所述板片的特征的特征值。12.本发明的板片辨识分类方法，于步骤(c)中，使用欧氏距离或余弦距离运算每一个特征值组与所述至少一个标准特征值组的差异值，并于多数特征值组与所述至少一个标准特征值组的差异值皆小于标准预定值时，判断所述板片为所述至少一个标准特征值组所对应的纹路。13.本发明的板片辨识分类方法，于步骤(a)中，所述分析影像是由多个朝所述板片拍摄的分区影像组合而成，每一个所述分区影像的尺寸介于20厘米x20厘米～60厘米x45厘米间，且每一个所述辨识影像的尺寸介于8厘米x8厘米～12厘米x12厘米间。14.本发明的板片辨识分类方法，还包含下列用于训练所述神经网络的步骤：15.(d)接收多个朝所述板片拍摄的分区影像，于每一个分区影像中取多个训练影像。16.(e)所述神经网络根据每一个训练影像输出对应的所述特征值组。17.(f)调整所述神经网络的参数，使所述神经网络根据所述训练影像所输出的所述特征值组间的损失降低。18.(g)根据对应所述训练影像的所述特征值组得出所述至少一个标准特征值组。19.本发明的板片辨识分类方法，于步骤(d)中，所述分区影像包括由不同角度、或不同照度、或不同距离拍摄的所述板片的影像数据。20.本发明的板片辨识分类方法，于步骤(f)中，使用对比损失方法或三元组损失方法调整所述神经网络的参数。21.本发明的板片辨识分类方法，于步骤(d)中，于每一个分区影像中设置多个目标侦测点，且于每一个目标侦测点撷取20～50张位置不同的所述训练影像，每一个训练影像的重复区域不大于70％。22.本发明的目的在于提供一种能解决背景技术问题的板片辨识分类系统。23.本发明的板片辨识分类系统，包含输送装置、摄影装置、照明装置，及运算装置。24.所述输送装置用于输送所述板片。25.所述摄影装置对应所述输送装置设置，用于朝所述板片拍摄，并输出多个分区影像。26.所述照明装置对应所述摄影装置设置，用于提供所述摄影装置拍摄所述板片时的照明。27.所述运算装置信号连接所述摄影装置，根据所述分区影像得出所述分析影像，用于执行如上述的方法的步骤。28.本发明的有益效果在于：通过于相关于所述板片的所述分析影像中取所述辨识影像，再使用所述神经网络运算所述辨识影像而得出所述特征值组，接着再由所述特征值组与所述标准特征值组比较，而据以判断所述板片的分类。不仅可以大幅提升辨识分类的精确度，也能大幅降低更新维护辨识软件的时间及成本。附图说明29.图1是本发明板片辨识分类系统的一个实施例的一个示意图；30.图2是一个示意图，说明所述实施例的一个分析影像、多个分区影像及多个辨识影像；31.图3是本发明板片辨识分类方法的一个实施例的一个流程图；32.图4是所述实施例的运作示意图；及33.图5是所述实施例训练一个神经网络的一个流程图。具体实施方式34.参阅图1与图2，本发明板片辨识分类系统的一个实施例，包含一个输送装置2、一个摄影装置3、一个照明装置4，及一个运算装置5。35.所述输送装置2用于输送板片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。36.所述摄影装置3对应所述输送装置2设置，用于朝所述板片9拍摄，并输出多个分区影像71。所述摄影装置3为能撷取影像的装置，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，而得到多张可以组合为一张整体影像的分区影像71，而当所述板片9面积较小时，则可以以一张分区影像71作为整体影像进行后续分析。其中，每一个分区影像71的尺寸较佳是介于20厘米x20厘米～60厘米x45厘米间。37.所述照明装置4对应所述摄影装置3设置，用于提供所述摄影装置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。38.所述运算装置5信号连接所述摄影装置3，接收所述分区影像71，并根据所述分区影像71得出一个分析影像7，并用于执行内存的编程指令以执行一个板片辨识分类方法，并通过所述板片辨识分类方法对所述板片9进行辨识分类。其中，所述运算装置5与所述摄影装置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)传输所述分区影像71。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。39.参阅图1、图2、图3及图4，本发明板片辨识分类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辨识分类系统，所述板片辨识分类方法包含以下步骤：40.步骤81：所述运算装置5于相关于所述板片9的所述分析影像7中取多个辨识影像711。41.其中，所述分析影像7是由多个朝所述板片9拍摄的分区影像71组合而成的整体影像，所述辨识影像711较佳是分布均匀地从所述分析影像7中取出奇数个影像。例如，如图2所示，是于所述分析影像7的四角各取出一张辨识影像711，并于中间的所述分区影像71中央处各取出一张辨识影像711而得出7张辨识影像711。在兼顾影像辨识精确度及运算负载的情况下，所述辨识影像711的数量较佳是取20张以下，例如能使用5、7或9张，并且，每张辨识影像711的尺寸较佳是介于8厘米x8厘米～12厘米x12厘米间，更佳是使用约10厘米x10厘米的尺寸。42.步骤82：所述运算装置5使用一个内存的神经网络6(neural network，nn)，所述神经网络6根据每一个辨识影像711输出一个特征值组61，每一个特征值组61具有多个特征值611。43.其中，每一个特征值组61较佳是具有500个以上对应所述板片9的特征的特征值611。例如，能具有500、600、1000或10000个以上的特征值611，每一个特征值611都是对应一种木纹的一个特征，例如，所述特征值611可以是对应胡桃木纹的红色调(r)分布状态、绿色调(g)分布状态、蓝色调(b)分布状态、线条的密度、线条的曲度分布状态等等。由于此等特征值611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，因此，并不需要人工一个个列表并建立对应的辨识编程。44.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。45.步骤83：将所述特征值组61各自与一个标准特征值组62比较，并根据比较结果判断所述板片9的分类，所述标准特征值组62具有多个分别对应于所述特征值611的标准特征值621。所述标准特征值组62所具有的所述标准特征值621的数量相同于每一个特征值组61所具有的所述特征值611的数量。标准特征值组62的数量为多个，每一个特征值组61可与一个或多个标准特征值组62比较。46.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)运算每一个特征值组61与所述标准特征值组62的差异值作为比较，并于多数特征值组61与所述标准特征值组62的差异值皆小于一个标准预定值时，判断所述板片9为所述标准特征值组62所对应的木纹。例如，假设所述神经网络6根据7张辨识影像711输出了7组特征值组61，每一个特征值组61具有1000个特征值611，运算每一个特征值组61的1000个特征值611与所述标准特征值组62的1000个标准特征值621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，则判断所述组特征值组61所对应的所述辨识影像711属于所述标准特征值组62所对应的木纹，若大于所述标准预定值时，则判断所述组特征值组61所对应的所述辨识影像711不属于所述标准特征值组62所对应的木纹，并使用多数决(voting)方式决定最终判定结果。即，以比较基准为一种木纹的情况下，当7张辨识影像711中超过半数判断为小于所述标准预定值时，最终判定结果为符合所述木纹。若比较基准为多种木纹的情况下，假设7张辨识影像711中，3张辨识影像711判断为胡桃木、2张辨识影像711判断为桦木、2张辨识影像711判断为樱桃木，则最终判定结果为最多数的胡桃木。47.参阅图1、图2、图4及图5，所述板片辨识分类方法较佳是还包含下列用于训练(training)所述神经网络6的步骤：48.步骤84：所述运算装置5接收多个朝所述板片9拍摄的分区影像71，于每一个分区影像71中取多个训练影像。49.其中，于训练过程中，为了提升所述神经网络6的运算精确度，较佳是输入较多数量的所述训练影像进行训练，例如，能根据所述分区影像71的大小撷取所述训练影像，当所述分区影像71较大时，则撷取较多的训练影像，其数量根据所述分区影像71的大小而约在30～10000间调整。其选取所述训练影像的原则为，于每一个分区影像71中设置多个目标侦测点，且于每一个目标侦测点重复撷取20～50张位置不同(即，位置会上下左右具有位移)的所述训练影像，每一个训练影像的重复区域以不大于70％为佳。所述目标侦测点可以是每一个像素(pixel)，或是为预先设定位置的多个侦测点。50.并且，所述分区影像71较佳是包括由不同角度、或不同照度、或不同距离拍摄的所述板片9的影像数据，或是依需求选择包含上述数种情况组合的影像数据，以供训练所述神经网络6在各种不同状况下皆能正确判断木纹。其中，所指不同角度是将所述板片9水平旋转0度、90度、180度、270度后进行拍摄；所指不同照度，是使用出厂检测时的平均照度值、±5％的平均照度值、±10％的平均照度值对所述板片9进行拍摄；所指不同距离，是使用出厂检测时所述摄影装置3对所述板片9拍摄时的平均距离、±5％的平均距离、±10％的平均距离对所述板片9进行拍摄，如此，可以通过不同拍摄距离而得到不同缩小比例的影像数据。51.每一个所述训练影像的尺寸相同于所述辨识影像711的尺寸，较佳是介于8厘米x8厘米～12厘米x12厘米间，更佳是使用约10厘米x10厘米的尺寸。52.步骤85：所述神经网络6根据每一个训练影像输出对应的所述特征值组61。53.相同于上述，每一个特征值组61具有500个以上对应所述板片9的特征的特征值611，每一个特征值611都是对应一种木纹的一个特征。此等特征值611都是会于所述神经网络6在进行训练过程自行撷取出的特征向量运算所得。54.步骤86：调整所述神经网络6的参数，使所述神经网络6根据所述训练影像所输出的所述特征值组61间的损失降低。55.其中，能使用对比损失方法(contrastive loss)调整所述神经网络6的参数，使相同木纹间的所述特征值组61的距离变小，不同木纹间的所述特征值组61的距离变大(需先准备不同木纹的训练影像一并进行训练)，或使用三元组损失方法(triplet loss)、改进三元组损失方法(improved triplet loss)调整所述神经网络6的参数，使相同木纹间的所述特征值组61的距离变小，不同木纹间的所述特征值组61的距离变大(需先准备不同木纹的训练影像一并进行训练)。于相同木纹间的所述特征值组61的距离小于一个设定的预定调整值时，即表示所述神经网络6已达到能接受的辨识精确度。所述预定调整值能依实际所需的精确度而进行调整。56.步骤87：根据对应所述训练影像的所述特征值组61得出所述标准特征值组62。57.其中，将对应所述训练影像的所述特征值组61取平均值而作为所述标准特征值组62。即，将对应相同木纹的所述特征值组61取平均值而作为所述标准特征值组62。如此，在使用各种不同木纹的大量训练影像对所述神经网络6进行训练后，将会得到分别对应各种木纹的多个标准特征值组62，以供步骤81～83中进行木纹的辨识分类。58.经由以上的说明，本实施例的功效如下：59.一、通过于相关于所述板片9的所述分析影像7中取所述辨识影像711，再使用所述神经网络6运算所述辨识影像711而得出所述特征值组61，接着再由所述特征值组61与所述标准特征值组62比较，而据以判断所述板片9的分类。不仅可以通过所述神经网络6能在训练过程自行撷取出所述特征值611的特性，而建构出人力所无法企及的大量特征值611，进而大幅提升辨识分类的精确度，并且，当产线上所需辨识的板材种类增加时，也仅需再次训练所述神经网络6即可使用，而不需再使用人工重新建构扩充新的辨识编程，因此，也能大幅降低更新维护辨识软件的时间及成本。60.进一步说明，以技术上而言，当使用例如对比损失方法(contrastive loss)、三元组损失方法(triplet loss)、改进三元组损失方法(improved triplet loss)进行训练后，所得的所述神经网络6针对不同木纹所输出的所述特征值组61即会具有一定的差异，因此，并不需要每增加一种板材种类即重新训练所述神经网络6，能使用原本的所述神经网络6针对新的板材种类运算出数组特征值组61，并取平均值以得出新的所述标准特征值组62后，即可在不重新训练所述神经网络6的情况下，使用原本的所述神经网络6对新的板材种类进行辨识。但也能每增加一种或数种板材种类即重新训练所述神经网络6，如此，可以达到更高的辨识精确度。其中，若是新增的板材的木纹与原有的板材木纹相似度较高时，则建议重新训练所述神经网络6，以达到较佳的辨识精确度。61.二、通过将朝所述板片9拍摄的所述分区影像71组合为所述分析影像7后，再由整体影像的所述分析影像7中取所述辨识影像711，可以减少因为只考量单一局部的所述分区影像71而造成的误差。62.三、通过使用包括不同角度、或不同照度、或不同距离拍摄的所述板片9的影像数据进行训练，可以提升所述神经网络6在各种不同的变化下的辨识精度，避免当产线上的环境稍有变化时所述神经网络6即会产生误判的情况。63.综上所述，本发明板片辨识分类方法及系统，所以确实能达成本发明的目的。64.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!