CN108805872B - 产品的检测方法和装置 - Google Patents
产品的检测方法和装置 Download PDFInfo
- Publication number
- CN108805872B CN108805872B CN201810814370.7A CN201810814370A CN108805872B CN 108805872 B CN108805872 B CN 108805872B CN 201810814370 A CN201810814370 A CN 201810814370A CN 108805872 B CN108805872 B CN 108805872B
- Authority
- CN
- China
- Prior art keywords
- product
- detected
- distribution model
- spatial distribution
- pixel
- 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
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Abstract
本申请公开了一种产品的检测方法和装置。该方法包括:采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。通过本申请,解决了相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题。
Description
技术领域
本申请涉及产品质量检测技术领域,具体而言,涉及一种产品的检测方法和装置。
背景技术
在产品的质量检测过程中,需啊哟对产品的待检测部件进行检测,从而判断产品是否合格,具体地,可以通过检测产品的尺寸、颜色与合格产品的部件的尺寸、颜色是否有差异来判断产品是否合格。例如,通过检测蒸发器管接头来检测空调的质量时,由于空调蒸发器管接头种类繁多,一些管接头颜色一样但外观尺寸有微小差异,一些管接头外观尺寸相同但是颜色有微小差异,因此在实际生产中容易出现混料情况使得空调出售之后无法完成空调内机与空调外机的连接配合,被客户投诉。为了解决空调蒸发器管接头混料问题,对空调蒸发器管接头进行特征轮廓特征以及颜色特征的分析,才能有效区分各种类型的空调蒸发器管接头。由于每种颜色都可以分解成RGB三原色的不同组合,传统的颜色区分方法也是基于RGB三原色的不同比重判定的单聚类算法,但是该方法无法有效区分相近颜色,无法有效区分外观尺寸一样但颜色有微小差异的蒸发器管接头,因此无法准确判断空调是否出现质量问题。
针对相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种产品的检测方法和装置,以解决相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题。
根据本申请的一个方面,提供了一种产品的检测方法。该方法包括:采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
进一步地,根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格包括:确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;根据重合情况,检测产品是否合格。
进一步地,根据重合情况,检测产品是否合格包括:计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;在最高数量大于预设值的情况下,确定待检测产品合格;在最高数量小于预设值的情况下,确定待检测产品不合格。
进一步地,获取待检测产品的颜色特征数据包括:在待检测产品的图像中识别待检测产品的待检测部位;在待检测产品的图像中的待检测部位选取目标颜色区域;基于目标颜色区域获取待检测产品的颜色特征数据。
进一步地,在将待检测产品的颜色特征数据输入多维度空间分布模型之前,该方法还包括:获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;获取多个样本图像的颜色特征数据;基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型。
进一步地,基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型包括:确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
进一步地,确定多维度空间分布模型的维度信息包括:将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为多维度空间分布模型的维度信息。
根据本申请的另一方面,提供了一种产品的检测装置。该装置包括:采集单元,用于采集待检测产品的图像;第一获取单元,用于获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;输入单元,用于将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;检测单元,用于根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
为了实现上述目的,根据本申请的另一方面,提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述任意一种产品的检测方法。
为了实现上述目的,根据本申请的另一方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一种产品的检测方法。
通过本申请,采用以下步骤:采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格,解决了相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题。通过利用样本图像的颜色特征数据训练多维度空间分布模型,并获取待检测产品的图像的像素在多维度空间分布模型中的分布,进而达到了辨别待检测产品与样本图像的颜色的区别、准确判断待检测产品是否合格的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的产品的检测方法的流程图;
图2是根据本申请实施例提供的产品的检测方法中的聚合类的划分示意图;以及
图3是根据本申请实施例提供的产品的检测装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或产品不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或产品固有的其它步骤或单元。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
多层神经网络:是一种前向结构的人工网络,映射一组输入向量到一组输出向量,可以用来拟合复杂的函数,或解决分类问题。
根据本申请的实施例,提供了一种产品的检测方法。
图1是根据本申请实施例的产品的检测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,采集待检测产品的图像。
例如,待检测产品可以为空调,对待检测的空调进行拍照,得到包含空调信息的图像。
步骤S102,获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息。
需要说明的是,包含空调信息的图像中包含空调的多个部件的尺寸信息和颜色信息,例如,空调外壳的颜色信息,空调蒸发器管接头的尺寸信息和颜色信息,提取需要进行检测的部位的颜色特征数据,具体地,对需要进行检测的区域进行像素的像素值的识别和提取。
为了使得产品质量的检测结果更准确,需要准确获取待检测产品的颜色特征数据,可选地,在本申请实施例提供的产品的检测方法中,获取待检测产品的颜色特征数据包括:在待检测产品的图像中识别待检测产品的待检测部位;在待检测产品的图像中的待检测部位选取目标颜色区域;基于目标颜色区域获取待检测产品的颜色特征数据。
例如,需要检测空调的蒸发器管接头是否发生混料,在图片中先识别出蒸发器管接头的轮廓,获取蒸发器管接头所在的区域内像素的像素值,由于光线的干涉,图片中蒸发器管接头与背景相接的部位的颜色无法反应蒸发器管接头的真实颜色,例如,蒸发器管接头为红色,蒸发器管接头的板面背景为白色,在蒸发器管接头边缘提取到的颜色趋近黄色,为了准确获得蒸发器管接头的颜色特征数据,可以在远离边缘的区域选取目标颜色区域,再获取目标颜色区域内像素的像素值,得到蒸发器管接头的颜色特征数据,避免了背景干扰影响空调质量的判断。
步骤S103,将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到。
例如,将预先获得的多个样本图像中的训练得到多维度空间分布模型,即对多个样本图像中的像素进行分裂和收敛,得到多个聚类结果,再将待检测产品的颜色特征数据输入多维度空间分布模型,得到待测产品的图像的像素在模型中的分布情况。
为了增加模型的可靠性,避免将合格的产品误检为不合格的产品,可选地,在本申请实施例提供的产品的检测方法中,在将待检测产品的颜色特征数据输入多维度空间分布模型之前,该方法还包括:获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;获取多个样本图像的颜色特征数据;基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型。
例如,为了检测A型号的空调的蒸发器管接头是否产生混料,利用A型号的空调的标准蒸发器管接头的颜色特征数据进行训练及建模,具体地,为了减小误差,可以从不同的合格的A型号的空调上采集多张包含蒸发器管接头的图像,并在每张图像的蒸发器管接头所在区域选取目标颜色区域,进行颜色特征提取,避免采集到的颜色特征数据不够准确,影响训练结果,进而影响产品检测。
步骤S104,根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
可选地,在本申请实施例提供的产品的检测方法中,根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格包括:确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;根据重合情况,检测产品是否合格。
例如,基于多张红色蒸发器管接头的图片训练得到多维度空间分布模型,多维度空间分布模型中包含橘红色像素聚合类、玫红色像素聚合类、洋红色像素聚合类,在多维度空间分布模型中输入待检测空调的蒸发管接头的颜色特征数据,判断蒸发管接头的像素与橘红色像素聚合类、玫红色像素聚合类、洋红色像素聚合类中的哪那个聚合类的重合度较高,将蒸发管接头的像素归为该聚合类,从而得出蒸发管接头颜色符合标准,该待检测空调质量合格。
可选地,在本申请实施例提供的产品的检测方法中,根据重合情况,检测产品是否合格包括:计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;在最高数量大于预设值的情况下,确定待检测产品合格;在最高数量小于预设值的情况下,确定待检测产品不合格。
例如,对待检测空调的蒸发管接头所在区域选取目标颜色区域,并得到100个像素,将该蒸发管接头的颜色特征数据输入多维度空间分布模型,其中,80个像素落入橘红色像素聚合类,10个像素落入玫红色像素聚合类,10个像素未落入聚合类中,预设值为50,落入橘红色像素聚合类的数量超过50,表明该蒸发管接头的颜色最接近橘红色,该空调蒸发管接头未发生混料,该空调质量合格。再例如,对待检测空调的蒸发管接头所在区域选取目标颜色区域,并得到100个像素,将该蒸发管接头的颜色特征数据输入多维度空间分布模型,其中,10个像素落入橘红色像素聚合类,20个像素落入玫红色像素聚合类,70个像素未落入聚合类中,预设值为50,落入玫红色像素聚合类的数量未超过50,表明该蒸发管接头的颜色与标准管接头的颜色不符,该空调蒸发管接头发生混料,该空调质量不合格。
可选地,在本申请实施例提供的产品的检测方法中,基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型包括:确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
需要说明的是,利用多层神经网络建立多维度空间分布模型时,需要确定维度信息,建立多维度空间,从而将多个样本图像的像素分布在多维度空间中,同时,对数据进行多中心分裂和各分裂中心点的聚合收敛,具体地,设置各分裂中心点与模型整体中心点之间的间距,针对各分裂中心点设置递归阈值,使得多个样本图像的像素能够合理聚合得到多个聚合类,能够将一个大的聚合类细分为多个小的聚合类,例如,将红色像素的聚合类细分为橘红色、洋红色、玫红色像素的聚合类。
可选地,在本申请实施例提供的产品的检测方法中,确定多维度空间分布模型的维度信息包括:将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为多维度空间分布模型的维度信息。
需要说明的是,维度信息越多,训练能够得到更细致的聚合类的划分,例如,颜色聚类A和颜色聚类B分别代表红色和绿色两种截然不同的颜色,若基于传统的RGB三维度颜色识别,只能得到颜色聚类A和颜色聚类B,辨别出红色和绿色两种颜色,但是对于颜色聚类A和颜色聚类B内部的各个小聚类A1、A2、A3、B1、B2、B3等相似颜色则难以进一步细分和识别。本实施例还将像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为维度信息,从更多的维度训练样本图像的颜色特征数据,实现更细的数据分类,如图2所示,基于多层神经网络的特征识别算法可以对颜色聚类A训练出颜色聚类A1(橘红色)、A2(洋红色)、A3(粉红色)、A4(紫红色)、A5(综红色),对颜色聚类B训练出颜色聚类B1(草绿色)、B2(墨绿色)、B3(橄榄绿)、B4(荧光绿),实现分辨率更高的颜色区分,从而有效辨别相似颜色的空调蒸发器管接头。
本申请实施例提供的产品的检测方法,通过采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格,解决了相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题。通过利用样本图像的颜色特征数据训练多维度空间分布模型,并获取待检测产品的图像的像素在多维度空间分布模型中的分布,进而达到了辨别待检测产品与样本图像的颜色的区别、准确判断待检测产品是否合格的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种产品的检测装置,需要说明的是,本申请实施例的产品的检测装置可以用于执行本申请实施例所提供的用于产品的检测方法。以下对本申请实施例提供的产品的检测装置进行介绍。
图3是根据本申请实施例的产品的检测装置的示意图。如图3所示,该装置包括:采集单元10、第一获取单元20、输入单元30和检测单元40。
具体地,采集单元10,用于采集待检测产品的图像;
第一获取单元20,用于获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;
输入单元30,用于将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;
检测单元40,用于根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
可选地,在本申请实施例提供的产品的检测装置中,检测单元40包括:第一确定模块,用于确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;检测模块,用于根据重合情况,检测产品是否合格。
可选地,在本申请实施例提供的产品的检测装置中,检测模块包括:计算子模块,用于计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断子模块,用于判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;第一确定子模块,用于在最高数量大于预设值的情况下,确定待检测产品合格;第二确定子模块,用于在最高数量小于预设值的情况下,确定待检测产品不合格。
可选地,在本申请实施例提供的产品的检测装置中,第一获取单元20包括:识别模块,用于在待检测产品的图像中识别待检测产品的待检测部位;选取模块,用于在待检测产品的图像中的待检测部位选取目标颜色区域;获取模块,用于基于目标颜色区域获取待检测产品的颜色特征数据。
可选地,在本申请实施例提供的产品的检测装置中,该装置还包括:第二获取单元,用于在将待检测产品的颜色特征数据输入多维度空间分布模型之前,获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;第三获取单元,用于获取多个样本图像的颜色特征数据;建模单元,用于基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型。
可选地,在本申请实施例提供的产品的检测装置中,建模单元包括:第二确定模块,用于确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;建模模块,用于基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
可选地,在本申请实施例提供的产品的检测装置中,第二确定模块包括:第三确定子模块,用于将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为多维度空间分布模型的维度信息。
本申请实施例提供的产品的检测装置,通过采集单元10采集待检测产品的图像;第一获取单元20,用于获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;输入单元30将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;检测单元40根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格,解决了相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题,通过利用样本图像的颜色特征数据训练多维度空间分布模型,并获取待检测产品的图像的像素在多维度空间分布模型中的分布,进而达到了辨别待检测产品与样本图像的颜色的区别、准确判断待检测产品是否合格的效果。
产品的检测装置包括处理器和存储器,上述采集单元10、第一获取单元20、输入单元30和检测单元40等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中在待检测产品的颜色与合格产品的颜色差距较小的情况下,难以判断待检测产品是否合格的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述产品的检测方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述产品的检测方法。
本发明实施例提供了一种产品,产品包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
进一步地,根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格包括:确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;根据重合情况,检测产品是否合格。
进一步地,根据重合情况,检测产品是否合格包括:计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;在最高数量大于预设值的情况下,确定待检测产品合格;在最高数量小于预设值的情况下,确定待检测产品不合格。
进一步地,获取待检测产品的颜色特征数据包括:在待检测产品的图像中识别待检测产品的待检测部位;在待检测产品的图像中的待检测部位选取目标颜色区域;基于目标颜色区域获取待检测产品的颜色特征数据。
进一步地,在将待检测产品的颜色特征数据输入多维度空间分布模型之前,该方法还包括:获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;获取多个样本图像的颜色特征数据;基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型。
进一步地,基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型包括:确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
进一步地,确定多维度空间分布模型的维度信息包括:将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为多维度空间分布模型的维度信息。本文中的产品可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理产品上执行时,适于执行初始化有如下方法步骤的程序:采集待检测产品的图像;获取待检测产品的颜色特征数据,其中,待检测产品的颜色特征数据为图像中的像素的信息;将待检测产品的颜色特征数据输入多维度空间分布模型,得到待检测产品的图像的像素在多维度空间分布模型中的分布,其中,多维度空间分布模型由多个样本图像的颜色特征数据训练得到;根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格。
进一步地,根据待检测产品的图像的像素在多维度空间分布模型中的分布情况,检测产品是否合格包括:确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;根据重合情况,检测产品是否合格。
进一步地,根据重合情况,检测产品是否合格包括:计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;在最高数量大于预设值的情况下,确定待检测产品合格;在最高数量小于预设值的情况下,确定待检测产品不合格。
进一步地,获取待检测产品的颜色特征数据包括:在待检测产品的图像中识别待检测产品的待检测部位;在待检测产品的图像中的待检测部位选取目标颜色区域;基于目标颜色区域获取待检测产品的颜色特征数据。
进一步地,在将待检测产品的颜色特征数据输入多维度空间分布模型之前,该方法还包括:获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;获取多个样本图像的颜色特征数据;基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型。
进一步地,基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型包括:确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
进一步地,确定多维度空间分布模型的维度信息包括:将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为多维度空间分布模型的维度信息。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、产品(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理产品的处理器以产生一个机器,使得通过计算机或其他可编程数据处理产品的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理产品以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理产品上,使得在计算机或其他可编程产品上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程产品上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算产品包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储产品或任何其他非传输介质,可用于存储可以被计算产品访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者产品不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者产品所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者产品中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种产品的检测方法,其特征在于,包括:
采集待检测产品的图像;
获取所述待检测产品的颜色特征数据,其中,所述待检测产品的颜色特征数据为所述图像中的像素的信息;
将所述待检测产品的颜色特征数据输入多维度空间分布模型,得到所述待检测产品的图像的像素在所述多维度空间分布模型中的分布,其中,所述多维度空间分布模型由多个样本图像的颜色特征数据训练得到;
根据所述待检测产品的图像的像素在所述多维度空间分布模型中的分布情况,检测所述产品是否合格;
其中,在将所述待检测产品的颜色特征数据输入多维度空间分布模型之前,所述方法还包括:
获取多个样本图像,其中,所述样本图像中包含目标产品的颜色信息,所述目标产品与所述待检测产品的型号相同;
获取所述多个样本图像的颜色特征数据;
基于所述多个样本图像的颜色特征数据,利用多层神经网络建立所述多维度空间分布模型;
其中,根据所述待检测产品的图像的像素在所述多维度空间分布模型中的分布情况,检测所述产品是否合格包括:
确定所述待检测产品的图像的像素与所述多维度空间分布模型中的各个聚合类的重合情况;
根据所述重合情况,检测所述产品是否合格;
其中,根据所述重合情况,检测所述产品是否合格包括:
计算所述待检测产品的图像中的像素分别落在所述各个聚合类中的数量;
判断所述待检测产品的图像中的像素落在所述各个聚合类中的最高数量是否大于预设值;
在所述最高数量大于所述预设值的情况下,确定所述待检测产品合格;
在所述最高数量小于所述预设值的情况下,确定所述待检测产品不合格;
其中,基于所述多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型包括:
确定所述多维度空间分布模型的维度信息、所述多维度空间分布模型中的各个聚合类的递归阈值以及所述各个聚合类的中心点与所述多维度空间分布模型中心点的距离;
基于所述多个样本图像的颜色特征数据、所述多维度空间分布模型的维度信息、所述多维度空间分布模型中的各个聚合类的递归阈值以及所述各个聚合类的中心点与所述多维度空间分布模型中心点的距离建立所述多维度空间分布模型。
2.根据权利要求1所述的方法,其特征在于,获取所述待检测产品的颜色特征数据包括:
在所述待检测产品的图像中识别所述待检测产品的待检测部位;
在所述待检测产品的图像中的待检测部位选取目标颜色区域;
基于所述目标颜色区域获取所述待检测产品的颜色特征数据。
3.根据权利要求1所述的方法,其特征在于,确定所述多维度空间分布模型的维度信息包括:
将像素在R通道的像素值、像素在G通道的像素值、像素在B通道的像素值、像素的色度、像素的饱和度、像素的强度、像素与最小连通域内的各个像素的像素值的平均值、像素与最小连通域内的各个像素的像素值的方差、像素与最小连通域内的各个像素的像素值的梯度特征作为所述多维度空间分布模型的维度信息。
4.一种产品的检测装置,其特征在于,包括:
采集单元,用于采集待检测产品的图像;
第一获取单元,用于获取所述待检测产品的颜色特征数据,其中,所述待检测产品的颜色特征数据为所述图像中的像素的信息;
输入单元,用于将所述待检测产品的颜色特征数据输入多维度空间分布模型,得到所述待检测产品的图像的像素在所述多维度空间分布模型中的分布,其中,所述多维度空间分布模型由多个样本图像的颜色特征数据训练得到;
检测单元,用于根据所述待检测产品的图像的像素在所述多维度空间分布模型中的分布情况,检测所述产品是否合格;
其中,所述装置还包括:第二获取单元,用于在将待检测产品的颜色特征数据输入多维度空间分布模型之前,获取多个样本图像,其中,样本图像中包含目标产品的颜色信息,目标产品与待检测产品的型号相同;第三获取单元,用于获取多个样本图像的颜色特征数据;建模单元,用于基于多个样本图像的颜色特征数据,利用多层神经网络建立多维度空间分布模型;
其中,检测单元包括:第一确定模块,用于确定待检测产品的图像的像素与多维度空间分布模型中的各个聚合类的重合情况;检测模块,用于根据重合情况,检测产品是否合格;
其中,检测模块包括:计算子模块,用于计算待检测产品的图像中的像素分别落在各个聚合类中的数量;判断子模块,用于判断待检测产品的图像中的像素落在各个聚合类中的最高数量是否大于预设值;第一确定子模块,用于在最高数量大于预设值的情况下,确定待检测产品合格;第二确定子模块,用于在最高数量小于预设值的情况下,确定待检测产品不合格;
其中,所述建模单元包括:第二确定模块,用于确定多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离;建模模块,用于基于多个样本图像的颜色特征数据、多维度空间分布模型的维度信息、多维度空间分布模型中的各个聚合类的递归阈值以及各个聚合类的中心点与多维度空间分布模型中心点的距离建立多维度空间分布模型。
5.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至3中任意一项所述的产品的检测方法。
6.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任意一项所述的产品的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814370.7A CN108805872B (zh) | 2018-07-23 | 2018-07-23 | 产品的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814370.7A CN108805872B (zh) | 2018-07-23 | 2018-07-23 | 产品的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805872A CN108805872A (zh) | 2018-11-13 |
CN108805872B true CN108805872B (zh) | 2021-07-06 |
Family
ID=64077791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810814370.7A Active CN108805872B (zh) | 2018-07-23 | 2018-07-23 | 产品的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805872B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136129A (zh) * | 2019-05-22 | 2019-08-16 | 广东工业大学 | 一种商品质量检测方法、装置及存储介质 |
CN111311697B (zh) * | 2020-03-19 | 2023-11-17 | 北京搜狐新媒体信息技术有限公司 | 图片色彩丰富度的检测方法及相关装置 |
CN111445466B (zh) * | 2020-04-01 | 2023-05-05 | 山东浪潮科学研究院有限公司 | 一种螺栓防漏拧检测方法及设备、介质 |
CN111844530B (zh) * | 2020-07-10 | 2022-04-15 | 苏州普福斯信息科技有限公司 | 可再生资源回收选料方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
CN102179374B (zh) * | 2010-12-23 | 2013-01-09 | 华中农业大学 | 禽蛋品质自动检测分选设备及其方法 |
CN102507008B (zh) * | 2011-10-26 | 2014-07-02 | 惠州市德赛西威汽车电子有限公司 | 一种多模板颜色自动光学检测方法 |
CN105354530B (zh) * | 2015-09-22 | 2019-07-16 | 浙江宇视科技有限公司 | 一种车身颜色识别方法及装置 |
CN105354581B (zh) * | 2015-11-10 | 2018-11-16 | 西安电子科技大学 | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 |
CN106584800B (zh) * | 2016-12-09 | 2018-11-20 | 江南大学 | 一种成型产品在线质量检测方法 |
US10963676B2 (en) * | 2016-12-23 | 2021-03-30 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
CN206848190U (zh) * | 2017-07-03 | 2018-01-05 | 北京大恒图像视觉有限公司 | 一种基于颜色分类器的印刷品色差检测装置 |
CN107358242B (zh) * | 2017-07-11 | 2020-09-01 | 浙江宇视科技有限公司 | 目标区域颜色识别方法、装置及监控终端 |
CN108156452B (zh) * | 2017-12-22 | 2020-11-17 | 深圳怡化电脑股份有限公司 | 一种检测传感器的方法、装置、设备及存储介质 |
CN107977689A (zh) * | 2018-01-05 | 2018-05-01 | 湖南理工学院 | 一种木材等级分类装置及方法 |
CN108279238A (zh) * | 2018-01-30 | 2018-07-13 | 深圳春沐源控股有限公司 | 一种果实成熟度判断方法及装置 |
-
2018
- 2018-07-23 CN CN201810814370.7A patent/CN108805872B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108805872A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805872B (zh) | 产品的检测方法和装置 | |
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
CN104156937B (zh) | 阴影检测方法和装置 | |
US20180182099A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN109447169A (zh) | 图像处理方法及其模型的训练方法、装置和电子系统 | |
CN108323204A (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
CN105005766B (zh) | 一种车身颜色识别方法 | |
CN110516514B (zh) | 一种目标检测模型的建模方法和装置 | |
US9042630B2 (en) | Biomarker evaluation through image analysis | |
CN103544691A (zh) | 图像处理方法及设备 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN104508469A (zh) | 缺陷分类装置、缺陷分类方法、控制程序和记录介质 | |
Galsgaard et al. | Circular hough transform and local circularity measure for weight estimation of a graph-cut based wood stack measurement | |
Qiao et al. | Source camera device identification based on raw images | |
CN105320708B (zh) | 车型数据库的建立方法及服务器 | |
CN108830184A (zh) | 黑眼圈识别方法及装置 | |
CN109858310A (zh) | 车辆和交通标志检测方法 | |
CN106683074B (zh) | 一种基于雾霾特性的图像篡改检测方法 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
Sun et al. | Exposing splicing forgery based on color temperature estimation | |
Sharma et al. | Quantitative evaluation of panorama softwares | |
CN116067671B (zh) | 一种用于测试车辆漆面质量的方法、系统及介质 | |
CN105825161B (zh) | 图像的肤色检测方法及其系统 | |
CN115205288B (zh) | 工业缺陷检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |