(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 202211145408.9 (22)申请日 2022.09.20 (71)申请人 厦门理工学院 地址 361000 福建省厦门市集美区理工路 600号 (72)发明人 满旺　朱祎　杜晓凤　王桂松　 李晖　聂芹　 (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. G06V 10/32(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 木纹分类模型的训练方法、 木纹分类方法、 装置及设备 (57)摘要 本发明提供一种木纹分类模 型的训练方法、 木纹分类方法、 装置及设备。 该方法包括： 对原始 木纹图像进行扩充， 得到扩充后的原始木纹图像 数据集； 对原始木纹图像数据集进行缩放， 得到 缩放图像数据集； 对原始木纹图像数据集进行中 心裁剪， 得到裁剪图像数据； 采用缩放图像数据 集训练初始全局模型， 得到训练好的全局模型； 采用裁剪图像数据集训练初始局部模 型， 得到训 练好的局部模 型； 将扩充后的原始木纹图像数据 集输入初始全局 ‑局部模型进行训练， 得到训练 好的全局 ‑局部模型， 以训练好的全局 ‑局部模型 作为木纹分类模型。 本发明提供的方法， 采用全 局‑局部模型来识别木纹图片， 其预测结果更精 准。 权利要求书3页 说明书9页 附图6页 CN 115457285 A 2022.12.09 CN 115457285 A 1.一种木纹分类模型的训练方法， 其特 征在于， 包括： 获取原始木纹图像； 对所述原 始木纹图像进行扩充， 得到扩充后的原 始木纹图像数据集； 对所述原始木纹图像数据集进行缩放， 得到缩放图像数据集； 所述缩放图像数据集保 留所述原始木纹图像的全局信息， 细节信息不全； 对所述原始木纹图像数据集进行中心裁 剪， 得到裁剪图像数据， 所述裁剪图像数据集保留所述原始木纹图像的局部细节信息， 全局 信息不全； 利用所述缩放图像数据集训练初始全局模型， 得到训练好的全局模型； 利用所述裁剪 图像数据集训练初始局部模型， 得到训练好的局部模型； 将扩充后的所述原始木纹图像数据集输入初始全局 ‑局部模型进行训练， 得到训练好 的全局‑局部模型； 所述初始全局 ‑局部模型由所述训练好的全部模 型与训练好的局部模型 拼接构成； 以所述训练好的全局 ‑局部模型作为木纹分类模型。 2.根据权利要求1所述的木纹分类模型的训练方法， 其特征在于， 所述对所述原始木纹 图像进行扩充， 得到原 始木纹图像数据集包括： 将所述原 始木纹图像划分为第一训练集、 第一验证集和第一测试集； 将所述第一训练集、 第一验证集的图像分别按照网格化的方式， 从左往右、 从上往下， 以预设数值重 叠率的方式裁 剪出预设分辨率的图像， 分别作为第二训练集和第二验证集； 将所述第一测试集的图像按照网格化的方式， 从左往右、 从上往下， 0％重叠率的方式 裁剪出所述预设 分辨率的图像作为所述第二测试集。 3.根据权利要要求2所述的木纹分类模型的训练方法， 其特征在于， 所述对所述原始木 纹图像数据集进行缩放， 得到缩放图像数据集包括： 对所述第二训练集的图像数据集进行缩放， 得到第三缩放训练集； 对所述第二验证集 的图像数据集进行缩放， 得到第三缩放验证集； 对 所述第二测试集的图像数据集进 行缩放， 得到第三缩放测试集； 所述对所述原 始木纹图像数据集进行中心裁 剪， 得到裁剪图像数据集包括： 对所述第二训练集的图像数据集进行中心裁剪， 得到第三裁剪训练集； 对所述第二验 证集的图像数据集进行中心裁剪， 得到第三裁剪验证集； 对所述第二测试集的图像数据集 进行中心裁 剪， 得到第三裁 剪测试集。 4.根据权利要求3所述的木纹分类模型的训练方法， 其特征在于， 所述利用所述缩放图 像数据集训练全局模型， 得到训练好的全局模型包括： 将所述第三缩放训练集输入所述初始全局模型， 利用所述第 三缩放验证集对训练后的 全局模型参数进行调整， 得到所述训练好的全局模型， 利用所述第三缩放测试集对调整后 的全局模型进行测试， 评估 全局模型的分类性能； 所述利用所述裁 剪图像数据集训练初始局部模型， 得到训练好的局部模型包括： 将所述第三裁剪训练集输入所述初始局部模型， 利用所述第 三裁剪验证集对训练后的 局部模型参数进行调整， 得到所述训练好的局部模型， 利用所述第三裁剪测试集对调整后 的局部模型进行测试， 评估局部模型的分类性能。 5.根据权利要求2所述的木纹分类模型的训练方法， 其特征在于， 所述将扩充后的所述权　利　要　求　书 1/3 页 2 CN 115457285 A 2原始木纹图像数据集输入初始全局 ‑局部模型进行训练， 得到训练好的全局 ‑局部模型包 括： 将所述第二训练集输入初始全局 ‑局部模型进行训练， 利用所述第二验证集对训练后 的全局‑局部模型参数进行调整， 得到训练好的所述全局 ‑局部模型， 利用所述第二测试集 对全局‑局部模型进行测试， 评估 全局‑局部模型的分类性能。 6.根据权利要求1 ‑5任一所述的木纹分类模型的训练方法， 其特征在于， 所述初始全 局‑局部模型采用以下 方法构建得到： 移除所述训练好的全局模型的全连接层， 得到全局特征提取器； 移除所述训练好的局 部模型的全连接层， 得到局部特 征提取器； 将所述全局特征提取器与 所述局部特征提取器的输出进行拼接， 并在拼接后的输出端 依次加入卷积层和全连接层， 最终构建得到所述初始全局 ‑局部模型。 7.一种木纹分类方法， 其特 征在于， 包括： 获取待分类的木纹图像； 将所述待分类的木纹图像进行缩放， 得到预设分辨率的待分类的缩放木纹图像； 将所 述待分类的木纹图像进行中心裁 剪， 得到预设 分辨率的待分类的裁 剪木纹图像； 将所述待分类的缩放木纹图像与待分类的裁剪木纹图像输入训练好的全局 ‑局部模型 中， 并获取 所述全局 ‑局部模型的预测结果； 其中， 所述全局 ‑局部模型用于对木材的纹理进行预测； 所述预测结果用于指示输入的 木纹图像对应哪种木材。 8.一种木纹分类模型训练装置， 其特 征在于， 包括： 获取单元， 用于获取原 始木纹图像； 扩充单元， 用于对所述原 始木纹图像进行扩充， 得到扩充后的原 始木纹图像数据集； 处理单元， 用于对所述原始木纹图像数据集进行缩放， 得到缩放图像数据集； 所述缩放 图像数据集保留所述原始木纹图像的全局信息， 细节信息不全； 对所述原始木纹图像数据 集进行中心裁剪， 得到裁剪图像数据， 所述裁剪图像数据集保留所述原始木纹图像的局部 细节信息， 全局信息不全； 训练单元， 用于利用所述缩放图像数据集训练初始全局模型， 得到训练好的全局模型； 利用所述裁 剪图像数据集训练初始局部模型， 得到训练好的局部模型； 所述训练单元， 还用于将扩充后的所述原始木纹图像数据集输入初始全局 ‑局部模型 进行训练， 得到训练好的全局 ‑局部模型； 所述初始全局 ‑局部模型 由所述训练好的全部模 型与训练好的局部模型拼接构成； 以所述训练好的全局 ‑局部模型作为木纹分类模型。 9.一种木纹分类装置， 其特 征在于， 包括： 获取单元， 用于获取待分类的木纹图像； 处理单元， 用于将所述待分类的木纹图像进行缩放， 得到预设分辨率的待分类的缩放 木纹图像； 将所述待分类的木纹图像进行中心裁剪， 得到预设分辨率的待分类的裁剪木纹 图像； 预测单元， 用于将所述待分类的缩放木纹图像与待分类的裁剪木纹图像输入训练好的 全局‑局部模型中， 并获取 所述全局 ‑局部模型的预测结果； 其中， 所述全局 ‑局部模型用于对木材的纹理进行预测； 所述预测结果用于指示输入的权　利　要　求　书 2/3 页 3 CN 115457285 A 3