[发明专利]基于深度相机和深度学习的木材缺陷检测分选装置及方法

权利要求书

1.基于深度相机和深度学习的木材缺陷检测分选装置，包括工控机、检测机构和设置在所述检测机构后侧的分选机构，所述检测机构包括检测传送带和深度图像采集机构，其特征在于：所述深度图像采集机构用于采集木材四周的RGB图像和深度信息，并将其采集的木材四周的RGB图像和深度信息发送至工控机，所述工控机采用生成对抗网络对RGB图像进行处理得到增强后的RGB图像，所述工控机基于小波变换处理深度信息，并将增强后的RGB图像和小波变换处理后的深度信息融合成重构的RGBD彩色深度信息，采用数据标准化方法处理得到重构的RGBD彩色深度信息的四维特征，且将所述重构的RGBD彩色深度信息的四维特征输入至卷积神经网络，以计算木材的各个缺陷类型概率，并输出最大概率的缺陷类型，并确定该种缺陷为木材的缺陷类型，所述工控机根据木材的类型控制分选机构进行工作，以分选出不同类型的木材；

在进行小波变换之前，人工标记训练数据中的木材裂纹信息，标出图像中裂缝的四个点P₁、P₂、P₃和P₄，将裂纹图像中的长轴长度标为a，裂纹图像中的短轴长度标为b，则：

其中θ为长轴与短轴向量的夹角，再通过旋转变换，将木材原始图像中的坐标(x,y)转变为(h,w)，如下：

由变换后的(h,w)，计算小波基函数ψ_m,n(h,w)，如下：

其中，σ＝σ_xσ_y，σ_x,σ_y分别为x,y方向上的小波持续时间；

将小波基函数ψ_m,n(h,w)与深度信息值相结合，得到小波变换值ω_ψ(m,n)，如下：

式中f(x,y)为原始深度信息，ω_ψ(m,n)为变换后的小波值，(m,n)为小波变换后的图像坐标。

2.根据权利要求1所述的基于深度相机和深度学习的木材缺陷检测分选装置，其特征在于：所述深度图像采集机构包括四个深度相机，其中三个深度相机通过安装架设置在检测传送带的上侧和两侧，所述分选机构间隔设置在检测传送带的后侧，另一深度相机设置在检测传送带与分选机构之间，每一深度相机一侧设有光源。

3.根据权利要求1所述的基于深度相机和深度学习的木材缺陷检测分选装置，其特征在于：所述分选机构包括若干设置在检测传送带后侧的分选传送带，所述分选传送带的两侧设有木材推动机构，所述木材推动机构包括驱动器和与驱动器连接的推杆，所述工控机根据木材的类型控制驱动器工作，以控制推杆将木材推至相应的分选传送带上；所述分选机构后侧还设有木材分类收集机构，所述木材分类收集机构包括设置在分选传送带后侧的斜面板和设置在斜面板后侧的分类箱。

4.根据权利要求1所述的基于深度相机和深度学习的木材缺陷检测分选装置，其特征在于：所述生成对抗网络包括生成器和判别器，生成器用于首先生成随机图像数据，再根据随机图像数据生成图像，所述判别器用于将生成图像和原始图像进行区分，再对生成器进行调整，以产生新的生成图像，经过多次训练，使得生成图像的效果更好，所述判别器将生成图像和原始图像区分的方式如下：

其中，z为随机图像数据，x为原始图像数据，D为判别器映射函数，G为生成器模型，E是期望值，x-P_data(x)是从随机生成的数据分布P_data(x)中的采样的生成图像数据，z-P_z(z)是从真实图像数据分布P_z(z)中的原始图像数据。