1.本发明属于人工智能视觉技术领域，尤其涉及一种木材花纹装饰风格智能设计方法及系统。
背景技术：2.随着全球高质量木材的急剧下降和对木制品产品需求的增长，木材的价格正变得越来越昂贵，但人们对使用木材花纹进行装饰设计越来越感兴趣。为了降低生产成本，人们正试图寻找其他方法，如对天然木材进行扫描，以扩大木材花纹的数字化数据库。这些数字化木材花纹图像用于直接印刷、浸渍纸贴面、3d打印等，以覆盖和装饰普通基底的表面。这些方法可以不同程度地取代天然木材设计的表面装饰，解决天然木材严禁采伐带来的供需矛盾。
3.在木材花纹领域，国内的研究更关注木板制造的改进，木材花纹的开发更多依赖传统的人工经验，关于从根本上改变花纹创造形式的技术仍然很少。在计算机领域，大多数研究都是分析、提取或分类木材的纹理、识别木材的颜色或缺陷。也有一些研究关注于木材表面花纹的渲染，而不是花纹的开发设计。图像识别，是应用深度学习算法的一种实践应用。指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。传统的图像识别流程分为四个步骤： 图像采集
→
图像预处理
→
特征提取
→
图像识别。卷积神经网络是以图像识别为中心的多个领域都得到广泛应用一种深度学习方法。深度学习的生成对抗网络具有一些新的功能，已经超过了目前纹理合成技术的发展水平。这些基于实际的纹理合成方法在合成效果方面取得了很大的进展。
4.在当下，木材花纹智能设计技术在装饰板材，如重组装饰单板中的应用具有很大的研究潜力。随着人们对木制家具和产品的需求不断增加，特别是在木材花纹被广泛使用的装饰行业，这种智能设计方法将有效应对不同消费者对木材花纹不同的需求，这将提供一个更高效的木材花纹生成方法，从而促进目标产品的开发，满足木材花纹的多样化需求。由此可见，目前亟需一种可以木材花纹装饰风格智能设计方法。
技术实现要素：5.本发明的主要目的是提出一种木材花纹装饰风格智能设计方法及系统，旨在解决装饰行业中，消费者对木材花纹的多样化需求的技术问题。
6.为实现上述目的，本发明提出一种木材花纹装饰风格智能设计方法，包括以下步骤：s1、采集木材花纹的图像，并建立木材花纹的样本图像数据库；s2、对所述样本图像数据库的图像数据进行特征定义，得到所述样本数据库的特征量；s3、利用设定算法对所述样本图像数据库的特征量进行训练，得到木材花纹的识别分类模型；
s4、利用所述木材花纹的识别分类模型对所有木材花纹图像数据进行识别分类，得到木材花纹图像数据的分类数据集；s5、利用设定算法对所述分类数据集进行训练，得到木材花纹生成模型；s6、利用所述木材花纹生成模型生成木材花纹装饰风格图像；s7、利用生成的木材花纹装饰风格图像进行产品设计与生产。
7.可选的，步骤s1中，所述样本图像数据库的建立方法包括人工图像采集、网络爬虫和网页端搜索获取中的一种或多种。
8.可选的，步骤s1中，获取的样本图像数据为具有木材纹理排列、取向，且呈现出颜色、光泽度、肌理和纹理综合效应的木材解剖构造图像。
9.可选的，步骤s2中，选用标签词汇指定出若干个类别名称和风格名称，对获取的木材花纹图像进行简化分类和编号，得到所述样本数据库的特征量。
10.可选的，步骤s3中，对所述样本图像数据库的特征量进行训练的算法至少包括卷积神经网络算法。
11.可选的，步骤s5中，对所述分类数据集进行训练的算法至少包括生成对抗网络。
12.可选的，根据生成对抗网络的训练逻辑将数据集中木材花纹图像按类别分别输入训练集和测试集，并定义损失函数，开始训练模型。
13.可选的，步骤s6中，所述木材花纹装饰风格图像为融合至少2种不同的木材花纹特征的新图像。
14.本发明还提出了一种木材花纹装饰风格智能设计系统，其包括：图像存储模块，用于存储收集到的木材花纹图像，并对收集到的木材花纹图像进行特征定义；图像分类模块，用于利用设定分类模型对预分类的木材花纹图像进行模型训练，并利用训练好的分类模型对所有的木材花纹图像识别分类；图像生成模块，用于利用设定生成模型对分类好的木材花纹图像进行模型训练，并利用训练好的生成模型对分类好的木材花纹图像进行图像生成。
15.可选的，还包括图像采集模块，用于根据设定算法采集互联网上的木材花纹图像。
16.本发明的技术方案中，通过采用设定算法建立识别分类模型，并训练以对木材花纹图像进行识别分类，然后将分类好的木材花纹图像输入到另一设定算法中进行训练，最后用训练好的算法模型生成木材花纹图像，来进行产品设计与生产。本方法可以更高效的生成木材花纹图像，且实现了花纹特征的有效融合，促进目标产品的开发，以满足木材花纹的多样化需求。
附图说明
17.图1为本发明提供的木材花纹装饰风格智能设计方法一实施例的流程示意图；图2为本发明一实施例中的木材花纹装饰风格图像生成的技术路线图；图3为本发明一实施例中的cyclegan的图像判别与生成过程示意图；图4为本发明一实施例中的输入图像和转换图像的示例图；图5为本发明一实施例中的输入图像和转换图像的示例图；图6为本发明一实施例中的输入图像和转换图像的示例图；
图7为本发明提供的木材花纹装饰风格智能设计系统一实施例的框架图。
18.标号说明：图像采集模块101、图像存储模块102、图像分类模块103和图像生成模块104。
19.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
20.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通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，都属于本技术保护的范围。
21.为了更好地描述和说明本技术的实施例，可参考一幅或多幅附图，但用于描述附图的附加细节或示例不应当被认为是对本技术的发明创造、目前所描述的实施例或优选方式中任何一者的范围的限制。
22.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
23.以下结合具体实施例对本发明的技术方案作进一步详细说明，应当理解，以下实施例仅仅用以解释本发明，并不用于限定本发明。
24.木材花纹智能设计技术在装饰板材，如重组装饰单板中的应用具有很大的研究潜力。随着人们对木制家具和产品的需求不断增加，特别是在木材花纹被广泛使用的装饰行业，这种智能设计方法将有效应对不同消费者对木材花纹不同的需求。鉴于此，本发明提供本发明提出一种木材花纹装饰风格智能设计方法，图1为本发明提供的木材花纹装饰风格智能设计方法一实施例，请参阅图1，该方法包括以下步骤：步骤s1，采集木材花纹的图像，并建立木材花纹的样本图像数据库。
25.在本实施例中，通过人工扫描木材花纹图片、人工拍摄木材花纹图片、木材花纹数据库爬取木材花纹图片、网页搜索木材花纹图片等图片采集方式获取木材花纹原始数据集。采集图像时为了方便后续图像识别的研究，对下载的图像做了如下规范：下载的网络图像尽量是单张纯木材花纹图片，且为木材截面图，以防止其他元素对图像识别的干扰，一张图片中只包含一种木材花纹；图像大小尽量不小于100*100像素；为了满足深度学习对大数据的要求，图像采集需尽可能多，经过收集和筛选，获得木材花纹图片千张标定数据。
26.在本实施例中，请参阅图4-6，获取的样本图像数据为具有木材纹理排列、取向，且呈现出颜色、光泽度、肌理和纹理综合效应的木材解剖构造图像。
27.步骤s2，对所述样本图像数据库的图像数据进行特征定义，得到所述样本数据库的特征量。
28.在本实施例中，选用标签词汇指定出若干个类别名称和风格名称，对获取的木材花纹图像进行简化分类和编号，得到所述样本数据库的特征量。
29.具体实施时，将木材花纹种类及风格简化归类出5-7个主要类别并命名，在本实施例中，将数据库中木材花纹图像分为特征花纹、一般花纹和科技木花纹，特征花纹以明显特征纹理的花纹为主，一般花纹以不同材色且无明显特征直纹理花纹为主，科技木花纹以具
有艺术风格特征的花纹为主，并将所有木材花纹图像中质量不高的图片被剔除。
30.步骤s3，利用设定算法对所述样本图像数据库的特征量进行训练，得到木材花纹的识别分类模型。
31.在本实施例中，对所述样本图像数据库的特征量进行训练的算法可以采用卷积神经网络算法，优选为rsenet50网络，并选取百度飞桨（paddlepaddle）网络框架，利用rsenet50网络建立图像识别分类模型，并且设定以下参数：图像输入像素在200
×
200及以上的图像；训练集与测试集比例趋近4:1；激活函数为relu；回归分类函数为softmax；gpu加速计算；图像采用数据增强（随机角度、增加裁剪、水平随机翻转、随机抖动等）训练出可以进行木材花纹图像分类的分类模型。本实施例中的卷积神经网络由卷积层（conv）、池化层（polling）、全连接层（fc）和 softmax 层组成。首先输入一个样本，由同一个卷积核进行卷积操作，通过激活函数运算后得到特征图。池化层的作用是减小卷积层产生的特征图的尺寸，然后进行下一次卷积操作，如此重复多次后最终到达全连接层。全连接层在整个网络中起到“分类器”的作用，前面的卷积层和池化层是将原始数据映射到隐层特征空间，而全连接层是将学到的特征表示映射到样本的标记空间。softmax层的作用是将前面输出层的数据转换为0-1之间的概率分布，比如目前图片分类有4种，那经过softmax层的输出就是一个4维的向量。向量中的第一个值就是当前图片属于第一类的概率值。
32.其中，需要说明的是，飞桨（paddlepaddle）以百度多年的深度学习技术研究和业务应用为基础，集深度学习核心训练和推理框架、基础模型库、端到端开发套件、丰富的工具组件于一体，是中国首个自主研发、功能丰富、开源开放的产业级深度学习平台。resnet是残差网络(residualnetwork)的缩写,作为卷积神经网络之一，该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分；其中，resnet50网络中包含了49个卷积层、一个全连接层，可以分成七个部分，第一部分不包含残差块，主要对输入224*224*3大小的图片进行卷积、正则化、激活函数、最大池化的计算，第二、三、四、五部分结构都包含了残差块，每个残差差块都有三层卷积，那网络总共有1+3
×
（3+4+6+3）=49个卷积层，加上最后的全连接层总共是50层，这也是resnet50名称的由来。
33.具体实施时，将特征花纹图像数据集预分类为带状花纹、瘤纹、鸟眼纹、泡纹、琴背花纹，并作为5个文件夹输入到识别分类模型中，其中挑出近四分之一的数据量作为对应测试集。一般花纹图像数据选择性地输入，其中挑出近四分之一的数据量作为对应测试集。根据数据集内数据量的大小以及训练环境条件不同，训练模型时长会相应的变化（训练时长不会影响分类时长）。
34.步骤s4，利用所述木材花纹的识别分类模型对所有木材花纹图像数据进行识别分类，得到木材花纹图像数据的分类数据集。
35.在本实施例中，上一步骤训练好模型，即可向该识别分类模型输入需要分类的海量数据集，进行识别分类并得到木材花纹图像数据的分类数据集，当输入带状花纹和鸟眼纹的木材花纹图像时，分类准确度趋近于100%，随着训练深度增加，分类准确度逐步提升，每次最后的值都增加并趋近于1，模型分类平均每张用时0.0661s，即分类速度66ms/张。
36.步骤s5，利用设定算法对所述分类数据集进行训练，得到木材花纹生成模型。
37.在本实施例中，对所述分类数据集进行训练的算法可以采用生成对抗网络，将分类好的木材花纹图像数据集输入生成对抗网络（gans），训练可以生成木材花纹图片的模
型，优选循环生成对抗网络（cyclegan）作为深度学习图像生成模型。其中，cyclegan相较于传统gan具有用户控制（user control）能力，且分辨率和图像质量相对较高；cyclegan可以使用不成对的数据进行训练，对输入集要求不高；并且cyclegan可以分离风格和内容，在不改变内容的基础上改变风格。在图像分类的基础上，将rsenet50分类好的图像数据输入cyclegan进行模型训练，得到可以生成木材花纹风格图像的模型。
38.此外，cyclegan训练环境设定为：python3.8.9、tensorflow2.2.0、tensorflow_examples、pycharmcommunityedition2021、win11。硬件条件：处理器11thgenintel(r)core(tm)i7-11800h、运存16g、显卡rtx3060。
39.请参阅图2和图3，本实施例涉及的生成对抗网络模型框架中有至少两个模块：生成器g（generator）和判别器d（discriminator）。生成模型g捕捉样本数据的分布生成样本，判别模型d是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率。g和d一般都是非线性映射函数，例如多层感知机、卷积神经网络等。g和d同时训练，当判别器d输入训练数据x时，期待输出高概率（接近1），向判别模型d输入生成样本，期望输出低概率（接近0）。g接收一些服从某一简单分布（例如高斯分布）的随机噪声z的输入，生成与训练图像相同尺寸的生成图像g（z），由d判别这个样本是真实样本还是生成样本并将结果反馈给g。对于生成模型g来说要尽量欺骗d，使判别模型输出高概率（误判为真实样本）。
40.具体实施时，将训练的两个数据集（a、b两种风格的木材花纹图片集）分别分入两个文件夹：风格一分入：traina、testa；风格二分入：trainb、testb。文件数量没有严格要求，但优选训练集多于测试集（train文件多于test文件），并定义损失函数，随后修改代码中的相应部分，使代码流畅运行，不会报错。以带状花纹和鸟眼纹为例，将带状花纹三分之二左右数量的图片数据放入traina，三分之一左右数量的图片数据放入testa，将鸟眼纹三分之二左右数量的图片数据放入trainb，三分之一左右数量的图片数据放入testb，修改代码中的相应部分，使代码流畅运行，不会报错，开始运行代码，代码循环训练对抗生成模型，每次循环都会产生一张具有带状花纹和鸟眼纹特征的木材花纹图片，特征的取舍随着循环次数的变化而变化，图片质量也随着循环次数的迭代而提升。相应的，会在生成文件夹里得到生成图片。
41.其中，损失函数主要由以下几个部分构成：（1）dy处的gan损失：（2）dx处的gan损失：（3）循环一致性损失，即我们前面所述的cycle缘由：（4）identity loss：其中，x：目标风格a的图像；y：目标风格b的图像；f：用于将风格b的图像y转换为风格a的图像。
42.当然，该方法逻辑同理运用在其他花纹和风格图片上。相应的，除了木材花纹与木
材花纹风格迁移以外，还可以利用有明显风格特征的图片，例如具有明显风格的梵高、莫奈等艺术家的作品，也可以作为木材花纹风格提取的对象，从而获得具有相应艺术作品风格的木材花纹图像。在本实施例中，通过生成对抗网络方法计算木材花纹图像生成模型，并根据木材花纹的特征向量进行分类和约束，生成不同类型花纹装饰风格且具有样本花纹特性的新图像。
43.步骤s6，利用所述木材花纹生成模型生成木材花纹装饰风格图像。
44.在本实施例中，请参阅图4-6，训练好的图片在代码模型中指定的文件地址出现，每一步训练相对应生成一张具有木材花纹装饰风格的图片，其为融合至少2种不同的木材花纹特征的新图像。在代码中可以设置训练的步数，相对应生成图片的数量，数量越多，图像质量也随之提升，训练时间也随之缩小。随后即可在生成库中选择需要的木材花纹图像。
45.步骤s7，利用生成的木材花纹装饰风格图像进行产品设计与生产。
46.在本实施例中，请参阅图4-6，生成的木材花纹图像较输入图像具有新花纹，且生成同时具有两种花纹特征的图像，可将生成的木材花纹图像用于直接印刷、浸渍纸贴面、3d打印等，来覆盖和装饰普通基底的表面。
47.本发明的技术方案中，通过采用卷积神经网络建立识别分类模型，并训练以对木材花纹图像进行识别分类，然后将分类好的木材花纹图像输入到生成对抗网络中进行训练，最后用训练好的生成对抗网络模型生成木材花纹图像，来进行产品设计与生产。本方法可以更高效的生成木材花纹图像，且实现了花纹特征的有效融合，促进目标产品的开发，以满足木材花纹的多样化需求。
48.本发明还提出了一种木材花纹装饰风格智能设计系统，图7为本发明提出的木材花纹装饰风格智能设计系统一实施例，请参阅图7，所述智能设计系统包括图像存储模块102、图像分类模块103和图像生成模块104。
49.其中，图像存储模块用于存储收集到的木材花纹图像，并对收集到的木材花纹图像进行简单分类；图像分类模块用于利用设定分类模型对预分类的木材花纹图像进行模型训练，并利用训练好的分类模型对所有的木材花纹图像识别分类；图像生成模块用于利用设定生成模型对分类好的木材花纹图像进行模型训练，并利用训练好的生成模型对分类好的木材花纹图像进行图像生成。
50.在本实施例中，所述分类模型通过rsenet50网络建立；所述生成模型为cycle gan。
51.为实现木材花纹图像的高效采集，在本实施例中，所述智能设计系统还包括图像采集模块101，所述图像采集模块101用于根据设定算法采集互联网上的木材花纹图像，例如爬虫程序等进行图片采集。
52.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
53.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的
软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
54.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
55.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。
技术特征：1.一种木材花纹装饰风格智能设计方法，其特征在于，包括以下步骤：s1、采集木材花纹的图像，并建立木材花纹的样本图像数据库；s2、对所述样本图像数据库的图像数据进行特征定义，得到所述样本数据库的特征量；s3、利用设定算法对所述样本图像数据库的特征量进行训练，得到木材花纹的识别分类模型；s4、利用所述木材花纹的识别分类模型对所有木材花纹图像数据进行识别分类，得到木材花纹图像数据的分类数据集；s5、利用设定算法对所述分类数据集进行训练，得到木材花纹生成模型；s6、利用所述木材花纹生成模型生成木材花纹装饰风格图像；s7、利用生成的木材花纹装饰风格图像进行产品设计与生产。2.根据权利要求1所述的木材花纹装饰风格智能设计方法，其特征在于，步骤s1中，所述样本图像数据库的建立方法包括人工图像采集、网络爬虫和网页端搜索获取中的一种或多种。3.根据权利要求1所述的木材花纹装饰风格智能设计方法，其特征在于，步骤s1中，获取的样本图像数据为具有木材纹理排列、取向，且呈现出颜色、光泽度、肌理和纹理综合效应的木材解剖构造图像。4.根据权利要求1所述的木材花纹装饰风格智能设计方法，其特征在于，步骤s2中，选用标签词汇指定出若干个类别名称和风格名称，对获取的木材花纹图像进行简化分类和编号，得到所述样本数据库的特征量。5.根据权利要求1所述的一种木材花纹装饰风格智能设计方法，其特征在于，步骤s3中，对所述样本图像数据库的特征量进行训练的算法至少包括卷积神经网络算法。6.根据权利要求1所述的木材花纹装饰风格智能设计方法，其特征在于，步骤s5中，对所述分类数据集进行训练的算法至少包括生成对抗网络。7.根据权利要求6所述的木材花纹装饰风格智能设计方法，其特征在于，根据生成对抗网络的训练逻辑将数据集中木材花纹图像按类别分别输入训练集和测试集，并定义损失函数，开始训练模型。8.根据权利要求1所述的木材花纹装饰风格智能设计方法，其特征在于，步骤s6中，所述木材花纹装饰风格图像为融合至少2种不同的木材花纹特征的新图像。9.一种木材花纹装饰风格智能设计系统，其特征在于，包括：图像存储模块，用于存储收集到的木材花纹图像，并对收集到的木材花纹图像进行特征定义；图像分类模块，用于利用设定分类模型对预分类的木材花纹图像进行模型训练，并利用训练好的分类模型对所有的木材花纹图像识别分类；图像生成模块，用于利用设定生成模型对分类好的木材花纹图像进行模型训练，并利用训练好的生成模型对分类好的木材花纹图像进行图像生成。10.根据权利要求9所述的木材花纹装饰风格智能设计系统，其特征在于，还包括图像采集模块，用于根据设定算法采集互联网上的木材花纹图像。
技术总结本发明提供一种木材花纹装饰风格智能设计方法及系统，所述方法包括以下步骤：S1、采集木材花纹的图像，并建立木材花纹的样本图像数据库；S2、对样本图像数据库的图像数据进行特征定义，得到样本数据库的特征量；S3、利用设定算法对特征量进行训练，得到木材花纹的识别分类模型；S4、利用识别分类模型对所有木材花纹图像数据进行识别分类，得到木材花纹图像数据的分类数据集；S5、利用设定算法对分类数据集进行训练，得到木材花纹生成模型；S6、利用所述木材花纹生成模型生成木材花纹装饰风格图像；S7、利用生成的木材花纹装饰风格图像进行产品设计与生产。本方法可以更高效的生成木材花纹图像，且实现了花纹特征的有效融合。且实现了花纹特征的有效融合。且实现了花纹特征的有效融合。
技术研发人员：李超 詹先旭 王张宇 李小科 周赳 刘元强 李雪莲 彭国青 秦夏楠 涂志文 虞宇翔 吴群
受保护的技术使用者：浙江理工大学
技术研发日：2022.07.22
技术公布日：2022/11/1
