(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211231131.1 (22)申请日 2022.10.10 (65)同一申请的已公布的文献号 申请公布号 CN 115294143 A (43)申请公布日 2022.11.04 (73)专利权人 雷锘家具 （南 通） 有限公司 地址 226500 江苏省南 通市如皋市吴窑镇 环南路6号 (72)发明人 朱培军　邹幼芳　朱如山　 (74)专利代理 机构 西安中创合信知识产权代理 事务所(普通 合伙) 61298 专利代理师 王春霞 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01)G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 20/70(2022.01) B24B 1/00(2006.01) 审查员 顾明海 (54)发明名称 一种用于家具制造的板材平面自动打磨方 法 (57)摘要 本发明涉及数据处理领域， 具体涉及一种用 于家具制造的板材平面自动打磨方法， 其包括先 采集打磨过程中的板材的表面图像； 之后对采集 的不同阶段的打磨的板材表面图像进行特征分 析， 得到板材该面的打磨粗糙程度； 进而根据所 述粗糙程度， 选取粗糙程度大于第一设定值， 则 该板材打磨效果差， 需要全局打磨； 当粗糙程度 大于第二设定值且小于第一设定值， 则该板材打 磨效果中等， 需要进行定点打磨； 当粗糙程度小 于第二设定值， 则该板材打磨完成； 其中第一设 定值大于第二设定值； 即本发明的方案能够准确 地对用于家具制造 板材进行打磨。 权利要求书1页 说明书5页 附图1页 CN 115294143 B 2022.12.30 CN 115294143 B 1.一种用于家具制造的板材平面自动打磨方法， 其特 征在于， 包括以下步骤： 步骤1， 采集打磨过程中的板材的表面图像； 步骤2， 对采集的不同阶段的打磨的板材表面图像进行特征分析， 得到板材该面的打磨 粗糙程度； 步骤3， 根据 所述粗糙程度， 选取粗糙程度大于第 一设定值， 则该板材打磨效果差， 需要 全局打磨； 当粗糙程度大于第二设定值且小于第一设定值， 则该板材打磨效果中等， 需要进 行定点打磨； 当粗糙程度小于第二设定值， 则该板材打磨 完成； 其中第一设定值大于第二设 定值； 步骤2中确定粗 糙程度的具体过程 为： （1） 采用神经网络模型从打磨的板材表面图像中提取 出板材目标图像； （2） 对板材目标图像进行分析， 得到粗 糙程度； 对板材目标图像进行分析的具体过程 为： 获取板材目标图像中木纹生长方向； 基于 木纹生长方向， 得到图像 像素点的序列； 将所述序列作为时间序列， 并将序列中的相邻 两点作差， 得到对应的差值序列， 确定时 间延迟量， 并构建相空间， 采用G ‑P算法得到关联维数， 将所述关联维数记为 粗糙程度； 所述木纹生长方向的获取 过程为： 采用Canny算子检测边缘像素点， 任意选择其中一个边缘像素点， 将其与其周围 邻 域内的边缘像素点分为一类， 之后对于新加入该类的边缘像素点使用同样的方式分类， 得 到分类后的边 缘像素点类别； 基于每个边缘像素点类别， 确定各边缘像素点类别的长度， 并得到长度延伸方向， 所述 长度延伸方向为木纹生长方向； 所述图像 像素点的序列的获取 过程为： 若木纹的生长方向为水平方向， 以图像的左上角开始遍历整幅图像， 从左上角开始首 先遍历第一列， 让左上角像素点遍历到右下角像素点， 第一列遍历完成后， 向右移动一位， 对第二列进行遍历， 从下往上遍历， 得到一个 的序列； 所述确定时间延迟量的具体过程 为： 将序列中相邻 两点作差， 得到差值序列， 在差值序列中计算大津 阈值， 将大于阈值的认 为是木纹灰度与其余灰度之间的差值； 得到木纹灰度差值序列， 将所述木纹灰度差值序列 转换到图像像素点的序列中， 并计算出相邻两个被标记的点之间的距离， 从所有距离中选 择其平均数作为时间延迟量。 2.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法， 其特征在于， 所 述神经网络模 型为是U‑net语义分割网络， 该神经网络模型的输入是灰度化后的板材图像， 输出是分割后的板材目标图像。权　利　要　求　书 1/1 页 2 CN 115294143 B 2一种用于家具制造的板材平面自动打磨方 法 技术领域 [0001]本发明涉及数据处 理领域， 具体为 一种用于家具制造的板材平面自动打磨方法。 背景技术 [0002]随着科技的不断发展， 板材在家具上已经是一种十分重要的型材。 板材本身是做 成标准大小的扁平矩形建筑材料板， 在建筑行业中， 多用于家具的构建。 在实际生产或使用 板材组装时， 需要对已经成型 的板材对其表面进行打磨， 以保证在实际使用中的同种板材 质量统一。 在现有技术下， 板材的打磨方式一般为人工 打磨和机器打磨， 两种打磨方式各有 其优缺点， 人工打磨费时费力， 经济成本高， 甚至打磨精度较低， 但是可以人为分辨粗糙程 度。 而机器打磨方式若没有较为精准的粗 糙程度分析， 那么机器打磨的精度更低。 发明内容 [0003]为了解决上述技术问题， 本发明的目的在于提供一种用于家具制造的板材平面自 动打磨方法， 所采用的技 术方案具体如下： [0004]本发明提供的一种用于家具制造的板材平面自动打磨方法， 包括以下步骤： [0005]步骤1， 采集打磨过程中的板材的表面图像； [0006]步骤2， 对采集的不同阶段的打磨的板材表面图像进行特征分析， 得到板材该面的 打磨粗糙程度； [0007]步骤3， 根据所述粗糙程度， 选取粗糙程度大于第一设定值， 则该板材打磨效果差， 需要全局打磨； 当粗糙程度大于第二设定值且小于第一设定值， 则该板材打磨效果中等， 需 要进行定点打磨； 当粗糙程度小于第二设定值， 则该板材打磨 完成； 其中第一设定值大于第 二设定值； [0008]步骤2中确定粗 糙程度的具体过程 为： [0009]（1） 采用神经网络模型从打磨的板材表面图像中提取 出板材目标图像； [0010]（2） 对板材目标图像进行分析， 得到粗 糙程度； [0011]对板材目标图像进行分析的具体过程 为： [0012]获取板材目标图像中木纹生长方向； 基于 木纹生长方向， 得到图像 像素点的序列； [0013]将所述序列作为时间序列， 并将序列中的相邻两点作差， 得到对应的差值序列， 确 定时间延迟量， 并构建相空间， 采用G ‑P算法得到关联维数， 将所述关联维数记为 粗糙程度。 [0014]优选地， 所述木纹生长方向的获取 过程为： [0015]采用Canny算子检测边缘像素点， 任意选择其中一个边缘像素点， 将其与其周围 邻域内的边缘像素点分为一类， 之后对于新加入该类的边缘像素点使用同样的方式 分类， 得到分类后的边 缘像素点类别； [0016]基于每个边缘像素点类别， 确定各边缘像素点类别的长度， 并得到长度延伸方向， 所述长度延伸方向为木纹生长方向。 [0017]优选地， 所述图像 像素点的序列的获取 过程为：说　明　书 1/5 页 3 CN 115294143 B 3