[發明專利]木板平整度檢測及其機器學習方法、裝置及電子設備

有效

• 申請號: 201711342059.9
• 申請日: 2017-12-14
• 公開（公告）號: CN108090896B
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 丁磊
• 申請（專利權）人: 北京木業邦科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京智信四方知識產權代理有限公司 11519
• 代理人: 鐘文芳

1.一種木板平整度檢測的機器學習方法，其特征在于，包括：

獲取線性激光光源投射在所述木板表面上的多組一維圖像；其中，每組所述一維圖像包括從同一拍攝角度采集的從同一投射角度投射在所述木板表面不同位置處的多個一維圖像；各組一維圖像對應的拍攝角度按預定角度差分布；

將每組一維圖像按照圖像獲取時間順序和/或圖像次序在奇數位和偶數位的一維圖像分別分成兩組一維性圖像；將所述兩組一維圖像分別進行拼接，形成所述木板的兩個二維圖像樣本；

獲得所述木板的平整度數據；

根據所述木板的圖像樣本和所述平整度數據對機器學習模型進行訓練。

2.根據權利要求1所述的機器學習方法，其特征在于，所述拍攝角度包括在水平和垂直兩個維度上圖像采集設備與所述木板表面相對的角度。

3.根據權利要求1所述的機器學習方法，其特征在于，所述多組一維圖像是按照所述預定角度差分布的多個圖像采集設備同時采集得到的。

4.根據權利要求1所述的機器學習方法，其特征在于，所述多組一維圖像是在所述木板移動的情況下，通過一個圖像采集設備在多個時刻進行圖像采集得到的。

5.根據權利要求1所述的機器學習方法，其特征在于，所述平整度數據包括所述木板的平整度級別、所述木板的畸變區域、所述畸變區域的畸變級別、所述木板的畸變類型、所述木板的畸變區域的畸變類型中的一種或多種。

6.根據權利要求1所述的機器學習方法，其特征在于，所述機器學習模型包括卷積神經網絡、反饋神經網絡、深度學習網絡、決策森林、貝葉斯網絡、支持向量機中的一種或及幾種的組合。

7.根據權利要求1所述的機器學習方法，其特征在于，所述各組一維圖像對應的線性激光光源的投射角度和/或投射位置不同。

8.根據權利要求1或7所述的機器學習方法，其特征在于，獲取線性激光光源投射在所述木板表面上的多組一維圖像，包括：

在所述木板以預定速度移動時，采集固定不動的線性激光光源投射在所述木板表面上的多組一維圖像；或者，

在所述木板固定不動，且所述線性激光光源以預定速度移動投射在所述木板表面時，同步采集所述線性激光光源投射在所述木板表面上的多組一維圖像。

9.一種木板平整度檢測方法，其特征在于，包括：

獲取線性激光光源投射在所述木板表面上的多組一維圖像；其中，每組所述一維圖像包括從同一的拍攝角度采集的從同一投射角度投射在所述木板表面不同位置處的多個一維圖像；各組一維圖像對應的拍攝角度按第一預定角度差分布；

將每組一維圖像按照圖像獲取時間順序和/或圖像次序在奇數位和偶數位的一維圖像分別分成兩組一維性圖像；將所述兩組一維圖像分別進行拼接，形成所述木板的兩個二維圖像樣本；

將所述兩個二維圖像樣本輸入至對應于所述第一預定角度差分布的經過訓練的木板平整度識別模型，獲得所述木板的平整度評估結果。

10.根據權利要求9所述的木板平整度檢測方法，其特征在于，所述拍攝角度包括在水平和垂直兩個維度上圖像采集設備與所述木板表面相對的角度。

11.根據權利要求9所述的木板平整度檢測方法，其特征在于，所述多組一維圖像是按照所述第一預定角度差分布的多個圖像采集設備同時采集得到的；或者，

所述多組一維圖像是在所述木板移動的情況下，通過一個圖像采集設備在多個時刻進行圖像采集得到的。

12.根據權利要求9所述的木板平整度檢測方法，其特征在于，將兩個二維圖像樣本輸入至對應于所述第一預定角度差分布的經過訓練的木板平整度識別模型之前，所述方法還包括：

根據所述第一預定角度差從遠端服務器獲取對應于所述第一預定角度差的經過訓練的所述木板平整度識別模型。