[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108256550A - 一种木材类别更新方法和装置 - Google Patents

一种木材类别更新方法和装置 Download PDF

Info

Publication number
CN108256550A
CN108256550A CN201711335527.XA CN201711335527A CN108256550A CN 108256550 A CN108256550 A CN 108256550A CN 201711335527 A CN201711335527 A CN 201711335527A CN 108256550 A CN108256550 A CN 108256550A
Authority
CN
China
Prior art keywords
sample
timber
classification
new category
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711335527.XA
Other languages
English (en)
Inventor
丁磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Woodstate Science And Technology Co Ltd
Original Assignee
Beijing Woodstate Science And Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Woodstate Science And Technology Co Ltd filed Critical Beijing Woodstate Science And Technology Co Ltd
Priority to CN201711335527.XA priority Critical patent/CN108256550A/zh
Publication of CN108256550A publication Critical patent/CN108256550A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种木材类别更新方法和装置，所述方法包括：接收木材样品的图像数据；根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；根据所述新类别更新所述木材分类模型。本发明能够准确识别、确认一个木材的新类别，并自动更新类别，可以达到在线升级分类的效果，提高了分类精度和生产效率，进而提高木材加工的自动化程度。

Description

一种木材类别更新方法和装置
技术领域
本发明涉及木材处理技术领域，更具体地，涉及一种木材类别更新方法和装置。
背景技术
在木材加工领域，诸多工作是由经过训练的工人凭借人眼观察与自身经验完成的，例如判断木板的平整度、设计木板加工方案、对木材的分类等。木材分类主要是指木材加工流水线上对不同用途的木材及产品的分类，以及对同一用途的木材及产品不同品类的分类，例如按颜色和花纹划分木材及产品。
众所周知，人工方法耗费大量的人力资源，并且由于需求的变动以及木材属性的不规则性，人工工作的方式不仅效率低下，而且需要不断的重新培训才能保持一定的准确度。同时，随着工作时间的增加，人工方法也会出现准确率下降，效率变慢的现象。目前将机器学习用于木板加工领域多集中于木板的缺陷检测，比如CN 201110212438锯材表面缺陷的图像采集系统及检测方法。此外，机器学习尤其是有监督学习，需要大量预先设定分类以及对训练数据进行标注。这使得通过大量数据训练后的机器学习模型仅能够按照预定义的分类方式对未来的木材进行分类。然而，由于木材的天然属性，原料批次不同的木材，木材的特征也有所不同，这使得其与原始的分类设定不匹配。
因此，需要一种技术以提供动态的、精准的木材分类。
发明内容
本发明实施例提供一种木材类别更新方法和装置，以提供动态的、精准的木材分类。
为了解决上述问题，本发明提供一种木材类别更新方法和装置，所述方法包括：
接收木材样品的图像数据；
根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；
根据所述新类别更新所述木材分类模型。
可选地，所述判断是否产生新类别包括：
在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述判断是否产生新类别包括：
对所有所述木材样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别。
可选地，所述判断是否产生新类别包括：
对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述机器学习包括：神经网络、决策森林、邻近算法、硬聚类算法或支持向量机中的一种或几种组合。
可选地，其特征在于，所述根据所述新类别更新所述木材分类模型包括：
接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
根据确认后的所述新类别更新所述木材分类模型。
可选地，所述接收木材样品的图像数据包括：接收红外光图像传感器、可见光图像传感器、超声波图像传感器或X射线图像传感器中的一种或几种组合采集的所述图像数据。
为了解决上述问题，本发明提供一种木材类别更新装置，所述装置包括：
图像数据接收模块，用于接收木材样品的图像数据；
判断模块，用于根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；
更新模块，用于根据所述新类别更新所述木材分类模型。
可选地，所述判断模块包括：
计数模块，用于在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述判断模块包括：
全聚类模块，用于对所有所述木材样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别。
可选地，所述判断模块包括：
部分聚类模块，用于对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述机器学习算法包括：神经网络、决策森林、邻近算法、硬聚类算法或支持向量机中的一种或几种组合。
可选地，所述更新模块具体包括：
接收子模块，用于接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
更新子模块，用于根据确认后的所述新类别更新所述木材分类模型。
可选地，所述接收木材样品的图像数据包括：接收红外光图像传感器、可见光图像传感器、超声波图像传感器或X射线图像传感器中的一种或几种组合采集的所述图像数据。
本发明的实施例中，机器学习算法能基于木材分类模型对于接收到木材样品的图像数据进行分类。由于木材样品是一种非标准化的产品，其属性会随原木自然生长的随机因素所影响，因此会采集到与先前分类有较大差异的样品，此时这些样品可以强制归为木材分类模型中的已有分类，但是这可能带来该分类下产品一致性不够好的结果。因此，根据对木材样品分类的结果判断是否产生新类别，并根据新分类结果更新木材分类模型。本实施例能够准确识别、确认一个木材的新类别，并自动更新类别，可以达到在线升级分类的效果，提高了分类精度和生产效率，进而提高木材加工的自动化程度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例
图1为根据本发明一实施方式的一种木材类别更新方法流程图；
图2为根据本发明一实施方式的一种木材类别更新装置结构图；
图3为根据本发明一实施方式的电子设备示意图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本领域技术人员可以理解，本申请中的“第一”、“第二”等术语仅用于区别不同设备、模块或参数等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
木材分类处理场景包括木材种类分类、木板成品等级分类和木板库存量单位(简称SKU，Stock Keeping Unit)分类等。因此对木材的准确分类，对于后续的加工作业流程意义重大。使用机器进行木材分类在上述的场景中的应用广受好评，可以降低人工成本，提高分类精度，提高木板生产过程自动化水平。
如图1所示，本发明一实施方式的一种木材类别更新方法流程图，应用于服务器，所述服务器可以是木材加工厂内的本地服务器，也可以是云端服务器，通过有线或者无线网络连接与相应的传感器等器件进行连接。
步骤S11，接收木材样品的图像数据；
利用图像传感器采集木材样品的图像数据，服务器接收样品的图像数据。所述图像传感器包括：红外光图像传感器、可见光图像传感器、超声波图像传感器或X射线图像传感器中的一种或几种组合，本发明的实施例中对传感器的具体形式亦不作限制。与所述图像传感器相连接的还可以包括触发模块，触发模块与一个或多个图像传感器连接(有线和/或无线)。如果样品完全进行图像传感器的传感区域后，触发模块向图像传感器发送一个信号使之进行图像数据的采集。也就是说，图像数据是木材样品完全进入图像传感器的传感区域后采集的数据。可选地，图像传感器或服务器，或介于图像传感器和服务器之间的图像处理模块，可以对采集的图像数据作进一步的图像数据处理，包括去噪、分割、二值化、编码压缩、增强复原等等，本发明的实施例中不作限制。
步骤S12，根据对所述木材样品分类的结果判断是否产生新类别；
其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；该分类过程可在服务器本地进行，也可在任意其他设备端进行，比如图像采集端、木材分类/分拣设备端或另设的分类服务器等，服务器本地仅接收分类的结果即可。所述木材分类模型是基于机器学习得到的；该机器学习的过程也可在服务器本地进行，或可在任意其他设备端进行，比如图像采集端、木材分类/分拣设备端、另设的分类服务器或另设的机器学习服务器等。
木材分类模型中的已有类别是当前木材分类所使用的分类标准，这些已有类别可以是预定义类别也可以是通过机器学习训练得到的类别，还可以之前利用本申请实施例的方案更新后的类别。在本发明的实施例中，首先基于木材分类模型对样品进行分类；木材分类模型是基于机器学习得到的，该分类过程也可以是一个人工智能的实现过程，比如对于一个基于机器学习的分类器或者是分类算法，输入包括木材样品的图像数据，根据机器学习过程中的经验对图像数据进行检测和识别，输出样品所对应的类别，当然输出可以不仅包括样品所对应的已有类别，还可能包括不同于已有类别的新类别(该新类别可以是全新的类别，也可以是对已有类别的调整)。更具体而言，这一机器学习算法在进行样品分类时是有监督学习，而在新分类的判断中是无监督学习。这里的机器学习算法包括：神经网络(Neural Networks，NN)、典型地比如卷积神经网络(Convolutional Neural Network,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(Recurrent NeuralNetwork,RNN)等、决策森林、邻近算法(K-Nearest Neighbors，KNN)、硬聚类算法(K-means)或支持向量机(Support Vector Machine，SVM)中的一种或几种组合。
分类的结果中，如果确定不产生新类别则返回步骤S11，如果确定产生新类别则进入步骤S13。新类别可以是一个类别，也可以是多个类别，其中多个类别包括同级别的类别或者上下级的类别。此外在图像识别中，通过特征提取可以得到计算机可理解的数据，因此在本发明中可以使用特征提取技术对于图像数据作进一步处理以便于识别、分类。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等，有些则是需要通过变换或处理才能得到的，如直方图、主成分等，本发明不作限制。
步骤S13，根据新类别更新所述木材分类模型。
无监督学习由于缺乏标记信息，类似于缺乏人的“常识”，所以得到的结果会与理想结果大相径庭。因此优选地，在服务器机器学习得到的新类别的基础上，通过进一步的筛选以确认新分类的产生结果。用于筛选的对新类别的确认信息可以人工辅助提供，比如通过人机交互的确认终端接收人工输入的确认信息。确认终端可以是本地服务器的一部分，或者可以是独立终端。确认终端包括显示装置和输入装置，显示装置用于显示新类别及其包括的图像数据，输入装置用于接收用户对于新类别的确认结果。如果显示装置显示的还包括可操作选项，用户输入的可以是“是否”或“ABCD”等选项。此外，用户输入的可以是具体的分类建议，此时服务器可以根据语义处理，比如分词、断句等文本操作功能，对分类建议进行识别和理解。所述确认信息包括：确认增加新类别、删除新类别、或修改新类别。其中，增加和删除操作比较容易理解，在新类别的分类层级和木材样品基本正确时确认增加，在完全错误时确认删除；而修改操作可能包括多种情况，比如，每个类别通常是多个样品的集合，存在部分样品归类错误就需要修改，类别还可能具有一定的层级等，当部分样品被归属到错误的类别下时，修改操作可以是将样品调整到正确的类别(必要时可再增加新类别)下；或者当类别的层级错误时，调整到正确的层级。经用户确认的确认信息相当于新的标记样品，此时，对于所有木材样品而言产生了一定的优化。因此我们可以对所有样品重新训练，得到分类更加准确的优化结果。训练的本质是根据标记样品对机器学习算法按照一定的优化目标进行参数优化，而优化结果的直观表现是对木材分类模型产生了优化。例如，木材分类模型是ABCD四个类别，通过步骤S11、S12产生了E的新类别，并得到了用户的确认，直接增加。然后，通过训练得到更新的木材分类模型，此时木材分类模型就是ABCDE。再例如，木材分类模型是ABCD四个类别，通过步骤S11、S12产生了F的新类别，用户确认新类别不完全正确，选择修改，认为F为B的下一级(B2)，原分类中的B实际是B1。然后，通过训练得到更新的木材分类模型，此时木材分类模型就是AB(B1B2)CD。所以，服务器根据确认后的所述新类别更新所述木材分类模型。训练这一过程可以是在服务器的一个模块上实现的，也可以是在独立的模块上实现的，通过有线或者无线连接将优化结果传输给服务器。而这一独立的模块可以位于本地服务器，也可以位于云端服务器，本发明实施例不作限制。
本发明的实施例中，机器学习算法能基于木材分类模型对于接收到木材样品的图像数据进行分类。由于木材样品是一种非标准化的产品，其属性会随原木自然生长的随机因素所影响，因此会采集到与先前分类有较大差异的样品，此时这些样品可以强制归为木材分类模型中的已有分类，但是这可能带来该分类下产品一致性不够好的结果。因此，根据对木材样品分类的结果判断是否产生新类别，并根据新分类结果更新木材分类模型。本发明的实施例能够准确识别、确认一个木材的新类别，并自动更新类别，可以达到在线升级分类的效果，提高了分类精度和生产效率，进而提高木材加工的自动化程度。
在本发明的实施例中进一步的，在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。在木材识别过程中，如果与现有类别匹配度较低的样品或者现有类别无法进行分类的样品相对总处理样品数据积累足够高时，确定产生至少一个新类别。样品与木材分类模型中已有类别的匹配度的衡量参数视分类算法而定，如果用样品与类别中心的距离表示匹配度，并且该距离大于一个预设阈值则认为匹配度较低。这样的分类判断标准可以使得样品足够充实的情况下，发现样品之间的新规律，并将该规律以新分类的形式呈现出来。
在本发明的实施例中进一步的，对所有所述木材样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别。聚类是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的族是一组数据对象的集合，这些对象与同一个族中的对象彼此相似，与其他族中的对象相异。这里可采用的聚类方法包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法中的一种或多中组合。随着样品数量的充实，样品之间的规律随之变化，将所有样品重新聚类可以得到之前忽略不计的新类别，利于类别的扩充。
在本发明的实施例中进一步的，对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。通常，与现有类别匹配度较低的样品或者现有类别无法进行分类的样品是不适应于现有类别的样品，新类别往往隐藏在这样的样品之间。对于聚类对象的缩减有利于减少计算时间，同时又能保证计算精度，快速而准确的发现新类别。
如图2所示，本发明提供一种木材类别更新装置，所述装置包括：
图像数据接收模块21，用于接收木材样品的图像数据；
判断模块22，用于根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；
更新模块23，用于根据所述新类别更新所述木材分类模型。
可选地，所述判断模块包括：
计数模块，用于在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述判断模块包括：
全聚类模块，用于对所有所述木材样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别。
可选地，所述判断模块包括：
部分聚类模块，用于对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述机器学习算法包括：神经网络、决策森林、邻近算法、硬聚类算法或支持向量机中的一种或几种组合。
可选地，所述更新模块具体包括：
接收子模块，用于接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
更新子模块，用于根据确认后的所述新类别更新所述木材分类模型。
可选地，所述接收木材样品的图像数据包括：接收红外光图像传感器、可见光图像传感器、超声波图像传感器或X射线图像传感器中的一种或几种组合采集的所述图像数据。
参考图3，为本发明一个实施方式的电子设备示意图。如图3所示，该电子设备包括：
存储器33以及一个或多个处理器31；
其中，所述存储器33与所述一个或多个处理器31通信连接，所述存储器33中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器31执行，以使所述一个或多个处理器31执行：接收木材样品的图像数据；根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；根据所述新类别更新所述木材分类模型。
可选地，所述判断是否产生新类别包括：
在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述判断是否产生新类别包括：
对所有所述木材样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别。
可选地，所述判断是否产生新类别包括：
对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
可选地，所述机器学习包括：神经网络、决策森林、邻近算法、硬聚类算法或支持向量机中的一种或几种组合。
可选地，其特征在于，所述根据所述新类别更新所述木材分类模型包括：
接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
根据确认后的所述新类别更新所述木材分类模型。
可选地，所述接收木材样品的图像数据包括：接收红外光图像传感器、可见光图像传感器、超声波图像传感器或X射线图像传感器中的一种或几种组合采集的所述图像数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种木材类别更新方法，其特征在于，所述方法包括：
接收木材样品的图像数据；
根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；
根据所述新类别更新所述木材分类模型。
2.根据权利要求1所述的方法，其特征在于，所述判断是否产生新类别包括：
在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
3.根据权利要求1所述的方法，所述判断是否产生新类别包括：
对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述新类别更新所述木材分类模型包括：
接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
根据确认后的所述新类别更新所述木材分类模型。
5.一种木材类别更新装置，其特征在于，所述装置包括：
图像数据接收模块，用于接收木材样品的图像数据；
判断模块，用于根据对所述木材样品分类的结果判断是否产生新类别；其中，基于木材分类模型检测和识别所述图像数据，以对所述木材样品进行分类；所述木材分类模型是基于机器学习得到的；
更新模块，用于根据所述新类别更新所述木材分类模型。
6.根据权利要求5所述的装置，所述判断模块包括：
计数模块，用于在所述分类的结果中出现的第一样品的数量大于第一预设阈值时，确定所述第一样品产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
7.根据权利要求5所述的装置，所述判断是否产生新类别包括：
部分聚类模块，用于对所有第一样品进行聚类，在聚类产生与所述木材分类模型中已有类别不同的类别时，确定所述不同的类别产生至少一个所述新类别；其中，所述第一样品为与所述木材分类模型中已有类别匹配度低于第二预设阈值的木材样品，或者所述第一样品为无法归入所述木材分类模型中已有类别的木材样品。
8.根据权利要求5-7任一所述的装置，所述更新模块具体包括：
接收子模块，用于接收对所述新类别的确认信息，其中，所述确认信息包括：确认增加所述新类别、删除所述新类别、或修改所述新类别；
更新子模块，用于根据确认后的所述新类别更新所述木材分类模型。
9.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器能够实现如权利要求1-4中任一项所述的方法。
10.一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中存储有计算机可执行指令，所述计算机可执行指令被执行后用以实现如权利要求1-4中任一项所述的方法。
CN201711335527.XA 2017-12-14 2017-12-14 一种木材类别更新方法和装置 Pending CN108256550A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711335527.XA CN108256550A (zh) 2017-12-14 2017-12-14 一种木材类别更新方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711335527.XA CN108256550A (zh) 2017-12-14 2017-12-14 一种木材类别更新方法和装置

Publications (1)

Publication Number Publication Date
CN108256550A true CN108256550A (zh) 2018-07-06

Family

ID=62722829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711335527.XA Pending CN108256550A (zh) 2017-12-14 2017-12-14 一种木材类别更新方法和装置

Country Status (1)

Country Link
CN (1) CN108256550A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344155A (zh) * 2018-08-24 2019-02-15 北京木业邦科技有限公司 木材测量信息自动记录方法、装置、电子设备及存储介质
CN109460471A (zh) * 2018-11-01 2019-03-12 信融源大数据科技(北京)有限公司 一种基于自学习的方式建立纤维种类图谱库的方法
CN110555466A (zh) * 2019-08-13 2019-12-10 创新奇智(南京)科技有限公司 一种可动态增加的级联识别网络算法
CN110807493A (zh) * 2019-11-06 2020-02-18 上海眼控科技股份有限公司 一种车辆分类模型的优化方法及设备
CN113409317A (zh) * 2021-08-19 2021-09-17 深圳市信润富联数字科技有限公司 缺陷检测方法、电子装置、装置及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996328A (zh) * 2010-10-14 2011-03-30 浙江农林大学 一种木材识别方法
CN104751198A (zh) * 2013-12-27 2015-07-01 华为技术有限公司 图像中的目标物的识别方法及装置
US20150219557A1 (en) * 2013-07-02 2015-08-06 Canon Kabushiki Kaisha Material classification
CN104849350A (zh) * 2015-05-13 2015-08-19 浙江农林大学 基于多特征的木材缺陷识别分类方法
CN106789912A (zh) * 2016-11-22 2017-05-31 清华大学 基于分类回归决策树的路由器数据平面异常行为检测方法
CN107290342A (zh) * 2017-05-09 2017-10-24 广东数相智能科技有限公司 一种基于细胞分析的木材树种类别鉴别方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996328A (zh) * 2010-10-14 2011-03-30 浙江农林大学 一种木材识别方法
US20150219557A1 (en) * 2013-07-02 2015-08-06 Canon Kabushiki Kaisha Material classification
CN104751198A (zh) * 2013-12-27 2015-07-01 华为技术有限公司 图像中的目标物的识别方法及装置
CN104849350A (zh) * 2015-05-13 2015-08-19 浙江农林大学 基于多特征的木材缺陷识别分类方法
CN106789912A (zh) * 2016-11-22 2017-05-31 清华大学 基于分类回归决策树的路由器数据平面异常行为检测方法
CN107290342A (zh) * 2017-05-09 2017-10-24 广东数相智能科技有限公司 一种基于细胞分析的木材树种类别鉴别方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344155A (zh) * 2018-08-24 2019-02-15 北京木业邦科技有限公司 木材测量信息自动记录方法、装置、电子设备及存储介质
CN109460471A (zh) * 2018-11-01 2019-03-12 信融源大数据科技(北京)有限公司 一种基于自学习的方式建立纤维种类图谱库的方法
CN109460471B (zh) * 2018-11-01 2021-09-24 信融源大数据科技(北京)有限公司 一种基于自学习的方式建立纤维种类图谱库的方法
CN110555466A (zh) * 2019-08-13 2019-12-10 创新奇智(南京)科技有限公司 一种可动态增加的级联识别网络算法
CN110807493A (zh) * 2019-11-06 2020-02-18 上海眼控科技股份有限公司 一种车辆分类模型的优化方法及设备
CN113409317A (zh) * 2021-08-19 2021-09-17 深圳市信润富联数字科技有限公司 缺陷检测方法、电子装置、装置及计算机可读存储介质
CN113409317B (zh) * 2021-08-19 2021-11-30 深圳市信润富联数字科技有限公司 缺陷检测方法、电子装置、装置及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108256550A (zh) 一种木材类别更新方法和装置
Souza et al. Classification of evolving data streams with infinitely delayed labels
CN111079639A (zh) 垃圾图像分类模型构建的方法、装置、设备及存储介质
CN108090406B (zh) 人脸识别方法及系统
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
CN112037222B (zh) 一种神经网络模型的自动更新方法及系统
CN111967971A (zh) 银行客户数据处理方法及装置
CN109408562B (zh) 一种基于客户特征的分组推荐方法及其装置
US12046027B2 (en) Adversarial detection using discriminator model of generative adversarial network architecture
CN105827603A (zh) 未明协议特征库建立方法、未明报文分类方法及相关装置
CN103020645A (zh) 一种垃圾图片识别方法和系统
CN111986027A (zh) 基于人工智能的异常交易处理方法、装置
CN114140696A (zh) 商品识别系统优化方法、装置、设备及存储介质
CN113836373B (zh) 一种基于密度聚类的投标信息处理方法、设备及存储介质
JP5128437B2 (ja) 時系列関係グラフに基づくエンティティ分類装置および方法
CN110009045A (zh) 物联网终端的识别方法和装置
CN116738551A (zh) 用于bim模型的采集数据智能处理方法
CN110597796A (zh) 基于全生命周期的大数据实时建模方法及系统
CN112906599A (zh) 一种基于步态的人员身份识别方法、装置及电子设备
CN114494711B (zh) 一种图像特征的提取方法、装置、设备及存储介质
JP6988995B2 (ja) 画像生成装置、画像生成方法および画像生成プログラム
CN114863464A (zh) 一种pid图纸图件信息的二阶识别方法
Obaidullah et al. Comparison of different classifiers for script identification from handwritten document
CN117992765B (zh) 基于动态新兴标记的偏标签学习方法、装置、设备及介质
CN111967973B (zh) 银行客户数据处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180706

RJ01 Rejection of invention patent application after publication