CN105069779B - 一种建筑陶瓷表面花纹图案质量检测方法 - Google Patents
一种建筑陶瓷表面花纹图案质量检测方法 Download PDFInfo
- Publication number
- CN105069779B CN105069779B CN201510422916.0A CN201510422916A CN105069779B CN 105069779 B CN105069779 B CN 105069779B CN 201510422916 A CN201510422916 A CN 201510422916A CN 105069779 B CN105069779 B CN 105069779B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- architectural pottery
- surface detail
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于一种建筑陶瓷表面花纹图案质量检测方法，方法是通过视觉显著性模型与卷积神经网络模型相结合，自动检测建筑陶瓷表面花案显著性区域，采用Grabcut自动分割表面花纹图案，利用卷积神经网络模型对表面花纹图案的质量进行检测，达到了很高的检测准确率。本发明能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。
Description
技术领域
本发明属于一种建筑陶瓷表面花纹图案质量检测方法，特别适合于彩色建筑陶瓷的检测。
背景技术
我国建筑陶瓷表面质量检测还处于初级阶段，对于建筑陶瓷产品表面的质量检测主要通过人工测量的方式。由于生产线上的建筑陶瓷产品运行速度很快，某些检测只能依靠抽检的方式进行，造成漏检、误检的概率很高。因此，建筑陶瓷表面质量的智能检测在建筑陶瓷产品的品质控制方面至关重要。
目前大多数表面缺陷算法集中于低层特征的提取，都是人工设计的特征提取方法，不能适应环境的变化。深度神经网络，近几年来语音识别和图像领域取得了很大的成功，深度神经网络可以利用监督或无监督的方法直接从图像数据或低层特征中自动提取高层图像特征，填补了高层特征和低层特征的鸿沟，大大提高算法的检测性能。
视觉显著性机制是人眼视觉系统的重要组成部分，指人在面对复杂场景时，会将注意力快速集中在少数感兴趣的区域，然后利用有限的处理能力对该区域进行优先处理。若将视觉显著性机制应用到物体检测中，能够快速地提取与目标相关的显著区域，对图像中的显著区域和非显著区域进行不同的处理，可以减少背景对物体检测的干扰，将有限的计算资源用于处理感兴趣区域，提高物体检测的效率和准确率。视觉显著性检测能够预测出人们对建筑陶瓷表面花纹图案，实现自动分割。
综上所述，深度神经网络和显著性检测各有优势，因此，在本发明中，提出基于深度神经网络的显著性检测方法，自动检测建筑陶瓷表面花纹图案质量，将减轻工人劳动强度，提高检测准确率，促进建筑陶瓷表面质量检测产品的更新换代，促进创新装备的国产化和研制开发。
目前，国内外还没有基于深度神经网络的显著性目标检测的自动检测建筑陶瓷表面花纹图案质量的方法的公开文献。
发明内容
本发明的发明目的是提供一种建筑陶瓷表面花纹图案质量检测方法，能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。
为达到上述发明目的，本发明采用的技术方案包括如下步骤：
(1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，
基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图，
基于卷积神经模型的建筑陶瓷表面花纹图案的精细显著性图，
基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案，
针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；
(2)训练卷积神经网络模型；
将步骤(1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；
(3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：
采集包含待检测建筑陶瓷的图像；
利用步骤(1)所述方法，提取建筑陶瓷表面花纹图案及特征；
利用步骤(2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷。
所述的在步骤(1)中的粗略显著性图的过程为：
显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：
其中i表示图像中第i个超像素，N代表图像中超像素个数，Si表示超像素i的显著性值，Ti表示确定的超像素(前景或背景)，Zi表示确定的显著性超像素，ctri表示任何一个超像素和边界超像素的相关性，Scoar(i)表示在粗糙显著性图中超像素i的显著性值；
对上述能量方程求导，并令其为0，求得最优解为：
S*＝(C+V+X+T+D-W)-1(V+Xy+TZ)
其中C＝diag{1-ctr1，1-ctr2，...，1-ctrN}表示背景先验知识矩阵，
V＝diag{Scoar(1)，Scoar(2)，...，Scoar(N)}表示粗糙显著性图先验矩阵，X＝diag{λ1，λ2，...，λN}是表示λi值的对角矩阵，T＝diag{T1，T2，...，TN}表示确定的前景和背景像素；W＝[wij]N×N表示颜色相关矩阵，D＝diag{d11，d22，...，dNN}是一个对角矩阵，dii＝∑jwij是颜色相关矩阵的列向量之和；y＝[Scoar(1)，Scoar(2)，...，Scoar(N)]T是粗糙显著性图中超像素的显著性值向量；Z＝[Z1，Z2，...，ZN]T表示确定的前景像素向量。
所述的在步骤(1)中的精细显著性图的过程为：
采集标准建筑陶瓷表面花纹图案的标记样本和生产线采集的建筑陶瓷产品图像，利用步骤(1)获得生产线上采集的建筑陶瓷产品表面花纹图案样本；离线训练卷积神经网络模型，实现建筑陶瓷表面花纹图案精细显著性图；网络模型都由卷积层、最大池化层和全连接层组成。
所述的在步骤(1)中的Grabcut自动分割待检测的建筑陶瓷表面花纹图案过程为：
采用卷积神经网络视觉注意模型获得显著图(Saliency Map)，构建图模型时的上下文；灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束；通过设定阈值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成Grabcut的硬约束，其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间的边权值(区域惩罚)；然后利用视频帧的边界特性，设置图模型的节点之间的边权值(边界惩罚)，从而构建出一个完整的图模型；将最大概率的标记问题转化为能量函数最小化问题，用图论的方法来求解，最终实现自动分割的相关算法。
所述的在步骤(2)中的训练卷积神经网络模型过程为：
这里采用双级卷积神经网络模型，第一级卷积神经网络模型，获取被检测建筑陶瓷表面花纹图案的精细显著性图，第二级卷积神经网络模型，分类被检测建筑陶瓷表面花纹图案表面缺陷。模型的训练采用贝叶斯优化，估计隐变量，学习网络的超参数。
所述的在步骤(3)中在线检测建筑陶瓷产品表面花纹图案质量过程为：
(a)对生产线上的建筑陶瓷产品，利用步骤(1)所述方法，自动分割待检测建筑陶瓷表面花纹图案；
(b)对分割的建筑陶瓷表面花纹图案，利用步骤(1)所述方法，提取其颜色、纹理和形状特征和形状特征；
基于步骤(2)所得到的卷积神经网络模型，对产品进行分类，多次计算其平均值，发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于98％，被认为是合格产品。
本发明与现有技术相比具有下列优点：
本发明能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。本发明通过视觉显著性模型与卷积神经网络模型相结合，自动检测建筑陶瓷表面花案显著性区域，采用Grabcut自动分割表面花纹图案，利用卷积神经网络模型对表面花纹图案的质量进行检测，达到了很高的检测准确率。据测试本发明的检测准确率为99.99％。
附图说明
图1是本发明的系统流程图。
图2是建筑陶瓷产品图像。
图3是建筑陶瓷产品图像显著性图。
图4是分割建筑陶瓷表面花纹图案。
具体实施方式
如图1至图4所示，本发明采用的技术方案包括如下步骤：
(1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，
基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图，
基于卷积神经模型的建筑陶瓷表面花纹图案的精细显著性图，
基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案，
针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；
(2)训练卷积神经网络模型；
将步骤(1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；
(3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：
采集包含待检测建筑陶瓷的图像；
利用步骤(1)所述方法，提取建筑陶瓷表面花纹图案及特征；
利用步骤(2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷。
所述的在步骤(1)中的粗略显著性图的过程为：
显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：
其中i表示图像中第i个超像素，N代表图像中超像素个数，Si表示超像素i的显著性值，Ti表示确定的超像素(前景或背景)，Zi表示确定的显著性超像素，ctr1表示任何一个超像素和边界超像素的相关性，Scoar(i)表示在粗糙显著性图中超像素i的显著性值；
对上述能量方程求导，并令其为0，求得最优解为：
S*＝(C+V+X+T+D-W)-1(V+Xy+TZ)
其中C＝diag{1-ctr1，1-ctr2，...，1-ctrN}表示背景先验知识矩阵，
V＝diag{Scoar(1)，Scoar(2)，...，Scoar(N)}表示粗糙显著性图先验矩阵，X＝diag{λ1，λ2，...，λN}是表示λ1值的对角矩阵，T＝diag{T1，T2，...，TN}表示确定的前景和背景像素；W＝[wij]N×N表示颜色相关矩阵，D＝diag{d11，d22，...，dNN}是一个对角矩阵，dii＝∑jwij是颜色相关矩阵的列向量之和；y＝[Scoar(1)，Scoar(2)，...，Scoar(N)]T是粗糙显著性图中超像素的显著性值向量；Z＝[Z1，Z2，...，ZN]T表示确定的前景像素向量。
所述的在步骤(1)中的精细显著性图的过程为：
采集标准建筑陶瓷表面花纹图案的标记样本和生产线采集的建筑陶瓷产品图像，利用步骤(1)获得生产线上采集的建筑陶瓷产品表面花纹图案样本；离线训练卷积神经网络模型，实现建筑陶瓷表面花纹图案精细显著性图；网络模型都由卷积层、最大池化层和全连接层组成。
所述的在步骤(1)中的Grabcut自动分割待检测的建筑陶瓷表面花纹图案过程为：
采用卷积神经网络视觉注意模型获得显著图(Saliency Map)，构建图模型时的上下文；灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束；通过设定阈值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成Grabcut的硬约束，其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间的边权值(区域惩罚)；然后利用视频帧的边界特性，设置图模型的节点之间的边权值(边界惩罚)，从而构建出一个完整的图模型；将最大概率的标记问题转化为能量函数最小化问题，用图论的方法来求解，最终实现自动分割的相关算法。
所述的在步骤(2)中的训练卷积神经网络模型过程为：
这里采用双级卷积神经网络模型，第一级卷积神经网络模型，获取被检测建筑陶瓷表面花纹图案的精细显著性图，第二级卷积神经网络模型，分类被检测建筑陶瓷表面花纹图案表面缺陷。模型的训练采用贝叶斯优化，估计隐变量，学习网络的超参数。
所述的在步骤(3)中在线检测建筑陶瓷产品表面花纹图案质量过程为：
(a)对生产线上的建筑陶瓷产品，利用步骤(1)所述方法，自动分割待检测建筑陶瓷表面花纹图案；
(b)对分割的建筑陶瓷表面花纹图案，利用步骤(1)所述方法，提取其颜色和纹理特征；
基于步骤(2)所得到的卷积神经网络模型，对产品进行分类，多次计算其平均值，发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于98％，被认为是合格产品。
下面结合附图及实施例对本发明作进一步描述：
实施例一：参见图1所示，一种建筑陶瓷表面花纹图案质量检测方法，包括如下步骤：
(一)提取检测样本的显著性特征：
(1)对待检测建筑陶瓷产品的500幅图像样本，如图2，计算其视觉显著性图，如图3。显著性模型采取了一个由粗到细的两级策略。在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图。第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：
其中i表示图像中第i个超像素，N代表图像中超像素个数，Si表示超像素i的显著性值，Ti表示确定的超像素(前景或背景)，Zi表示确定的显著性超像素，ctri表示任何一个超像素和边界超像素的相关性，Scoar(i)表示在粗糙显著性图中超像素i的显著性值。
对上述能量方程求导，并令其为0，求得最优解为：
S*＝(C+V+X+T+D-W)-1(V+Xy+TZ)
其中C＝diag{1-ctr1，1-ctr2，...，1-ctrN}表示背景先验知识矩阵，
V＝diag{Scoar(1)，Scoar(2)，...，Scoar(N)}表示粗糙显著性图先验矩阵，X＝diag{λ1，λ2，...，λN}是表示λi值的对角矩阵，T＝diag{T1，T2，...，TN}表示确定的前景和背景像素。W＝[wij]N×N表示颜色相关矩阵，D＝diag{d11，d22，...，dNN}是一个对角矩阵，dii＝∑jwij是颜色相关矩阵的列向量之和。y＝[Scoar(1)，Scoar(2)，...，Scoar(N)]T是粗糙显著性图中超像素的显著性值向量，Z＝[Z1，Z2，...，ZN]T表示确定的前景像素向量。
(2)Grabcut自动分割待检测的建筑陶瓷表面花纹图案，如图4：采用卷积神经网络视觉注意模型获得显著图(Saliency Map)，构建图模型时的上下文。灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束。通过设定阈值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成Grabcut的硬约束，其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间的边权值(区域惩罚)。然后利用视频帧的边界特性，设置图模型的节点之间的边权值(边界惩罚)，从而构建出一个完整的图模型。将最大概率的标记问题转化为能量函数最小化问题，用图论的方法来求解，最终实现自动分割的相关算法。
(二)样本训练：
将步骤(一)方法分割出的建筑陶瓷产品图像表面花纹图案，提取其颜色和纹理特征，训练双通道深度卷积神经网络模型，第一通道卷积神经网络模型，获取被检测建筑陶瓷表面花纹图案的精细显著性图，第二通道卷积神经网络模型，分类被检测建筑陶瓷表面花纹图案表面缺陷，网络模型都由五层组成，四个卷积层，一个全连接层。模型的训练采用贝叶斯优化，估计隐变量，学习网络的超参数。
(三)缺陷检测：
在线检测时，对生产线上的建筑陶瓷产品，采用步骤(一)方法计算其显著性图，自动分割待检测建筑陶瓷表面花纹图案；提取其颜色和纹理特征；利用已经训练好的卷积神经网络模型，对产品进行分类，多次计算其平均值，发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于0.98，被认为是合格产品。
本发明中，利用采集的建筑陶瓷产品图像，训练多层卷积神经网络，得到最优分类器，对在线建筑陶瓷产品进行分类，在产品生产线，检测高度为1米，检测速度为10块/分钟，检测准确为99.99％。
总之，本发明能够对建筑陶瓷和彩色建筑陶瓷表面花纹图案质进行有效检测，有节省劳力，降低劳动强度，工作效率高和检测精度高的优点。
Claims (1)
1.一种建筑陶瓷表面花纹图案质量检测方法，其特征在于，包括如下步骤：
(1)提取基于卷积神经网络视觉显著性模型的建筑陶瓷表面花纹图案特征，包括，
基于视觉显著性模型的建筑陶瓷表面花纹图案的粗略显著性图；
所述的粗略显著性图的过程为：显著性模型采取了一个由粗到细的两级策略，在第一级中，提出融合对比度先验知识显著性图、中心先验显著性图和边界先验显著性图来得到粗糙显著性图；第二级中，融合基于边界先验知识的背景能量项、基于粗糙显著性图的数据能量项以及基于光滑先验的光滑能量项，提出了新的能量方程：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>S</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mi>S</mi>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>ctr</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msubsup>
<mi>S</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中i表示图像中第i个超像素，N代表图像中超像素个数，Si表示超像素i的显著性值，Ti表示确定的超像素，Zi表示确定的显著性超像素，ctri表示任何一个超像素和边界超像素的相关性，Scoar(i)表示在粗糙显著性图中超像素i的显著性值；
对上述能量方程求导，并令其为0，求得最优解为：
S*＝(C+V+X+T+D-W)-1(V+Xy+TZ)
其中C＝diag{1-ctr1，1-ctr2，...，1-ctrN}表示背景先验知识矩阵，V＝diag{Scoar(1)，Scoar(2)，...，Scoar(N)}表示粗糙显著性图先验矩阵，X＝diag{λ1，λ2，...，λN}是表示λi值的对角矩阵，T＝diag{T1，T2，...，TN}表示确定的前景和背景像素；W＝[wij]N×N表示颜色相关矩阵，D＝diag{d11，d22，...，dNN}是一个对角矩阵，dii＝∑jwij是颜色相关矩阵的列向量之和；y＝[Scoar(1)，Scoar(2)，...，Scoar(N)]T是粗糙显著性图中超像素的显著性值向量；Z＝[Z1，Z2，...，ZN]T表示确定的前景像素向量；
基于Grabcut方法自动分割待检测的建筑陶瓷表面花纹图案；
所述的Grabcut自动分割待检测的建筑陶瓷表面花纹图案过程为：
采用卷积神经网络视觉注意模型获得显著图(Saliency Map)，构建图模型时的上下文；灰度最高的区域对应目标硬约束，灰度最低的区域对应于背景硬约束；通过设定阈值范围，由总显著图自动确定视频帧中目标和背景的区域分布，形成Grabcut的硬约束，其它像素可转换为视频帧对应点归属前景或背景的概率，用来设置图模型的终端与节点间的边权值；然后利用视频帧的边界特性，设置图模型的节点之间的边权值，从而构建出一个完整的图模型；将最大概率的标记问题转化为能量函数最小化问题，用图论的方法来求解，最终实现自动分割的相关算法；
针对分割的建筑陶瓷表面花纹图案，提取颜色和纹理特征；
(2)训练卷积神经网络模型；
将步骤(1)提取的建筑陶瓷表面花纹图案特征和标准的建筑陶瓷表面花纹图案标记样本特征，训练卷积神经网络模型，检测建筑陶瓷表面缺陷；
(3)在线检测建筑陶瓷产品表面花纹图案的质量，包括：
采集包含待检测建筑陶瓷的图像；
利用步骤(1)所述方法，提取建筑陶瓷表面花纹图案及特征；
利用步骤(2)训练的卷积神经网络模型，检测建筑陶瓷表面缺陷；
所述的在线检测建筑陶瓷产品表面花纹图案质量过程为：
(a)对生产线上的建筑陶瓷产品，利用步骤(1)所述方法，自动分割待检测建筑陶瓷表面花纹图案；
(b)对分割的建筑陶瓷表面花纹图案，利用步骤(1)所述方法，提取其颜色和纹理特征；
基于步骤(2)所得到的卷积神经网络模型，对产品进行分类，多次计算其平均值，发现待检测表面花纹图案与标准表面花纹图案匹配相似度大于98％，被认为是合格产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510422916.0A CN105069779B (zh) | 2015-07-20 | 2015-07-20 | 一种建筑陶瓷表面花纹图案质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510422916.0A CN105069779B (zh) | 2015-07-20 | 2015-07-20 | 一种建筑陶瓷表面花纹图案质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105069779A CN105069779A (zh) | 2015-11-18 |
| CN105069779B true CN105069779B (zh) | 2017-12-26 |
Family
ID=54499137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510422916.0A Active CN105069779B (zh) | 2015-07-20 | 2015-07-20 | 一种建筑陶瓷表面花纹图案质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105069779B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701508B (zh) * | 2016-01-12 | 2017-12-15 | 西安交通大学 | 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法 |
| CN105809704B (zh) * | 2016-03-30 | 2019-03-15 | 北京小米移动软件有限公司 | 识别图像清晰度的方法及装置 |
| CN105931217A (zh) * | 2016-04-05 | 2016-09-07 | 李红伟 | 一种基于图像处理技术的机场道面fod异物检测方法 |
| CN106228556B (zh) * | 2016-07-22 | 2019-12-06 | 北京小米移动软件有限公司 | 图像质量分析方法和装置 |
| KR101804840B1 (ko) | 2016-09-29 | 2017-12-05 | 연세대학교 산학협력단 | 컨벌루션 신경망 기반의 표면 영상 처리 방법 및 장치 |
| CN107392925B (zh) * | 2017-08-01 | 2020-07-07 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
| CN107563994B (zh) * | 2017-08-08 | 2021-03-09 | 北京小米移动软件有限公司 | 图像的显著性检测方法及装置 |
| CN108038843A (zh) * | 2017-11-29 | 2018-05-15 | 英特尔产品（成都）有限公司 | 一种用于缺陷检测的方法、装置和设备 |
| CN108198226B (zh) * | 2018-01-10 | 2022-04-26 | 广东辰宜信息科技有限公司 | 一种陶瓷颜色识别方法、电子设备、存储介质及装置 |
| CN109003689B (zh) * | 2018-05-28 | 2019-11-05 | 西南交通大学 | 一种基于卷积神经网络的核堆内构件表面监测方法 |
| CN108898179B (zh) * | 2018-06-28 | 2023-03-14 | 广东科达洁能股份有限公司 | 一种瓷砖按等级包装方法及系统 |
| CN109902202B (zh) * | 2019-01-08 | 2021-06-22 | 国家计算机网络与信息安全管理中心 | 一种视频分类方法及装置 |
| CN109978840A (zh) * | 2019-03-11 | 2019-07-05 | 太原理工大学 | 一种基于卷积神经网络的含纹理图像质量的判别方法 |
| CN110827243B (zh) * | 2019-10-25 | 2022-07-05 | 深圳中科保泰空天技术有限公司 | 网格梁覆盖区域异常检测方法和装置 |
| CN111814550B (zh) * | 2020-06-05 | 2023-11-21 | 陕西科技大学 | 一种基于卷积神经网络和图像处理的陶瓷纹饰提取方法 |
| CN112750100A (zh) * | 2020-10-23 | 2021-05-04 | 泰州无印广告传媒有限公司 | 利用云端处理的产品检验系统及方法 |
| CN113052790A (zh) * | 2020-11-12 | 2021-06-29 | 泰州市出彩网络科技有限公司 | 应用大数据存储的现场剔除平台及方法 |
| CN114943736B (zh) * | 2022-07-21 | 2022-10-25 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592268A (zh) * | 2012-01-06 | 2012-07-18 | 清华大学深圳研究生院 | 一种分割前景图像的方法 |
| CN102750535A (zh) * | 2012-04-01 | 2012-10-24 | 北京京东世纪贸易有限公司 | 自动提取图像前景的方法和系统 |
| CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
| CN103927534A (zh) * | 2014-04-26 | 2014-07-16 | 无锡信捷电气股份有限公司 | 一种基于卷积神经网络的喷码字符在线视觉检测方法 |
| CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
| CN104103033A (zh) * | 2014-08-05 | 2014-10-15 | 四川九成信息技术有限公司 | 图像实时处理方法 |
| CN104572965A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 基于卷积神经网络的以图搜图系统 |
-
2015
- 2015-07-20 CN CN201510422916.0A patent/CN105069779B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592268A (zh) * | 2012-01-06 | 2012-07-18 | 清华大学深圳研究生院 | 一种分割前景图像的方法 |
| CN102750535A (zh) * | 2012-04-01 | 2012-10-24 | 北京京东世纪贸易有限公司 | 自动提取图像前景的方法和系统 |
| CN103544705A (zh) * | 2013-10-25 | 2014-01-29 | 华南理工大学 | 一种基于深度卷积神经网络的图像质量测试方法 |
| CN103927534A (zh) * | 2014-04-26 | 2014-07-16 | 无锡信捷电气股份有限公司 | 一种基于卷积神经网络的喷码字符在线视觉检测方法 |
| CN104077577A (zh) * | 2014-07-03 | 2014-10-01 | 浙江大学 | 一种基于卷积神经网络的商标检测方法 |
| CN104103033A (zh) * | 2014-08-05 | 2014-10-15 | 四川九成信息技术有限公司 | 图像实时处理方法 |
| CN104572965A (zh) * | 2014-12-31 | 2015-04-29 | 南京理工大学 | 基于卷积神经网络的以图搜图系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105069779A (zh) | 2015-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105069779B (zh) | 一种建筑陶瓷表面花纹图案质量检测方法 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| CN106447658B (zh) | 基于全局和局部卷积网络的显著性目标检测方法 | |
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
| CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
| CN104978580B (zh) | 一种用于无人机巡检输电线路的绝缘子识别方法 | |
| CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
| CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
| CN107423760A (zh) | 基于预分割和回归的深度学习目标检测方法 | |
| CN108346159A (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
| CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
| CN108460764A (zh) | 基于自动上下文和数据增强的超声图像智能分割方法 | |
| CN110008854B (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
| CN106845408A (zh) | 一种复杂环境下的街道垃圾识别方法 | |
| CN106650690A (zh) | 基于深度卷积‑反卷积神经网络的夜视图像场景识别方法 | |
| CN108010034A (zh) | 商品图像分割方法及装置 | |
| CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
| CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
| CN102184404B (zh) | 掌纹图像中手掌区域的获取方法及装置 | |
| CN107545571A (zh) | 一种图像检测方法及装置 | |
| CN105138975B (zh) | 一种基于深度信念网络的人体肤色区域分割方法 | |
| CN111161244B (zh) | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 | |
| CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
| CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |