(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210303703.6 (22)申请日 2022.03.24 (71)申请人 晶展科技 （莆田） 有限公司 地址 351256 福建省莆田市仙游县榜头镇 艺都路3889 号仙游国际油画城 北区三 楼2#369-1 (72)发明人 苏智杰　邱菲鸿　 (74)专利代理 机构 厦门加减专利代理事务所 (普通合伙) 35234 专利代理师 杨泽奇 (51)Int.Cl. G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01)G06V 10/34(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种红木家具识别分类方法、 装置、 介质和 设备 (57)摘要 本发明涉及智能识别技术， 特别涉及一种红 木木纹识别分类方法、 装置、 介质和设备， 与现有 技术相比， 本发 明提供的一种红木家具识别分类 方法， 只需直接采集红木家具表 面的木纹图像进 行模型搭建以及预测识别使用， 无需采集红木切 片的显微图像， 便于使用； 本发明通过采集到的 原始图像进行第一训练数据集 以及第二训练数 据集的生 成， 并通过深度学习方法根据第一训练 数据集训练红木识别预测模型， 根据第二训练数 据集训练红木类别预测模型。 当对待预测图像进 行红木分类时， 可先通过红木识别预测模型对图 像判断出是否为红木图像， 然后通过红木类别预 测模型对红木图像进行分类预测， 当 处理大量待 预测图像时， 本发明可明显降低计算资源的浪 费。 权利要求书3页 说明书9页 附图4页 CN 114638313 A 2022.06.17 CN 114638313 A 1.一种红木家具识别分类方法， 其特 征在于， 包括以下步骤： S10： 采集红木家具表面木纹图像作为原 始图像； S20： 通过所述原始图像生成训练数据集， 所述训练数据集包括第 一训练数据集和第二 训练数据集； S30： 通过深度 学习方法根据 所述第一训练数据集训练红木识别预测模型， 通过深度学 习方法根据所述第二训练数据集训练 红木类别预测模型； S40： 待预测图像被输入所述红木识别预测模型， 若输出结果为红木图像， 则将所述待 预测图像输入所述红木类别预测模型， 输出红木类别结果； 否则返回非红木图像结果。 2.根据权利要求1所述的红木家具识别分类方法， 其特征在于， 所述步骤S10中采集红 木家具表面木纹图像作为原 始图像包括： 图像校正， 将拍 摄到的图像二值化后利用Canny算法提取图像中的边缘， 利用Hough找 出直线边， 选择最长的四条边计算出各个边之间的交点， 确定红木家具图像四个顶点以及 中心点， 通过仿射变换矩阵裁 剪出红木家具主体部分对应的图像； 图像去噪， 利用7 ×7， σ ＝1的高斯 算子对图像进行平 滑处理。 3.根据权利要求1所述的红木家具识别分类方法， 其特征在于， 所述步骤S20中通过所 述原始图像生成第一训练数据集的方法包括： S21： 将采集到的所述原 始图像缩放 为为256×256的第一小块图像； S22： 对每一所述第一小块图像分别进行图像变换生成若干第 一派生小块图像， 所述图 像变换包括上下镜像、 左右镜像、 顺时针旋转90度或者逆时针旋转90度中的一种或多种的 组合； S23： 将所述第一小块图像和所述第一派生小块图像均输入所述第一训练数据集。 4.根据权利要求1所述的红木家具识别分类方法， 其特征在于， 通过所述原始图像生成 第二训练数据集的方法包括： S24： 采集所述原始图像上4000 ×2000的中央区域， 在 所述中央区域中随机取若干大小 为512×512的第二小块图像； S25： 对每一所述第二小块图像进行图像变换生成若干第 二派生小块图像， 所述图像变 换包括镜像或旋转或亮度的增 加/减小； S26： 将每一所述第二小块图像及所述第二派生小块图像均输入所述第二训练数据集。 5.根据权利要求3所述的红木家具识别分类方法， 其特征在于， 所述步骤S30中通过深 度学习方法根据所述第一训练数据集训练 红木识别预测模型， 包括： S31： 初始化二分类算法卷积神经网络， 所述二分类算法卷积神经网络包括8个卷积层、 7个池化层、 7个批量归一 化层； S32： 将所述第一训练数据集输入所述二分类算法卷积神经网络， 输入初始核函数， 通 过所述二分类算法卷积神经网络以及softmax激活函数计算得输出 结果； S33： 针对所述输出结果与真实结果计算误差， 使用反向传播方法修正所述二分类算法 卷积神经网络 。 6.根据权利要求4所述的红木家具识别分类方法， 其特征在于， 所述步骤S30中通过深 度学习方法根据所述第二训练数据集训练 红木类别预测模型， 包括： S34： 双线性卷积神经网络， 所述双线性卷积神经网络包括共享模块、 第一分支模块、 第权　利　要　求　书 1/3 页 2 CN 114638313 A 2二分支模块和双线性矢量模块， 通过所述共享模块提取所述第二训练数据集中图像I的64 ×64×32的特征图， 通过所述第一分支模块提取所述特征图的8 ×8×64的第一尺度纹理特 征f1(I)， 通过所述第二分支模块提取所述特征图的8 ×8×64第二尺度纹理特征f2(I)， 所述 第一尺度相对小于第二尺度； S35： 通过所述双线性矢量模块对所述f1(I)和所述f2(I)进行组合、 池化以及归一化处 理， 所述步骤S35包括： S351： 用外积组合所述第一分支模块和所述第二分支模块的特 征图： bilinear(y， I， f1， f2)＝f1(y， I)Tf2(y， I)； 其中， y涵盖 了位置坐标和通道； S352： 用pooling函数整合所有位置 Y的外积， 得到全局信息： Φ(I)＝∑y∈Ybilinear(y， I， f1， f2)＝∑y∈Yf1(y， I)Tf2(y， I)； S353： 对8×8位置特征向量之和进行池化， 最终得到 64×64的双线性特 征； S354： 归一化： 其中， sign( ·)为符号函数； S36： 通过softmax激活函数计算得输出结果， 针对所述输出结果与真实结果计算误差， 使用反向传播方法修 正所述双线性卷积神经网络 。 7.根据权利要求1所述的红木家具识别分类方法， 其特 征在于， 所述 步骤S40包括： S41： 将所述待预测图像缩放 为若干大小为25 6*256的第三小块图像； S42： 将每一所述第三小块图像输入所述红木识别预测模型进行二分类识别； S43： 然后将识别结果为红木图像的所述待预测图像分割为若干大小为512*512的第四 小块图像， 并将每一所述第四小块图像输入所述红木类别预测模型进行 预测； S44： 统计所述第四小块图像的预测结果， 取所述第四小块图像的预测结果落入最多的 类别作为所述待预测图像的预测结果输出。 8.一种红木家具识别分类装置， 其特 征在于， 包括： 采集模块， 用于采集红木家具表面木纹图像作为原 始图像； 数据集生成模块， 用于通过所述原始图像生成训练数据集， 所述训练数据集包括第一 训练数据集和第二训练数据集； 训练模块， 用于通过深度学习方法根据所述第一训练数据集训练红木识别预测模型， 通过深度学习方法根据所述第二训练数据集训练 红木类别预测模型； 识别模块， 包括红木识别预测模型和 红木类别预测模型， 待预测图像被输入所述红木 识别预测模型， 若输出结果为红木图像， 则将所述待 预测图像输入所述红木类别预测模型， 输出红木类别结果； 否则返回非红木图像结果。 9.一种计算机可读存储介质， 其特征在于： 所述计算机可读存储介质存储有计算机指 令， 所述计算机被处理器执行时实现如权利要求1 ‑7任一项所述的一种红木家具识别分类 方法。 10.一种计算机设备， 其特征在于： 包括至少一个处理器、 及与所述处理器通信连接的 存储器， 其中所述存储器存储可被至少一个处理器执行 的指令， 所述指令被至少一个处理权　利　要　求　书 2/3 页 3 CN 114638313 A 3