论文部分内容阅读
随着图像处理、人工智能等技术的发展,智能制造已成为当前追逐的热点。如今人们的生活质量大幅提高,对家居舒适要求也越来越高,尤其是木质家具的外观要求更加多样性。为了满足家具定制的个性化选择,工厂需要根据木板表面特性进行等级分类,并利用同类木板进行加工制造,从而满足消费者需求。在这种局面下,传统的人工手段无法适应智能家居行业的飞速发展。有鉴于此,本文针对算力的不同,提出了三种基于图像的木板识别方法。在低算力条件下,本文针对实际木板纹理的特点,采用了基于灰度共生矩阵(Gray-Level Co-occurrence Matrix)的纹理特征提取方法,并利用该特征实现了基于马氏距离(Mahalanobis Distance)和支持向量机(Support Vector Machine)的木板识别;在高算力条件下,结合木板图像识别精度的实际需求,设计了一种高精度木板识别的卷积神经网络(Convolutional Neural Networks)。本文的主要研究工作如下:一、木板图像数据的采集及预处理:本文利用的木板图像是在家具工厂中通过扫描仪进行现场采集。为了提高木板图像的质量,对采集后的图像进行了平滑滤波去噪等预处理,并探讨了纹理参数阈值设置及木板纹理特征的提取方法。考虑到灰度共生矩阵对于图像的位置、亮度、颜色等具有较好的鲁棒性,且能有效地描述空间结构信息,本文基于灰度共生矩阵提取了四个纹理参数,用于木板纹理的描述和度量。二、低算力分类方法用于木板识别:分别阐述了基于马氏距离和和支持向量机的木板纹理识别的原理,为后续实验章节提供基础。实验结果表明,基于灰度共生矩阵所提取的四个纹理参数,支持向量机的识别效果要优于基于马氏距离的识别效果。三、高算力分类方法用于木板识别:为了进一步提升木板识别的准确率,本文还将卷积神经网络用于木板识别。在现有卷积神经网络的理论和方法的基础上,采用TensorFlow框架,设计并搭建了一种包含11个隐藏层的卷积神经网络。利用实际采集的数据构造了训练集和测试集,并对网络的参数进行了调优。实验结果显示,本文搭建的卷积神经网络可获得高达98.8%的识别正确率,并保证了较好的时效性,能满足实际应用的要求。本文因应不同算力情况下提出的基于马氏距离、支持向量机以及卷积神经网络的木板纹理自动识别方法,不但具有一定的理论价值,而且对智能家居制造厂商实现基于木板纹理的自动分类、识别,提高效率,节约成本,具有较重要的实用价值。