CN105678755A - 一种基于Adaboost算法的产品状态检测方法和系统 - Google Patents

Abstract

本发明公开了一种基于Adaboost算法的产品状态检测方法和系统。该方法包括：采集处于所需状态下的产品的界面图像，生成界面图像样本；将界面图像做灰度处理，得到灰度图像；对灰度图像做二值化处理，提取Haar特征；利用Adaboost算法对Haar特征进行训练，获得分类器模板；利用分类器模板对流水线上采集的产品的界面图像进行分类，判断产品的界面图像是否处于所需状态。本发明提供的技术方案将Adaboost算法、图像二值化和Haar特征结合起来对产品图像检测进行优化，将此优化算法引入产线，对产品进行检测，不仅能够实现自动化检测产品减少劳动力投入，而且能够满足产线流水线上的生产节拍。

Description

一种基于Adaboost算法的产品状态检测方法和系统

技术领域

本发明涉及自动化产线检测技术领域，尤其涉及一种基于Adaboost算法的产品状态检测方法和系统。

背景技术

智能穿戴设备越来越多走进人们的生活，很多智能穿戴设备都带有显示屏幕。智能设备的生产相当复杂，而且对智能化要求比较高，产线测试产品时会在智能设备系统中留下操作痕迹，因此要求在产线功能测试完之后要对智能设备系统进行恢复出厂设置来擦除掉检测痕迹，让用户拿到产品时不会看到别人操作过的痕迹，例如通过对开机画面进行检测，判断智能设备是否恢复出厂设置。目前产线对智能设备恢复出厂设置检测要么是采用人工用眼睛看的操作方式，要么是采用相机拍照简单的模板匹配方式进行检测。人工操作就会存在因操作员疲劳以及注意力不集中等原因产生的误操作，而目前采用的相机拍照模板匹配处理方式虽然能代替操作员进行自动化处理，但是由于模板匹配处理效率低、对环境要求比较高而实际的效率并不高，实用性也达不到产线的要求，会导致没有恢复出厂设置的产品流到用户手中，引起客户投诉而且会增大人力物力的投入增加成本。

发明内容

鉴于上述产品状态检测缺少满足产线要求的自动化手段的问题，本发明提供了一种基于Adaboost算法的产品状态检测方法和系统，以解决上述问题或者至少部分地解决上述问题。

依据本发明的一个方面，提供了一种基于Adaboost算法的产品状态检测方法，所述方法包括：

采集处于所需状态下的产品的界面图像，生成界面图像样本；

将所述界面图像样本做灰度处理，得到灰度图像；

对所述灰度图像做二值化处理，提取Haar特征；

利用Adaboost算法对所述Haar特征进行训练，获得分类器模板；

利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品的界面图像是否处于所需状态。

可选地，

所述二值化处理，为基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

可选地，利用积分图计算Haar特征。

可选地，所述利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：

D₁(i)＝1/m，

D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令

α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

可选地，所需状态下的产品为恢复出厂设置的智能手表。

依据本发明的另一个方面，提供了一种基于Adaboost算法的产品状态检测系统，所述系统包括：

界面图像采集单元，用于采集处于所需状态下的产品的界面图像，生成界面图像样本；

灰度处理单元，用于将所述界面图像样本做灰度处理，得到灰度图像；

特征提取单元，用于对所述灰度图像做二值化处理，提取Haar特征；

分类器训练单元，用于利用Adaboost算法对所述Haar特征进行训练，获得分类器模板；

检测单元，用于利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品的界面图像是否处于所需状态。

可选地，所述特征提取单元对灰度图像的二值化处理，为基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

可选地，所述特征提取单元利用积分图计算Haar特征。

可选地，所述分类器训练单元利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：

D₁(i)＝1/m，

D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令

α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

可选地，所需状态下的产品为恢复出厂设置的智能手表。

由上述可知，本发明提供的技术方案将Adaboost算法、图像二值化和Haar特征结合起来对产品图像检测进行优化，分类准确度高、效率高，有效避免环境光对检测率的影响，提高目标检测的响应速度，将此算法引入产线，对产品进行检测，不仅能够实现自动化检测产品减少劳动力投入，而且能够满足产线流水线上的生产节拍。

附图说明

图1示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测方法的流程图；

图2示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统的示意图；

图3示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统在线监测的工作流程图；

图4为Haar特征原理示意图；

图5为积分图原理示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测方法的流程图。如图1所示，该方法包括：

步骤S110，采集处于所需状态下的产品的界面图像，生成界面图像样本。

步骤S120，将界面图像样本做灰度处理，得到灰度图像。

步骤S130，对灰度图像做二值化处理，提取Haar特征。

步骤S140，利用Adaboost算法对Haar特征进行训练，获得分类器模板。

步骤S150，利用分类器模板对流水线上采集的产品的界面图像进行分类，判断产品的界面图像是否处于所需状态。

将Adaboost算法与图像二值化和Haar特征结合进行优化，Adaboost算法具有分类准确度高，分类效率高等特点，Haar特征具有对被检测物体所处的位置状态以及环境光的不敏感特性，能够有效地避免环境光对检测率的影响，而图像二值化处理能够将被检测物体图像进行二值化处理，能够大幅降低图像的信息量又不丢失关键信息，提高目标检测的响应时间。将此算法引入产线，对产品进行检测，不仅能够实现自动化检测产品减少劳动力投入，而且能够满足产线流水线上的生产节拍。

在本发明的一个实施例中，步骤S130中的二值化处理，采用基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

利用迭代法最佳二值化阈值算法，可以自适应计算出最佳的二值化阈值，提高二值化效果，更好地在降低数据量的同时保留有效信息。

在本发明的一个实施例中，利用积分图计算Haar特征。

Haar特征又称为矩形特征，矩形特征分为三种特征矩形：两矩形、三矩形、四矩形特征，如图4所示，两矩形特征反应的是边缘特性，三矩形特征反应的是线性特征，四矩形特征反应的是特定方向的特征。特征模板的特征值定义为：白色矩形像素和减去黑色矩形像素和。

Haar特征值反映了图像的灰度变化情况，矩形特征可位于图像任意位置，大小也可以任意改变，所以矩形特征值是矩形模版类别、矩形位置和矩形大小这三个因素的函数。

在获取了矩形特征后，为了快速计算矩形特征的特征值，使用积分图来计算特征值。积分图的定义为坐标A(x,y)的积分图是其左上角的所有像素之和。

在图5中，A(x,y)表示点(x,y)的积分图；S(x,y)表示点(x,y)的y方向的所有原始图像之和。

以公式表示，其中ii(x,y)表示积分图，i(x',y')表示原始图像(x',y')点的像素值，s(x,y)表示点(x,y)的y方向上的所有原始图像之和。

s(x,y)＝s(x,y-1)+i(x,y)

ii(x,y)＝ii(x-1,y)+s(x,y)

积分图构造好之后，图像中任何矩阵区域的像素累加和都可以通过简单运算得到，提高了计算矩形特征的特征值的速度。

Adaboost是一种基于级联分类模型的分类器，级联分类器就是将多个强分类器连接在一起进行操作，每一个强分类器都由若干个弱分类器加权组成。一个强分类器对负样本的判别准确度非常高，所以一旦发现检测到目标负样本，就不在继续调用下面的强分类器，减少了很多的检测时间。其次Adaboost是一种迭代算法，初始时，所有的训练样本的权重都设置为相等，在此样本分布下训练出一个弱分类器，在第(1,2,3…T次迭代)次迭代中，样本的权重由第T-1次迭代的结果而定，每次迭代的最后，都有一个调整权重的过程，被分类错误的样本将得到更高的权重。这样分错的样本就被突出出来，得到一个新的样本分布，在新的样本分布下，再次对弱分类器进行训练，得到新的弱分类器。经过T次弱分类器把这个T个弱分类器按照一定的权重加起来，就得到最终的强分类器

在本发明的一个实施例中，步骤S140中利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：

D₁(i)＝1/m，D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

利用计算出的分类器模板，可以准确地将采集的图像进行分类，判断产品是否处于产线要求的状态，该方法可以用到智能手表的产线中，判断智能手表是否恢复出厂设置。当然，其他类似的需要根据界面来判断状态的智能产品检测流程中，均可以使用，只是采集的样本不同，训练的分类器不同。

图3示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统在线监测的工作流程图。如图3所示，用高速工业相机采集产线流水线上的产品开机界面的图像，将产品开机界面图像通过优化后的Adaboost分类器进行分类，识别出产品的状态是否恢复出厂设置，将恢复了出厂设置的产品进入流水线下级，未恢复出厂设置的产品返回恢复出厂设置工站。由于优化后的Adaboost算法对图像的拍摄角度以及大小不敏感，而且响应时间快，因此生成的分类器分类能够达到理想的检测准确率和检测响应速度。

图2示出了根据本发明一个实施例的一种基于Adaboost算法的产品状态检测系统的示意图，如图2所示，该系统200包括：

界面图像采集单元210，用于采集处于所需状态下的产品的界面图像，生成界面图像样本。

灰度处理单元220，用于将所述界面图像样本做灰度处理，得到灰度图像。

特征提取单元230，用于对所述灰度图像做二值化处理，提取Haar特征。

分类器训练单元240，用于利用Adaboost算法对所述Haar特征进行训练，获得分类器模板。

检测单元250，用于利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品的界面图像是否处于所需状态。

在本发明的一个实施例中，特征提取单元230对灰度图像的二值化处理，为基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{max}}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{max}}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

在本发明的一个实施例中，特征提取单元230利用积分图计算Haar特征。

在本发明的一个实施例中，分类器训练单元240利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：D₁(i)＝1/m，D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

在本发明的一个实施例中，所需状态下的产品为恢复出厂设置的智能手表。

综上所述，本发明的技术方案将Adaboost算法与图像二值化和Haar特征结合进行优化，Adaboost算法具有分类准确度高，分类效率高等特点，Haar特征具有对被检测物体所处的位置状态以及环境光的不敏感特性，能够有效地避免环境光对检测率的影响，而图像二值化处理能够将被检测物体图像进行二值化处理，能够大幅降低图像的信息量又不丢失关键信息，提高目标检测的响应时间。将此算法引入产线，对产品进行检测，不仅能够实现自动化检测产品减少劳动力投入，而且能够满足产线流水线上的生产节拍。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于Adaboost算法的产品状态检测方法，其特征在于，所述方法包括：

采集处于所需状态下的产品的界面图像，生成界面图像样本；

将所述界面图像样本做灰度处理，得到灰度图像；

对所述灰度图像做二值化处理，提取Haar特征；

利用Adaboost算法对所述Haar特征进行训练，获得分类器模板；

利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品的界面图像是否处于所需状态。

2.如权利要求1所述的产品状态检测方法，其特征在于，

所述二值化处理，为基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

3.如权利要求1所述的产品状态检测方法，其特征在于，利用积分图计算Haar特征。

4.如权利要求1所述的产品状态检测方法，其特征在于，所述利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：

D₁(i)＝1/m，

D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令

α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

5.如权利要求1-4任一项所述的产品状态检测方法，其特征在于，所需状态下的产品为恢复出厂设置的智能手表。

6.一种基于Adaboost算法的产品状态检测系统，其特征在于，所述系统包括：

界面图像采集单元，用于采集处于所需状态下的产品的界面图像，生成界面图像样本；

灰度处理单元，用于将所述界面图像样本做灰度处理，得到灰度图像；

特征提取单元，用于对所述灰度图像做二值化处理，提取Haar特征；

分类器训练单元，用于利用Adaboost算法对所述Haar特征进行训练，获得分类器模板；

检测单元，用于利用所述分类器模板对流水线上采集的产品的界面图像进行分类，判断所述产品的界面图像是否处于所需状态。

7.如权利要求6所述的产品状态检测系统，其特征在于，

所述特征提取单元对灰度图像的二值化处理，为基于迭代法的二值化处理，包括：

a：求出灰度图像的最大灰度值和最小灰度值，分别记为f_max，f_min，令阈值初始值为：

$T^0=\frac{f_{max}+f_{\min }}{2}$

b：根据第k次计算阈值T^k将图像分割为前景和背景，分别求出前景和背景的平均灰度值，A_b,A_f：

$A_b=\underset{g=f_{min}}{\overset{T^k}{\Σ}}g\×h\left(g\right)\÷\underset{g=f_{min}}{\overset{T^k}{\Σ}}h\left(g\right)$

$A_f=\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}g\×h\left(g\right)\÷\underset{g=T^k+1}{\overset{f_{\max }}{\Σ}}h\left(g\right)$

其中g为灰度值，h(g)为灰度值为g的像素点数量，

c：令

$T^{k+1}=\frac{A_b+A_f}{2};$

如果T^k＝T^k+1则取T^k为所求得阈值T，否则转到步骤b继续迭代，直到获得阈值T。

8.如权利要求6所述的产品状态检测系统，其特征在于，所述特征提取单元利用积分图计算Haar特征。

9.如权利要求6所述的产品状态检测系统，其特征在于，所述分类器训练单元利用Adaboost算法对所述Haar特征进行训练，获得分类器模板包括：

令X表示样本空间，Y表示样本类别集合，Y＝{-1,1}，令

S＝{(x_i,y_i)|i＝1,2,...,m}为样本集，其中x_i∈X,y_i∈Y，

初始化m个样本的权值，假设样本分布D₁为均匀分布：

D₁(i)＝1/m，

D_t(i)表示在第t轮迭代中赋给样本(x_i,y_i)的权值，令T表示设置的迭代次数：

根据样本分布D_t，通过对样本集S进行抽样产生训练集S_t，在训练集S_t上训练分类器h_t，用分类器h_t对样本集S中的所有样本分类，得到本轮的分类器h_t:X→Y,并且有误差

${\mathrm{\ϵ}}_t=\underset{i=1}{\overset{m}{\Σ}}{D}_t\left(i\right)I\left(h_t\right(x_i)\≠y_i),$

其中，当h_t(x_i)≠y_i时，I＝1；当h_t(x_i)＝y_i时，I＝0；

令

α_t＝(1/2)ln[(1-ε_t)/ε_t]，

更新每个样本的权值

$D_{t+1}\left(i\right)=\frac{D_t\left(i\right)}{Z_t}\×\left\{\begin{array}{c}{e}^{-\mathrm{\α}},if,h_t\left(x_i\right)=y_i,\\ e^{\mathrm{\α}},if,h_t\left(x_i\right)\≠y_i,\end{array}\right.$

其中，Z_t是一个正规因子，用来确保D_t+1(i)的和为1，

最终的分类器模板为：

$H\left(x\right)=sign\left({\mathrm{\Σ}}_{t=1}^T{\mathrm{\α}}_t{h}_t\right(x\left)\right).$

10.如权利要求6-9任一项所述的产品状态检测系统，其特征在于，所需状态下的产品为恢复出厂设置的智能手表。