[发明专利]基于初始权重优化的神经网络的木板类型识别方法及装置

权利要求书

1.一种基于初始权重优化的神经网络的木板类型识别方法，其特征在于，包括：

获取待识别类型的木材图像的灰度图像，并计算所述灰度图像中每个像素点的梯度大小及梯度方向；

将所述灰度图像划分为多个相等的cell区域，并根据每个cell中像素点的梯度大小及梯度方向，分别获得每个cell的梯度直方图以及梯度方向矩阵；

将每Z*Z个cell组成block，并根据每个所述block中cell的梯度直方图，分别得到每个block的特征向量，其中Z为预设常数；

计算相邻block的特征向量之间的余弦相似度，当两个相邻的block之间的所述余弦相似度大于预设相似度阈值时，将这两个block进行合并；

根据合并后的所述block中cell的所述梯度方向矩阵以及合并后block的特征向量，得到合并后block的方向复杂度；

根据合并后的block的所述方向复杂度，确定合并后block对应的滑窗的边长，并以合并后的block中像素点为中心建立所述边长的滑窗，将滑窗中灰度共生矩阵的熵作为该像素点的熵，将合并后的block中所有像素点的熵的均值作为该block的纹理复杂度；

根据合并后的block的所述方向复杂度以及所述纹理复杂度，得到block的热度，并根据所有合并后的block的热度获得权重矩阵，利用所述权重矩阵对神经网络进行初始化后，将所述待识别类型的木材图像输入到神经网络中，输出对待识别类型的木材图像的识别结果。

2.根据权利要求1所述的基于初始权重优化的神经网络的木板类型识别方法，其特征在于，根据合并后的block的所述方向复杂度，确定合并后block对应的滑窗的边长，包括：

根据所有合并后的block的所述方向复杂度中最大的方向复杂度S_max以及最小的方向复杂度S_min，获得间隔d，其中k为滑窗边长的总类型数，且其中v为小于的最大奇数，M为所述灰度图像的宽，N为所述灰度图像的高，为与中的最小数；

对于方向复杂度在(S_min+d(i-1)，S_min+di]内的合并后的block，对应的滑窗的边长为3+2i，其中i＝1，2，3，...，k-1；对于方向复杂度为S_min的合并后的block，对应的滑窗边长为3。

3.根据权利要求2所述的基于初始权重优化的神经网络的木板类型识别方法，其特征在于，根据每个所述block中cell的梯度直方图，分别得到每个block的特征向量，包括：

根据block中每个cell的梯度直方图，分别获得block中每个cell的特征向量，将block中所有cell的特征向量进行加法运算，得到该block的特征向量。

4.根据权利要求3所述的基于初始权重优化的神经网络的木板类型识别方法，其特征在于，相邻block的特征向量之间的余弦相似度的计算过程，包括：

其中s为相邻两block的特征向量之间的余弦相似度，为某一block的特征向量，为与该block相邻的另一个block的特征向量，A_a表示中的第a个元素的值，B_a表示中的第a个元素的值，||A||表示的长度，||B||表示的长度。

5.根据权利要求4所述的基于初始权重优化的神经网络的木板类型识别方法，其特征在于，根据所有合并后的block的热度获得权重矩阵，包括：

对所有合并后的block的热度进行归一化处理后，将归一化后的合并后的block的热度作为对应的矩阵中所在区域所有位置的值，得到矩阵中所有位置的值，将得到的矩阵作为权重矩阵，其中归一化的过程包括对所有热度进行求和得到总热度，将每一个合并后的block的热度除所述总热度，得到归一化后的合并后的block的热度。