[发明专利]基于卷积神经网络的竹片图像分类方法

说明书

基于卷积神经网络的竹片图像分类方法，属于图像识别技术领域。本发明是为了解决现有的竹片检测方法存在竹片本身缺陷的检测准确率较低且耗时较长的问题。本发明首先利用竹片图像数据集对多个卷积神经网络中的每个卷积神经网络模型进行训练和验证；通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比；确定识别准确率最高的一个卷积神经网络，作为竹片图像分类卷积神经网络；然后利用竹片图像分类卷积神经网络进行竹片图像分类。本发明主要用于竹片图像的分类。

技术领域

本发明涉及一种竹片图像分类方法。属于图像识别技术领域。

背景技术

随着时代的发展，人们对自身的保养意识逐渐加强。炎炎夏日里，良好舒适的睡眠是人们健康的保证，竹席具有良好的的透气性、凉爽和不卷曲等特性，逐步取代草席成为家家户户度过夏天的的必备品。与此同时，炭化竹席具有能吸附灰尘、清新空气、除菌、防臭等功能，能够促进人体新陈代谢。麻将凉席由大量形似麻将的竹片编织而成，可以达到按摩全身的效果。可以看出竹席有许多优点，所以竹席的需求量长盛不衰。

目前，中国的竹产业已形成了一种新的有潜力的行业，从资源培育与加工利用的潜力和活力，出口贸易，再到竹生态旅游。2009年，竹材产量13亿5600万，竹笋产量46.53多吨，竹产业总产值710亿元，中国竹制品出口额达15亿美元，产品出口到世界177个国家，居世界第一位。当前工业生产的所有麻将凉席竹片大多采用传统的人工筛选，筛选人员釆用肉眼观察。随着环境、工作时间和疲劳度所限，从众多竹片中发现缺陷，并完成分拣工作，这将耗费大量的人力、物力和财力，并且准确度和效率都较低。尤其是竹林是重要的非木质森林资源，我国现有竹子种类500余种。竹片的常见缺陷是各竹片间的形状差异，人工检测作为传统的检测方法，虽然能直观的观测到缺陷但是仍有一些缺点。首先，当缺陷图像与背景灰度差异较小或者缺陷不是很明显或者缺陷所在图像的背景比较模糊，人工检测会产生较大的误差；其次，人工检测很难跟上工业生产中竹片的传输速率，所以对产品检测的实时性会产生影响；最后，工人在进行人工检测的过程中或多或少的会受到主观因素影响导致缺陷判断的标准不能百分百相同，导致无法保证检测结果统一准确，并且经过长时间的人工检测，会对人的眼睛、身体等造成疲劳，导致漏检和错检。所以目前我们急需一种实时性好、可靠性高、智能的竹片表面缺陷检测识别分类技术。

国内目前对于竹片检测的自动化设备的生产已经逐步扩大。针对竹片缺陷检测的研究，广西师范大学蒋贤明等人推出一款竹片分拣机，该机器侧重点是挑选出未炭化的竹片，对于竹片的其它缺陷检测不够准确，算法相对来说比较复杂且检测速率低。浙江理工大学的华于生等人提出了基于嵌入式的竹片表面缺陷监测系统，但是检测速度比较慢而且硬件配置比较落后；湖北工业大学陈张言等人提出基于机器视觉的竹片缺陷检测系统，检测准确率已经可以到90％以上但是对于炭化竹片来讲无法做到准确识别；广西师范大学王东旭等人提出基于BP神经网络的竹片正反面识别，准确率达到97％，但是耗时很长并且无法识别出竹片本身所存在的缺陷。

发明内容

本发明是为了解决现有的竹片检测方法存在竹片本身缺陷的检测准确率较低且耗时较长的问题。

1、基于卷积神经网络的竹片图像分类方法，包括以下步骤：

S1、采集竹片图像建立数据集；

S2、将数据集分为训练集、验证集、测试集；

针对多个卷积神经网络中的每个卷积神经网络模型，分别利用迁移学习方法进行实验，实验过程中，分别利用训练集、验证集确定每个卷积神经网络模型权重及调整模型的超参数，然后利用测试集检验每个卷积神经网络的泛化能力；

通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比；确定识别准确率最高的一个卷积神经网络，作为竹片图像分类卷积神经网络；

S3、采集待分类的竹片图像，利用竹片图像分类卷积神经网络进行竹片图像分类。