[发明专利]基于机器学习的木板分拣方法及系统

权利要求书

1.一种木板分类学习方法，其特征在于，包括：

在不同环境条件下获取不同移动速度的木板的图像样本数据，所述环境条件包括光照环境、拍摄角度；

对木板进行初始分类，分类后的图像样本数据包括一个自由定义的产品分类、一个移动速度、一个光照环境、一个摄像机角度的标签；

基于初始分类后的图像样本数据，训练神经网络；

利用训练好的神经网络，确定待分类木板在每一个分类的置信度；其中，神经网络的输出是每个分类的置信度最终估计值；根据这些估计值，选择置信度最高的分类、速度、摄像机角度作为最终的输出；

根据一个时间与速度的映射关系得到并确定当前待分类木板的踢腿时间。

2.根据权利要求1所述的方法，其特征在于，所述环境条件包括光照环境、拍摄角度，所述光照环境包括木板外部光源光线的强弱、外部光源光线的照射方向和图像获取单元的光圈大小中的一个或多个，所述拍摄角度为图像获取单元的拍摄角度；

所述移动速度为图像获取单元与目标对象的相对移动速度。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在获取木板的图像样本的同时还获取白色参考物体的图像。

4.根据权利要求1所述的方法，其特征在于，所述神经网络为卷积神经网络和/或深度神经网络。

5.根据权利要求1所述的方法，其特征在于，所述神经网络包括多个层，每个层包括多个节点，相邻两层多个节点之间存在可训练权重的神经网络。

6.根据权利要求1所述的方法，其特征在于，所述利用训练好的神经网络，确定待分类木板在每一个分类的置信度，包括：

在任意环境条件下获取任意移动速度的当前待分类木板的图像。

7.根据权利要求6所述的方法，其特征在于，所述利用训练好的神经网络，确定待分类木板在每一个分类的置信度，还包括：

在获取当前待分类木板的图像的同时还获取白色参考物体的图像。

8.根据权利要求6所述的方法，其特征在于，所述当前待分类木板的图像对应的环境条件包括外部光源光线的强弱、外部光源光线的照射方向、图像获取单元的拍摄角度和图像获取单元的光圈大小中的一个或多个；

所述当前待分类木板的图像对应的移动速度为图像获取单元与所述当前待分类木板的相对移动速度。

9.一种对木板分类的学习系统，其特征在于，所述系统包括：

图像获取单元，用于在不同环境条件下获取不同移动速度的木板的图像样本数据，所述环境条件包括光照环境、拍摄角度；

分类单元，用于对木板进行初始分类，分类后的图像样本数据包括一个自由定义的产品分类、一个移动速度、一个光照环境、一个摄像机角度的标签；

训练单元，用于基于初始分类后的图像样本数据，训练神经网络；

分析单元，用于：

利用训练好的神经网络，确定待分类木板在每一个分类的置信度；其中，神经网络的输出是每个分类的置信度最终估计值；根据这些估计值，选择置信度最高的分类、速度、摄像机角度作为最终的输出；

根据一个时间与速度的映射关系得到并确定当前待分类木板的踢腿时间。

10.根据权利要求9所述的系统，其特征在于，所述环境条件包括光照环境、拍摄角度，所述光照环境包括木板周围环境光线的强弱、光线的照射方向和图像获取单元的光圈大小中的一个或多个，所述拍摄角度为图像获取单元的拍摄角度；

所述移动速度为图像获取单元与目标对象的相对移动速度。

11.根据权利要求9所述的系统，其特征在于，所述图像获取单元还用于：

在获取图像样本的同时获取白色参考物体的图像。

12.根据权利要求9所述的系统，其特征在于，所述学习单元和/或所述训练单元位于云服务器中。